MétaCan
Menu
Retour à la cohorte
Enregistrement W3096096326 · doi:10.1017/ice.2020.534

Significant Regional Differences in Antibiotic Use Across 576 US Hospitals and 11,701,326 Million Admissions, 2016–2017

2020· article· en· W3096096326 sur OpenAlexaff
Katherine E Goodman, Sara E. Cosgrove, Lisa Pineles, Laurence S. Magder, Deverick J. Anderson, Elizabeth Dodds Ashley, Ronald E. Polk, Hude Quan, William E. Trick, Keith F. Woeltje, Surbhi Leekha, Anthony Harris

Notice bibliographique

RevueInfection Control and Hospital Epidemiology · 2020
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueAntibiotic Use and Resistance
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicineAntibioticsRetrospective cohort studyEmergency medicineAntibiotic resistanceCohortPediatricsInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background: Reducing inappropriate antibiotic use is critical for fighting antibiotic resistance. Quantifying the amount and diversity of antibiotic use in US hospitals is foundational to these efforts but hampered by limited national surveillance. The current study aims to address this knowledge gap by examining adult inpatient antibiotic usage, including regional, facility, and case-mix differences, across 576 hospitals and nearly 12 million encounters in 2016–2017. Methods: We conducted a retrospective cohort study of patients aged ≥18 years discharged from hospitals in the Premier Healthcare Database, a repository of nearly 1 of every 4 annual US hospitalizations, between January 1, 2016, and December 31, 2017. Detailed hospital- and patient-level data were extracted for each admission. Facilities were classified geographically by census division. Using daily antibiotic charge data, we mapped antibiotics to 18 mutually exclusive classes and to categories based upon spectrum of activity. Patient-level data were transformed into hospital case-mix variables (eg, hospital mean patient age), and relationships between antibiotic days of therapy (DOTs), and these and other facility-level variables were evaluated in negative binomial regression models. Results: The study included 11,701,326 adult admissions, totaling 64,064,632 patient days across 576 US hospitals. Overall, antibiotics were used in 65% of all hospitalizations, at a rate of 870 DOTs per 1,000 patient days. The most commonly used classes per patient days were β-lactam/β-lactamase inhibitor combinations (206 DOTs), third- and fourth-generation cephalosporins (128 DOTs), and glycopeptides (113 DOTs) (Fig. 1). By spectrum of activity, antipseudomonal agents (245 DOTs) were the most common. Crude usage rates varied by geographic region (Fig. 2). In multivariable analyses, teaching hospitals, and/or larger bed sizes were independently associated with lower use across a range of antibiotic classes (adjusted IRR ranges, 0.90–0.94 and 0.96–0.98, respectively). Significant regional differences also persisted. Compared to the South Atlantic region (chosen as the reference category because it had the largest representation in the cohort), rates of total antibiotic use were 6%, 15%, and 18% lower on average in the Pacific, New England, and the Middle Atlantic regions, respectively. By class, carbapenems reflected the most geographic variability. Conclusions: In a large, diverse cohort of US hospitals, adult inpatients received antibiotics at a rate similar to, but higher than, previously published estimates. In adjusted models, lower antibiotic use was frequently associated with facilities likely to have robust antibiotic stewardship programs—those with teaching status and larger bed size. Further research to understand other reasons for regional differences in antibiotic use such as different rates of resistance is needed. Funding: This work was supported by Funding: from the Agency for Healthcare Research and Quality (AHRQ) (R01-HS026205 to A.D.H.). Disclosures: None

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,952

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,282
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInfection Control and Hospital EpidemiologyMême sujetAntibiotic Use and ResistanceTravaux en français237 207