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 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 | 0,001 |
| 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 ».