Antimicrobial Resistance (AMR) in COVID-19 Patients: A Systematic Review and Meta-Analysis (November 2019 - June 2021)
Notice bibliographique
Résumé
Abstract BackgroundPneumonia from SARS-CoV-2 is difficult to distinguish from other viral and bacterial etiologies. Broad-spectrum antimicrobials are frequently prescribed to patients hospitalized with COVID-19 which potentially acts as a catalyst for the development of antimicrobial resistance (AMR). ObjectivesWe conducted a systematic review and meta-analysis during the first 18 months of the pandemic to quantify the prevalence and types of resistant co-infecting organisms in patients with COVID-19 and explore differences across hospital and geographic settings.MethodsWe searched MEDLINE, Embase, Web of Science (BioSIS), and Scopus from November 1, 2019 to May 28, 2021 to identify relevant articles pertaining to resistant co-infections in patients with laboratory confirmed SARS-CoV-2. Patient- and study-level analyses were conducted. We calculated pooled prevalence estimates of co-infection with resistant bacterial or fungal organisms using random effects models. Stratified meta-analysis by hospital and geographic setting was also performed to elucidate any differences. ResultsOf 1331 articles identified, 38 met inclusion criteria. A total of 1959 unique isolates were identified with 29% (569) resistant organisms identified. Co-infection with resistant bacterial or fungal organisms ranged from 0.2 to 100% among included studies. Pooled prevalence of co-infection with resistant bacterial and fungal organisms was 24% (95% CI: 8-40%; n=25 studies: I2=99%) and 0.3% (95% CI: 0.1-0.6%; n=8 studies: I2=78%), respectively. Among multi-drug resistant organisms, methicillin-resistant Staphylococcus aureus, carbapenem-resistant Acinetobacter baumannii, Klebsiella pneumoniae, Pseudomonas aeruginosa and Candida auris were most commonly reported. Stratified analyses found higher proportions of AMR outside of Europe and in ICU settings, though these results were not statistically significant. Patient-level analysis demonstrated >50% (n=58) mortality, whereby all but 6 patients were infected with a resistant organism. ConclusionsDuring the first 18 months of the pandemic, AMR was moderately prevalent in COVID-19 patients and varied by hospital and geography although there was substantial heterogeneity. Given the variation in patient populations within these studies, clinical settings, practice patterns, and definitions of AMR, further research is warranted to quantify AMR in COVID-19 patients to improve surveillance programs, infection prevention and control practices and antimicrobial stewardship programs globally.
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 | 0,012 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,034 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».