Antibiotic overuse in the primary health care setting: a secondary data analysis of standardised patient studies from India, China and Kenya
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Determining whether antibiotic prescriptions are inappropriate requires knowledge of patients' underlying conditions. In low-income and middle-income countries (LMICs), where misdiagnoses are frequent, this is challenging. Additionally, such details are often unavailable for prescription audits. Recent studies using standardised patients (SPs) offer a unique opportunity to generate unbiased prevalence estimates of antibiotic overuse, as the research design involves patients with predefined conditions. METHODS: Secondary analyses of data from nine SP studies were performed to estimate the proportion of SP-provider interactions resulting in inappropriate antibiotic prescribing across primary care settings in three LMICs (China, India and Kenya). In all studies, SPs portrayed conditions for which antibiotics are unnecessary (watery diarrhoea, presumptive tuberculosis (TB), angina and asthma). We conducted descriptive analyses reporting overall prevalence of antibiotic overprescribing by healthcare sector, location, provider qualification and case. The WHO Access-Watch-Reserve framework was used to categorise antibiotics based on their potential for selecting resistance. As richer data were available from India, we examined factors associated with antibiotic overuse in that country through hierarchical Poisson models. RESULTS: Across health facilities, antibiotics were given inappropriately in 2392/4798 (49.9%, 95% CI 40.8% to 54.5%) interactions in India, 83/166 (50.0%, 95% CI 42.2% to 57.8%) in Kenya and 259/899 (28.8%, 95% CI 17.8% to 50.8%) in China. Prevalence ratios of antibiotic overuse in India were significantly lower in urban versus rural areas (adjusted prevalence ratio (aPR) 0.70, 95% CI 0.52 to 0.96) and higher for qualified versus non-qualified providers (aPR 1.55, 95% CI 1.42 to 1.70), and for presumptive TB cases versus other conditions (aPR 1.19, 95% CI 1.07 to 1.33). Access antibiotics were predominantly used in Kenya (85%), but Watch antibiotics (mainly quinolones and cephalosporins) were highly prescribed in India (47.6%) and China (32.9%). CONCLUSION: Good-quality SP data indicate alarmingly high levels of antibiotic overprescription for key conditions across primary care settings in India, China and Kenya, with broad-spectrum agents being excessively used in India and China.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle