Predicting Methicillin-Resistant Staphylococcus aureus (MRSA) Bloodstream Infection Incidence Rates using Canadian Nosocomial Infection Surveillance Program (CNISP)
Notice bibliographique
Résumé
Methicillin-Resistant Staphylococcus aureus (MRSA) is among the most prevalent nosocomial pathogens globally, causing significant morbidity, mortality, and healthcare costs. MRSA bloodstream infection (BSI) incidence rates in Canadian hospitals have significantly risen by almost 60% and have a mortality of over 20% upon Intensive Care Unit admission. MRSA is believed to be spread through healthcare workers; thus, high hand hygiene compliancy in addition to environmental cleaning are the cornerstone countermeasures to disrupting its transmission. The Public Health Agency of Canada (PHAC), in collaboration with the Canadian Nosocomial Infection Surveillance Program (CNISP), conducts national, sentinel surveillance on healthcare-associated infections like MRSA. As a Student Epidemiologist, I developed a research proposal detailing two study objectives: 1) develop a regression model to predict all incident MRSA BSI rates among acute-care hospitals in Canada using CNISP MRSA BSI incident cases from 2000 to 2019, and 2) create a compartmental (Susceptible-Infected-Recovered-Deceased) model to determine the impact of various Infection Prevention and Control (IPC) measures on the risk of healthcare-associated MRSA BSI transmission specifically. This study hopes to demonstrate that proper IPC compliance is associated with lower incident MRSA BSI rates with the goal being to produce a manuscript draft by 2021. MRSA poses a serious threat to patient safety globally and is becoming a growing national public health concern in Canada; determining which IPC strategy is most effective at disrupting MRSA transmission is essential to reducing incidence and mortality rates.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».