A cluster randomized trial assessing the impact of personalized prescribing feedback on antibiotic prescribing for uncomplicated acute cystitis to family physicians
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the impact of personalized prescribing portraits on antibiotic prescribing for treating uncomplicated acute cystitis (UAC) by Family Physicians (FPs). DESIGN: Cluster randomized control trial. SETTING: The intervention was conducted in the primary care setting in the province of BC between December 2010 and February 2012. PARTICIPANTS: We randomized 4 833 FPs by geographic location into an Early intervention arm (n = 2 417) and a Delayed control arm (n = 2 416). INTERVENTION: The Education for Quality Improvement in Patient Care (EQIP) program mailed to each FP in BC, a 'portrait' of their individual prescribing of antibiotics to women with UAC, plus therapeutic recommendations and a chart of trends in antibiotic resistance. MAIN OUTCOME MEASURES: Antibiotic prescribing preference to treat UAC. RESULTS: Implementing exclusion criteria before and after a data system change in the Ministry of Health caused the arms to be unequal in size-intervention arm (1 026 FPs, 17 637 UAC cases); control arm (1 352 FPs, 25 566 UAC cases)-but they were well balanced by age, sex and prior rates of prescribing antibiotics for UAC. In the early intervention group probability of prescribing nitrofurantoin increased from 28% in 2010 to 38% in 2011, a difference of 9.9% (95% confidence interval [CI], 9.1% to 10.7. Ciprofloxacin decreased by 6.2% (95% CI: 5.6% to 6.9%) and TMP-SMX by 3.7% (95% CI: 3.1% to 4.2%). Among 295 FPs who completed reflective surveys, 52% said they were surprized by the E. coli resistance statistics and 57% said they planned to change their treatment of UAC. CONCLUSION: The EQIP intervention demonstrated that feedback of personal data to FPs on their prescribing, plus population data on antibiotic resistance, with a simple therapeutic recommendation, can significantly improve prescribing of antibiotics. Trial registration: ISRCTN 16938907.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».