Wounds, Antimicrobial Resistance and Challenges of Implementing a Surveillance System in Myanmar: A Mixed-Methods Study
Notice bibliographique
Résumé
Wound infections with drug-resistant bacteria lead to higher mortality and morbidity and increased healthcare costs. We aimed to describe the spectrum of bacterial pathogens, isolated from wound cultures in Yangon General Hospital in 2018, and their antimicrobial resistance (AMR) patterns and to understand the challenges in implementing an AMR surveillance system in Myanmar. We conducted a concurrent mixed-methods study involving analysis of surveillance data and in-depth interviews with nine key personnel involved in AMR surveillance. Of 1418 wound specimens processed, 822 (58%) were culture-positive. The most common Gram-positive bacteria were coagulase-negative staphylococci (23.3%) and Staphylococcus aureus (15.1%). Among Gram-negative bacteria, Escherichia coli (12.5%) and Pseudomonas aeruginosa (10.1%) were common. Staphylococcus aureus isolates were resistant to penicillin (98%), oxacillin (70%) and tetracycline (66%). Escherichia coli showed resistance to ampicillin (98%). Lack of dedicated and trained staff (microbiologist, technician, data entry operator), lack of computers at sentinel sites and non-uniform and non-standardized data capture formats were the major challenges in implementing AMR surveillance. These challenges need to be addressed urgently. We also recommend periodic analysis and sharing of antibiograms at every hospital to inform the treatment regimens used in wound management.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».