Trends in hospital antibiotic utilization during the coronavirus disease 2019 (COVID-19) pandemic: A multicenter interrupted time-series analysis
Notice bibliographique
Résumé
Objective: To describe the evolution of respiratory antibiotic prescribing during the coronavirus disease 2019 (COVID-19) pandemic across 3 large hospitals that maintained antimicrobial stewardship services throughout the pandemic. Design: Retrospective interrupted time-series analysis. Setting: A multicenter study was conducted including medical and intensive care units (ICUs) from 3 hospitals within a Canadian epicenter for COVID-19. Methods: Interrupted time-series analysis was used to analyze rates of respiratory antibiotic utilization measured in days of therapy per 1,000 patient days (DOT/1,000 PD) in medical units and ICUs. Each of the first 3 waves of the pandemic were compared to the baseline. Results: Within the medical units, use of respiratory antibiotics increased during the first wave of the pandemic (rate ratio [RR], 1.76; 95% CI, 1.38-2.25) but returned to the baseline in waves 2 and 3 despite more COVID-19 admissions. In ICU, the use of respiratory antibiotics increased in wave 1 (RR, 1.30; 95% CI, 1.16-1.46) and wave 2 of the pandemic (RR, 1.21; 95% CI, 1.11-1.33) and returned to the baseline in the third wave, which had the most COVID-19 admissions. Conclusions: After an initial surge in respiratory antibiotic prescribing, we observed the normalization of prescribing trends at 3 large hospitals throughout the COVID-19 pandemic. This trend may have been due to the timely generation of new research and guidelines developed with frontline clinicians, allowing for the active application of new research to clinical practice.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».