1504. Epidemiology and Etiology of Pyogenic Liver Abscess in the Calgary Health Zone: A Population-Based Study
Notice bibliographique
Résumé
Abstract Background Pyogenic liver abscess (PLA) is a significant cause of morbidity and mortality. Epidemiological data regarding risk factors and outcome determinants are often ascertained from referral population bases. We utilized a population-based study design to better understand PLA. Methods Calgary Health Zone (CHZ) residents ≥18 years of age (population ~1.3 million) who were hospitalized with PLA in 2017 were included. Charts were manually reviewed to determine demographics and clinical outcomes. Univariate and multivariate logistic regression were used to assess for factors associated with 30-day mortality using STATA 15.1 (College Stn., TX). Results Forty-four patients with PLA were identified (39% female, median age 61 [IQR 56–68] years) corresponding to an incidence rate of 3.7 cases per 100,000 population. Prevalent co-morbidities with PLA included; hemodialysis dependence (4.5%), cancer (25%), diabetes (23%), and cirrhosis (6.8%), each of which was significantly more common (P < 0.05) than in the general population; 85.3X, 11.2X, 3.6X, 29.9X, respectively. Rates of other comorbidities including ischemic heart disease, COPD, and rheumatoid arthritis did not differ from general populations (P > 0.05). The etiology of PLA was established in 72% of cases, of which biliary was most common (48%). Most (91%) cases had at least one organism identified via blood or liver aspirate culture. The most common organisms were Streptococcus anginosus group (12), Klebsiella pneumoniae (11), Klebsiella oxytoca (6), Escherichia coli (4), and obligate anaerobes (3). Blood cultures were positive in 25/44 (56%) cases. Thirty-day mortality from admission was 11% and had multiple risk factors (Table-1). Conclusion PLA in the CHZ is common and associated with high mortality. Understanding factors influencing PLA occurrence and outcome can assist in correctly identifying and optimally treating patients. Disclosures All authors: No reported disclosures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».