Metrics for evaluating antibiotic use and prescribing in outpatient settings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Antimicrobial stewardship interventions in outpatient settings are diverse and a variety of outcomes have been used to evaluate these efforts. This narrative review describes, compares and provides specific examples of antibiotic use and other prescribing measures to help antimicrobial stewards better understand, interpret and implement metrics for this setting. A variety of data have been used including those generated from drug sales, prescribing and dispensing activities, however data generated closest to when an individual patient consumes an antibiotic is usually more accurate for estimating antibiotic use. Availability of data is often dependent on context such as information technology infrastructure and the healthcare system under consideration. While there is no ideal antibiotic use or prescribing metric for evaluating antimicrobial stewardship activities in the outpatient setting, the intervention of interest and available data sources are important factors. Common metrics for estimating antimicrobial use include DDD per 1000 inhabitants per day (DID) and days of therapy per 1000 inhabitants/day (DOTID). Other prescribing metrics such as antibiotic prescribing rate (APR), proportion of prescriptions containing an antibiotic, proportion of prolonged antibiotic courses prescribed, estimated appropriate APR and quality indicators are used to assess specific aspects of antimicrobial prescribing behaviour such as initiation, selection, duration and appropriateness. Understanding the context of prescribing practices helps to ensure feasibility and relevance when implementing metrics and targets for improvement in the outpatient setting.
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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 découle