Nurse Prompting for Prescriber-Led Review of Antimicrobial Use in the Critical Care Unit
Notice bibliographique
Résumé
BACKGROUND: Developing a sustainable strategy for prescriber-led review of antimicrobial use in a critical care unit may improve antimicrobial use without the need for additional resources. METHODS: Using a quality improvement framework, the researchers created a prompt for prescriber-led review of antimicrobial use. The outcome measure was antimicrobial use (days of therapy per 1000 patient days). The process measure was the proportion of relevant cases for which an antimicrobial prompt was provided. Balancing measures included mortality rate, length of stay, 48-hour readmission rates, and multiple organ dysfunction score. Interrupted time series with segmented regression analysis was used for the outcome measure. RESULTS: Process analysis identified critical care unit nurses for antimicrobial use prompting. A standard script was developed to incorporate a days of therapy prompt into nurse rounds, with primed prescriber responses. Before the intervention, monthly antimicrobial use was 804 days of therapy per 1000 patient days, with a positive trend (7.3 days of therapy per 1000 patient days, P < .05). After the intervention, there was an immediate reduction of 217 days of therapy per 1000 patient days (P < .05), with a nonsignificant negative trend, representing a 20% (95% CI, -15% to -25%) reduction. No significant change was noted in use of the control class of medications. The proportion of relevant cases for which an antimicrobial prompt was provided increased from 21% to 48% during the intervention period. Balancing measures were comparable before and after the intervention. CONCLUSIONS: Nurse prompting can lead to significant reductions in antimicrobial use, providing a sustainable mechanism for independent antimicrobial reassessment.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».