Study reporting quality among interventions to reduce antibiotic use is a barrier to evidence-informed policymaking on antimicrobial resistance: systematic review
Notice bibliographique
Résumé
BACKGROUND: Countries are currently seeking evidence-informed policy options to address antimicrobial resistance (AMR). While rigorous evaluations of AMR interventions are the ideal, they are far from the current reality. Additionally, poor reporting and documentation of AMR interventions impede efforts to use evidence to inform future evaluations and policy interventions. OBJECTIVES: To critically evaluate reporting quality gaps in AMR intervention research. METHODS: To evaluate the reporting quality of studies, we conducted a descriptive synthesis and comparative analysis of studies that were included in a recent systematic review of government policy interventions aiming to reduce human antimicrobial use. Reporting quality was assessed using the SQUIRE 2.0 checklist of 18 items for reporting system-level interventions to improve healthcare. Two reviewers independently applied the checklist to 66 studies identified in the systematic review. RESULTS: None of the studies included complete information on all 18 SQUIRE items (median score = 10, IQR = 8-11). Reporting quality varied across SQUIRE items, with 3% to 100% of studies reporting the recommended information for each SQUIRE item. Only 20% of studies reported the elements of the intervention in sufficient detail for replication and only 24% reported the mechanism through which the intervention was expected to work. CONCLUSIONS: Gaps in the reporting of impact evaluations pose challenges for interpreting and replicating study results. Failure to improve reporting practice of policy evaluations is likely to impede efforts to tackle the growing health, social and economic threats posed by AMR.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».