Variation in antibiotic use across intensive care units (ICU): A population-based cohort study in Ontario, Canada
Notice bibliographique
Résumé
OBJECTIVES: Antibiotics are commonly used in intensive care units (ICUs), yet differences in antibiotic use across ICUs are unknown. Herein, we studied antibiotic use across ICUs and examined factors that contributed to variation. METHODS: We conducted a retrospective cohort study using data from Ontario's Critical Care Information System (CCIS), which included 201 adult ICUs and 2,013,397 patient days from January 2012 to June 2016. Antibiotic use was measured in days of therapy (DOT) per 1,000 patient days. ICU factors included ability to provide ventilator support (level 3) or not (level 2), ICU type (medical-surgical or other), and academic status. Patient factors included severity of illness using multiple-organ dysfunction score (MODS), ventilatory support, and central venous catheter (CVC) use. We analyzed the effect of these factors on variation in antibiotic use. RESULTS: Overall, 269,351 patients (56%) received antibiotics during their ICU stay. The mean antibiotic use was 624 (range 3-1460) DOT per 1,000 patient days. Antibiotic use was significantly higher in medical-surgical ICUs compared to other ICUs (697 vs 410 DOT per 1,000 patient days; P < .0001) and in level 3 ICUs compared to level 2 ICUs (751 vs 513 DOT per 1,000 patient days; P < .0001). Higher antibiotic use was associated with higher severity of illness and intensity of treatment. ICU and patient factors explained 47% of the variation in antibiotic use across ICUs. CONCLUSIONS: Antibiotic use varies widely across ICUs, which is partially associated with ICUs and patient characteristics. These differences highlight the importance of antimicrobial stewardship to ensure appropriate use of antibiotics in ICU patients.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».