MétaCan
Menu
Retour à la cohorte
Enregistrement W4297374380 · doi:10.9778/cmajo.20210258

Chronic diseases and variations in rates of antimicrobial use in the community: a population-based analysis of linked administrative data in Quebec, Canada, 2002–2017

2022· article· en· W4297374380 sur OpenAlexafffundvenueabout
Élise Fortin, Caroline Sirois, Caroline Quach, Sonia Jean, Marc Simard, Marc Dionne, Alejandra Irace‐Cima, Nadine Magali-Ufitinema

Notice bibliographique

RevueCMAJ Open · 2022
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueAntibiotic Use and Resistance
Établissements canadiensUniversité de MontréalUniversité LavalInstitut National de Santé Publique du QuébecHôtel-Dieu de QuébecUniversité du Québec à Montréal
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicinePoisson regressionMedical prescriptionAntimicrobialPopulationPublic healthDemographyEnvironmental healthPediatricsPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Chronic diseases may increase risk of infection and complications from infections; fear of these risks may lower clinicians' tolerance threshold for the prescription of antimicrobials, thus increasing the risk of selecting resistant bacteria. We sought to describe rates of antimicrobial use in Quebec and measure the association between chronic diseases and utilization rates. METHODS: Using the Quebec Integrated Chronic Disease Surveillance System, we analyzed data of people covered by the public drug insurance plan in 2002-2017. Based on delivered prescriptions, we described trends in antimicrobial use in the population, and per category of select chronic diseases (i.e., none, respiratory, cardiovascular, diabetes, mental disorder), according to age group (0-17 yr, 18-64 yr and ≥ 65 yr). We computed ratios of extended-to-narrow-spectrum antimicrobials in 2014-2017. We used robust Poisson regression to quantify the association between chronic diseases and rates of antimicrobial use among children and adults (≥ 18 yr). RESULTS: Between 2002 and 2017, 4 231 724 prescriptions were received over 6 653 473 individual-years among children; 1 367 492 (20.6%) individual-years had at least 1 chronic disease. Among adults aged 18-64 years, 13 365 577 prescriptions were received over 24 935 592 individual-years; 9 533 493 (38.2%) individual-years had at least 1 chronic disease. Among adults 65 years or older, 11 689 365 prescriptions were received over 15 927 342 individual-years; 12 743 588 (80.0%) individual-years had least 1 chronic disease. Antimicrobial use decreased among children, remained stable among younger adults and increased among older adults. Trends were consistent across chronic disease categories in children and older adults. In 2014-2017, 19.9% of children, 39.1% of younger adults and 79.7% of older adults had at least 1 chronic disease. Claims for extended-spectrum antimicrobials were frequent in all age and chronic disease groups, relative to narrow-spectrum antimicrobials (ratios from 3.1:1 to 14.6:1). Antimicrobial use was higher among people with respiratory diseases (adults: relative rate [RR] 2.09, 95% confidence interval [CI] 2.07-2.10; children: RR 1.62, 95% CI 1.59-1.65), mental health diagnoses (adults: RR 1.48, 95% CI 1.46-1.49; children: RR 1.22, 95% 1.20-1.24), diabetes (adults: RR 1.40, 95% CI 1.28-1.41; children: RR 2.02, 95% CI 1.58-2.57) and cardiovascular diseases (adults: RR 1.31, 95% CI 1.30-1.32), compared with those with none of the studied chronic diseases. INTERPRETATION: During the study period, large proportions of antimicrobial prescriptions were for people with chronic diseases, across the age spectrum. Interventions to reduce antimicrobial use should be tailored for these populations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,226

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,324
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCMAJ OpenMême sujetAntibiotic Use and ResistanceTravaux en français237 207