Antibiotic hypersensitivity and adverse reactions: management and implications in clinical practice
Notice bibliographique
Résumé
BACKGROUND: Studies have shown the discrepancy between self-reported antibiotic allergies and true allergies. Inaccurate reporting of antibiotic hypersensitivities can limit treatment options and result in use of more expensive antibiotics and contribute to resistance. METHODS: This retrospective cohort chart review obtained data on 16,515 patients after obtaining IRB approval. Patients who had an antibiotic adverse reaction were identified, recorded, and their management reviewed. 7926 patients were selected from inpatient internal medicine clinics, 8042 patients from outpatient internal medicine clinics, and 547 from orthopedic clinics. RESULTS: The prevalence of reported antibiotic sensitivity in our study was 9.89% (n = 1624). Reported antibiotic sensitivity was 8.88% (n = 704) in inpatient settings as compared to 11.2% (n = 902) and 5.12% (n = 28) in medicine and orthopedic outpatient settings respectively. The top five antibiotic adverse reactions reported were penicillins (42%), sulfonamides (25%), fluoroquinolones (4.3%), tetracyclines (4.2%), and macrolides (3.5%). In all settings, penicillins and sulfonamides adverse reactions were the top two reportings. 11.88% (n = 193) of patients with reported adverse reactions reported sensitivities to multiple antibiotics. CONCLUSION: Our study demonstrated high prevalence of reported antibiotic sensitivity in three clinical settings. However, a significant portion of these patients may not be truly hypersensitive to these antibiotics. There is a need for increased awareness among medical professionals about the importance of detailed history taking and management of self-reported antibiotic allergies to combat unnecessary use of antibiotics.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 ».