Use of antibiograms and changes in bacterial resistance patterns in the Ross Tilley Burn Centre
Notice bibliographique
Résumé
Infection is a leading cause of death in burn patients and increasing antimicrobial resistance has made management difficult. Antibiograms are a useful tool to guide empiric treatment of infections, however, inappropriate prescribing may influence resistance. The objective of this study is to describe trends in antibiotic susceptibilities and use in a Canadian burn population pre- (PrA) and post-introduction (PoA) of antibiograms. We performed a retrospective review of patients admitted to an ABA-verified Burn Centre for two years pre- (2013-2014) and post-introduction (2016-2017) of institutional antibiograms receiving empiric broad-spectrum antibiotics (meropenem, piperacillin-tazobactam, and/or vancomycin). A total of 864 patients were admitted during the study period with 257 patients PrA and 239 patients PoA included. Average age, % total body surface area (%TBSA), and length of stay were similar between cohorts. Administration of empiric meropenem increased (43.2% vs. 56.8%) and piperacillin-tazobactam decreased (60.6% vs. 39.4%), which was significant (p=0.002). There was a significant decrease in the overall use of empiric antibiotics (p=0.002) and sepsis (p=0.008) since the inception of antibiograms. There was no significant difference in use of targeted antibiotics pre- or post-antibiogram introduction. Our study demonstrates that since the introduction of antibiograms, there has been a decrease in overall use of empiric antibiotics, a significant decrease in administration of piperacillin-tazobactam, and improvement in sepsis rates. However, these antibiotics were not routinely targeted to the appropriate organism and therefore may contribute to multi-drug resistant organisms in a burn population.
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 | 0,000 | 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 ».