Lessons from the field: Supporting infection prevention and control and antimicrobial stewardship in Amman, Jordan
Notice bibliographique
Résumé
BACKGROUND: To reduce antimicrobial resistance (AMR), appropriate antimicrobial prescribing is critical. In conjunction with Infection Prevention & Control (IPC) programs, Antimicrobial Stewardship Programs (ASP) have been shown to improve prescribing practices and patient outcomes. Low- and middle-income countries (LMIC) face challenges related to inadequate ASP policies and guidelines at both the national and healthcare facility (HCF) levels. METHODS: To address this challenge, the World Health Organization (WHO) created a policy guidance and practical toolkit for implementation of ASPs in LMIC. We utilized this document to support a situational analysis and two-day ASP-focused workshop. In follow-up, we invited these attendees, additional HCF and hospital directors to attend a workshop focused on the benefits of supporting these programs. RESULTS: Over the course of a total three days, we recruited hospital directors, ASP team members, and IPC officers from fifteen different healthcare facilities in Jordan. We describe the courses and coordination, feedback from participants, and lessons learned for future implementation. CONCLUSIONS: Future efforts will include more time for panel-type discussion. which will assist in further delineating enablers and barriers. Also planned is a total three-day workshop; with the first two days being with ASP/IPC teams, and the final third day being with hospital directors and leadership. The WHO policy guidance and toolkit are useful tools to address overuse of antimicrobial agents. Strong leadership support is needed for successful implementation of ASP and IPC. Discussions on quality/safety, as well as cost analyses, are important to generate interest of stakeholders.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».