Virtual learning collaboratives to improve urine culturing and antibiotic prescribing in long-term care: controlled before-and-after study
Notice bibliographique
Résumé
BACKGROUND: Urine culturing practices are highly variable in long-term care and contribute to overprescribing of antibiotics for presumed urinary tract infections. The purpose of this study was to evaluate the use of virtual learning collaboratives to support long-term care homes in implementing a quality improvement programme focused on reducing unnecessary urine culturing and antibiotic overprescribing. METHODS: Over a 4-month period (May 2018-August 2018), 45 long-term care homes were self-selected from five regions to participate in virtual learning collaborative sessions, which provided an orientation to a quality improvement programme and guidance for implementation. A process evaluation complemented the use of a controlled before-and-after study with a propensity score matched control group (n=127) and a difference-in-difference analysis. Primary outcomes included rates of urine cultures performed and urinary antibiotic prescriptions. Secondary outcomes included rates of emergency department visits, hospital admission and mortality. An 18-month baseline period was compared with a 16-month postimplementation period with the use of administrative data sources. RESULTS: Rates of urine culturing and urinary antibiotic prescriptions per 1000 resident days decreased significantly more among long-term care homes that participated in learning collaboratives compared with matched controls (differential reductions of 19% and 13%, respectively, p<0.0001). There was no statistically significant changes to rates of emergency department visits, hospital admissions or mortality. These outcomes were observed with moderate adherence to the programme model. CONCLUSIONS: Rates of urine culturing and urinary antibiotic prescriptions declined among long-term care homes that participated in a virtual learning collaborative to support implementation of a quality improvement programme. The results of this study have refined a model to scale this programme in long-term care.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».