Changes in the Management of Severe Orbital Infections Over Seventeen Years
Notice bibliographique
Résumé
OBJECTIVES: Periorbital and orbital cellulitis are common but serious infections in children. Management of these infections varies because of an absence of clinical guidelines, but it is unclear if management within institutions has changed over time. We compared the management and outcomes of children hospitalized with periorbital and orbital cellulitis in 2 eras. METHODS: Data were extracted from records of children hospitalized at a tertiary care children’s hospital with periorbital or orbital cellulitis from 2000 to 2005 and 2012 to 2016. Patient demographics, cross-sectional imaging, antibiotic and corticosteroid use, length of stay, and surgical rates were collected. Data from the eras were compared by using descriptive statistics, t tests, Mann–Whitney U tests, Fisher’s exact tests, and χ2 tests. RESULTS: There were 318 children included, 143 from 2000 to 2005 and 175 from 2012 to 2016. Compared with the first era, in the second era there were increased rates of MRI (5% vs 11%, P = .04), although rates of computed tomography scan use remained unchanged (60% vs 65%); increased number (1 vs 3, P < .01) and spectrum of antibiotics; increased use of intranasal corticosteroids (3% vs 49%, P < .01); and subspecialty consultation (89% vs 99%, P = .01). There were no differences in length of stay, readmission, or surgical rates between eras. CONCLUSIONS: There has been considerable change in the management of hospitalized children with severe orbital infections at our institution, including the rates of MRI, number and spectrum of antibiotics used, use of adjunctive agents, and increased subspecialty involvement with no observed impact on clinical outcomes. Future research is needed to rationalize antimicrobial therapy and reduce low-value health 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».