Creating reasonable antibiograms for antibiotic stewardship programs in nursing homes: Analysis of 260 facilities in a large geographic region, 2016–2017
Notice bibliographique
Résumé
OBJECTIVE: To determine the best nursing home facility characteristics for aggregating antibiotic susceptibility testing results across nursing homes to produce a useful annual antibiogram that nursing homes can use in their antimicrobial stewardship programs. DESIGN: Derivation cohort study. SETTING: Center for Medicare and Medicaid Services (CMS) certified skilled nursing facilities in Georgia (N = 231). PARTICIPANTS: All residents of eligible facilities submitting urine culture specimens for microbiologic testing at a regional referral laboratory. METHODS: Crude and adjusted metrics of antibiotic resistance prevalence (percent of isolates testing susceptible) for 5 bacterial species commonly recovered from urine specimens were calculated using mixed linear models to determine which facility characteristics were predictive of testing antibiotic susceptibility. RESULTS: In a single year, most facilities had an insufficient number of isolates tested to create facility-specific antibiograms: 49% of facilities had sufficient Escherichia coli isolates tested, but only about 1 in 10 had sufficient isolates of Klebsiella pneumoniae, Proteus mirabilis, Enterococcus faecalis, or Pseudomonas aeruginosa. After accounting for antibiotic tested and age of the patient, facility characteristics predictive of susceptibility were: E. coli, region, year, average length of stay; K. pneumoniae, region, bed size; P. mirabilis, region; and for E. faecalis or P. aerginosa no facility parameter remained in the model. CONCLUSIONS: Nursing homes often have insufficient data to create facility-specific antibiograms; aggregating data across nursing homes in a region is a statistically sound approach to overcoming data shortages in nursing home stewardship programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».