Early-onset sepsis in very preterm neonates in Australia and New Zealand, 2007–2018
Notice bibliographique
Résumé
Objective To evaluate the epidemiology and population trends of early-onset sepsis in very preterm neonates admitted to neonatal intensive care units (NICU) in Australia and New Zealand. Design Retrospective observational cohort study using a dual-nation registry database. Setting 29 NICUs that have contributed to the Australian and New Zealand Neonatal Network. Participants Neonates born at <32 weeks’ gestation born between 2007 and 2018 and then admitted to a NICU. Main outcome measures Microorganism profiles, incidence, mortality and morbidity. Results Over the 12-year period, 614 early-onset sepsis cases from 43 178 very preterm admissions (14.2/1000 admissions) were identified. The trends of early-onset sepsis incidence remained stable, varying between 9.8 and 19.4/1000 admissions (linear trend, p=0.56). The leading causative organisms were Escherichia coli ( E. coli ) (33.7%) followed by group B Streptococcus ( GBS ) (16.1%). The incidence of E. coli increased between 2007 (3.2/1000 admissions) and 2018 (8.3/1000 admissions; p=0.02). Neonates with E. coli had higher odds of mortality compared with those with GBS (OR=2.8, 95% CI 1.2 to 6.1). Mortality due to GBS decreased over the same period (2007: 0.6/1000 admissions, 2018: 0.0/1000 admissions; p=0.01). Early-onset sepsis tripled the odds of mortality (OR=3.0, 95% CI 2.4 to 3.7) and halved the odds of survival without morbidity (OR=0.5, 95% CI 0.4 to 0.6). Conclusion Early-onset sepsis remains an important condition among very preterm populations. Furthermore, E. coli is a dominant microorganism of very preterm early-onset sepsis in Australia and New Zealand. Rates of E. coli have been increasing in recent years, while GBS -associated mortality has decreased.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».