Analysing the trend over time of antibiotic consumption in the community: a tutorial on the detection of common change-points
Notice bibliographique
Résumé
OBJECTIVES: This tutorial describes and illustrates statistical methods to detect time trends possibly including abrupt changes (referred to as change-points) in the consumption of antibiotics in the community. METHODS: For the period 1997-2017, data on consumption of antibacterials for systemic use (ATC group J01) in the community, aggregated at the level of the active substance, were collected using the WHO ATC/DDD methodology and expressed in DDD (ATC/DDD index 2019) per 1000 inhabitants per day. Trends over time and presence of common change-points were studied through a set of non-linear mixed models. RESULTS: After a thorough description of the set of models used to assess the time trend and presence of common change-points herein, the methodology was applied to the consumption of antibacterials for systemic use (ATC J01) in 25 EU/European Economic Area (EEA) countries. The best fit was obtained for a model including two change-points: one in the first quarter of 2004 and one in the last quarter of 2008. CONCLUSIONS: Allowing for the inclusion of common change-points improved model fit. Individual countries investigating changes in their antibiotic consumption pattern can use this tutorial to analyse their country data.
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 | 0,000 |
| 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 | 0,001 |
| 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 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 ».