Development of a provincial interactive antibiogram tool for Ontario
Notice bibliographique
Résumé
Background: Antimicrobial resistance (AMR) is a public health issue with significant impact on health care. Antibiogram development and deployment is a key strategy for managing and preventing AMR. Our objective was to develop an Ontario antibiogram as part of a larger provincial initiative aimed at advancing antimicrobial stewardship in the province. Methods: As part of a voluntary provincial online survey, antibiogram data from 100 of 201 (49.8%) Ontario hospitals were collected and included. All hospitals in Ontario were eligible to participate except those providing only mental health or ambulatory services. Weighted provincial and regional antibiotic susceptibilities (percentages) were conducted using descriptive statistical analyses, and an interactive antibiogram spreadsheet was developed. Respondent-identified barriers to collecting and interpreting antibiogram data are presented descriptively. Results: There was wide regional variability in antimicrobial-resistant organisms across Ontario. Provincial methicillin-resistant Staphylococcus aureus prevalence was 24.6%, ranging from 5.9% to 43.7% regionally. Provincial Escherichia coli resistance to ceftriaxone and ciprofloxacin was 13.8% (regional range 6.0%–25.1%) and 22.5% (regional range 9.8–37.8%), respectively. Klebsiella spp resistance to ceftriaxone and ciprofloxacin was similar across all health regions, with overall provincial rates of 7.5% and 5.6%, respectively. Conclusions: We have demonstrated that integrating hospital AMR tracking and reporting as part of a larger voluntary provincial antimicrobial stewardship program initiative is a feasible approach to capturing AMR data. The provincial antibiogram serves as a benchmark for the current state of AMR provincially and across health regions.
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 | 0,001 |
| 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 ».