Impact of Seasonality and Influenza Rates on Interventions to Reduce Hospital-Acquired <i>Clostridioides difficile</i> Rates
Notice bibliographique
Résumé
Background: Hospital-acquired Clostridioides difficile infection (HA-CDI) rates are highly variable over time, posing problems for research assessing interventions that might improve rates. By understanding seasonality in HA-CDI rates and the impacts that other factors such as influenza admissions might have on these rates, we can account for them when establishing the relationship between interventions and infection rates. We assessed whether there were seasonal trends in HA-CDI and whether they could be accounted for by influenza rates. Methods: We assessed HA-CDI rates per 10,000 patient days, and the rate of hospitalized patients with influenza per 1,000 admissions in 4 acute-care facilities (n = 2,490 beds) in Calgary, Alberta, from January 2016 to December 2018. We used 4 statistical approaches in R (version 3.5.1 software): (1) autoregressive integrated moving average (ARIMA) to assess dependencies and trends in each of the monthly HA-CDI and influenza series; (2) cross correlation to assess dependencies between the HA-CDI and influenza series lagged over time; (3) Poisson harmonic regression models (with sine and cosine components) to assess the seasonality of the rates; and (4) Poisson regression to determine whether influenza rates accounted for seasonality in the HA-CDI rates. Results: Conventional ARIMA approaches did not detect seasonality in the HA-CDI rates, but we found strong seasonality in the influenza rates. A cross-correlation analysis revealed evidence of correlation between the series at a lag of zero (R = 0.41; 95% CI, 0.10–0.65) and provided an indication of a seasonal relationship between the series (Fig. 1). Poisson regression suggested that influenza rates predicted CDI rates ( P < .01). Using harmonic regression, there was evidence of seasonality in HA-CDI rates ( 2 [2 df] = 6.62; P < .05) and influenza rates ( 2 [2 df] = 1,796.6; P < .001). In a Poisson model of HA-CDI rates with both the harmonic components and influenza admission rates, the harmonic components were no longer predictive of HA-CDI rates. Conclusions: Harmonic regression provided a sensitive means of identifying seasonality in HA-CDI rates, but the seasonality effect was accounted for by influenza admission rates. The relationship between HA-CDI and influenza rates is likely mediated by antibiotic prescriptions, which needs to be assessed. To improve precision and reduce bias, research on interventions to reduce HA-CDI rates should assess historic seasonality in HA-CDI rates and should account for influenza admissions. Funding: None 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 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 | 0,007 |
| 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 ».