Surgical Site Infections During the Pandemic: The Impact of the “COVID Bundle”
Notice bibliographique
Résumé
BACKGROUND: A reduction in surgical site infections (SSIs) has been reported in several discrete patient populations during the COVID-19 pandemic. Herein, this study evaluates the impact of the COVID-19 pandemic on SSI in a large patient cohort incorporating multiple surgical disciplines. We hypothesize that enhanced infection control and heightened awareness of such measures is analogous to an SSI care bundle, the hypothetical "COVID bundle", and may impact SSI rates. METHOD: Data collected for the American College of Surgeons National Surgical Quality Improvement Program between January 1, 2015, and April 1, 2021, were retrospectively analyzed. SSI rates were compared among time-dependent patient cohorts: Cohort A (pre-pandemic, N = 24,060, 87%) and Cohort B (pandemic, N = 3698, 13%). Time series and multivariable analyses predicted pre-pandemic and pandemic SSI trends and tested for association with timing of surgery. RESULTS: The overall SSI incidence was reduced in Cohort B versus Cohort A (2.8% vs. 4.5%, p < 0.001). Multivariable analysis indicated a downward SSI trend before pandemic onset (IRR 0.997, 95% CI 0.994, 1). At pandemic onset, the trend reduced by a relative factor of 39% (IRR 0.601, 95% CI 0.338, 1.069). SSI then trended upward during the pandemic (IRR 1.035, 95% CI 0.965, 1.111). SSI rates significantly trended downward in general surgical patients at pandemic onset (IRR 0.572, 95% CI 0.353, 0.928). CONCLUSION: Although overall SSI incidence was reduced during the pandemic, a statistically significant decrease in the predicted SSI rate only occurred in general surgical patients at pandemic onset. This trend may suggest a positive impact of the "COVID bundle" on SSI rates in these patients.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».