What Is the Optimal Follow-up Length for Mortality in <i>Staphylococcus aureus</i> Bacteremia? Observations From a Systematic Review of Attributable Mortality
Notice bibliographique
Résumé
Background: bacteremia (SAB) may be related or unrelated to the infection. In SAB therapeutics research, the length of follow-up should be optimized to capture most attributable deaths and minimize nonattributable deaths. We performed a secondary analysis of a systematic review to describe attributable mortality in SAB over time. Methods: We systematically searched Medline, Embase, and Cochrane Database of Systematic Reviews from 1 January 1991 to 7 May 2021 for human observational studies of SAB. To be included in this secondary analysis, the study must have reported attributable mortality. Two reviewers extracted study data and assessed risk of bias independently. Pooling of study estimates was not performed due to heterogeneity in the definition of attributable deaths. Results: Twenty-four observational cohort studies were included. The median proportion of all-cause deaths that were attributable to SAB was 77% (interquartile range [IQR], 72%-89%) at 1 month and 62% (IQR, 58%-75%) at 3 months. At 1 year, this proportion was 57% in 1 study. In 2 studies that described the rate of increase in mortality over time, 2-week follow-up captured 68 of 79 (86%) and 48 of 57 (84%) attributable deaths that occurred by 3 months. By comparison, 1-month follow-up captured 54 of 57 (95%) and 56 of 60 (93%) attributable deaths that occurred by 3 months in 2 studies. Conclusions: The proportion of deaths that are attributable to SAB decreases as follow-up lengthens. Follow-up duration between 1 and 3 months seems optimal if evaluating processes of care that impact SAB mortality. Clinical Trials Registration: PROSPERO CRD42021253891.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».