Reporting behaviors and perceptions toward the National Healthcare Safety Network antimicrobial use (AU) and antimicrobial resistance (AR) modules
Notice bibliographique
Résumé
Abstract Objectives: To identify characteristics of US health systems and end users that report antimicrobial use and resistance (AUR) data, to determine how NHSN AUR data are used by hospitals and health systems and end users, and to identify barriers to AUR reporting. Design: An anonymous survey was sent to Society of Infectious Diseases Pharmacists (SIDP) and Society for Healthcare Epidemiology of America (SHEA) Research Network members. Methods: Data were collected via Survey Monkey from January 21 to February 21, 2020. Respondent and hospital data were analyzed using descriptive statistics. Results: We received responses from 238 individuals across 43 US states. Respondents were primarily pharmacists (84%), from urban areas, (44%), from nonprofit medical centers (81%), and from hospitals with >250 beds (72%). Also, 62% reported data to the AU module and 19% reported data to the AR module. Use of software for local AU or AR tracking was associated with increased reporting to the AU module (19% vs 64%) and the AR module (2% vs 30%) ( P < .001 each). Only 36% of those reporting data to the AU module used NHSN AUR data analysis tools regularly and only 9% reported data to the AR module regularly. Technical challenges and time and/or salary support were the most common barriers to AUR participation cited by all respondents. Among those not reporting AUR data, increased local expectations to report and better software solutions were the most commonly identified solutions to increase AUR reporting. Conclusions: Efforts to increase AUR reporting should focus on software solutions and salary support for data-entry activities. Increasing expectations to report may incentivize local resource allocation to improve AUR reporting 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 | 0,002 | 0,001 |
| 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 ».