Local audit of empiric antibiotic therapy in bacteremia: A retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: It is unclear if a local audit would be useful in providing guidance on how to improve local practice of empiric antibiotic therapy. We performed an audit of antibiotic therapy in bacteremia to evaluate the proportion and risk factors for inadequate empiric antibiotic coverage. METHODS: This retrospective cohort study included patients with positive blood cultures across 3 hospitals in Hamilton, Ontario, Canada during October of 2019. Antibiotic therapy was considered empiric if it was administered within 24 hours after blood culture collection. Adequate coverage was defined as when the isolate from blood culture was tested to be susceptible to the empiric antibiotic. A multivariable logistic regression model was used to predict inadequate empiric coverage. Diagnostic accuracy of a clinical pathway based on patient risk factors was compared to clinician's decision in predicting which bacteria to empirically cover. RESULTS: Of 201 bacteremia cases, empiric coverage was inadequate in 56 (27.9%) cases. Risk factors for inadequate empiric coverage included unknown source at initiation of antibiotic therapy (adjusted odds ratio (aOR) of 2.76 95% CI 1.27-6.01, P = 0.010) and prior antibiotic therapy within 90 days (aOR of 2.46 95% CI 1.30-4.74, P = 0.006). A clinical pathway that considered community-associated infection as low risk for Pseudomonas was better at ruling out Pseudomonas bacteremia with a negative likelihood ratio of 0.17 (95% CI 0.03-1.10) compared to clinician's decision with negative likelihood ratio of 0.34 (95% CI 0.10-1.22). CONCLUSIONS: An audit of antibiotic therapy in bacteremia is feasible and may provide useful feedback on how to locally improve empiric antibiotic therapy.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».