Decreasing Misdiagnoses of Urinary Tract Infections in a Pediatric Emergency Department
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Urinary tract infection (UTI) is a common diagnosis in the emergency department (ED), often resulting in empirical antibiotic treatment before culture results. Diagnosis of a UTI, particularly in children, can be challenging and misdiagnosis is common. The aim of this initiative was to decrease the misdiagnosis of uncomplicated pediatric UTIs by 50% while improving antimicrobial stewardship in the ED over 4 years. METHODS: By using the Model for Improvement, 3 interventions were developed: (1) an electronic UTI diagnostic algorithm, (2) a callback system, and (3) a standardized discharge antibiotic prescription. Outcome measures included the percentage of patients with UTI misdiagnosis (prescribed antibiotics, but urine culture results negative) and antibiotic days saved. As a balancing measure, positive urine culture results without a UTI diagnosis were reviewed for ED return visits or hospitalization. Statistical process control and run charts were used for analysis. RESULTS: From 2017 to 2021, the mean UTI misdiagnosis decreased from 54.6% to 26.4%. The adherence to the standardized antibiotic duration improved from 45.1% to 84.6%. With the callback system, 2128 antibiotic days were saved with a median of 89% of patients with negative culture results contacted to discontinue antibiotics. Of 186 patients with positive urine culture results with an unremarkable urinalysis, 14 returned to the ED, and 2 were hospitalized for multiresistant organism UTI treatment. CONCLUSIONS: A UTI diagnostic algorithm coupled with a callback system safely reduced UTI misdiagnoses and antibiotic usage. Embedding these interventions electronically as a decision support tool, targeted audit and feedback, reminders, and education all supported long-term sustainability.
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 | 0,001 |
| 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 ».