Nationwide Standardized Peritonitis Reporting: Preliminary Results from the Optimizing the Prevention of Peritoneal Dialysis-Associated Peritonitis in the United States (OPPUS) Study
Notice bibliographique
Résumé
Background: Peritoneal Dialysis (PD) associated peritonitis is the leading cause of transfer to hemodialysis (HD) in the US. No formal mechanism or surveillance system exists for nationwide peritonitis reporting. Our primary aim was to develop a uniform widescale peritonitis reporting mechanism and evaluate its implementation via a one-year pilot study. Methods: Following literature review, stakeholder consultation, and ISPD guidelines review, a web-based peritonitis tracker tool (OPPUS-Link) was developed. Pilot sites for one-year data collection were selected based on geography and reported peritonitis rates, including 3 medium-large dialysis organizations. We provided formal training, central data review, and adjudication of all peritonitis episodes and outcomes. Results: Initial data for 31/64 participating facilities includes 86 peritonitis episodes (rate of 0.26 episodes/year [326 patient years of follow-up]). PD catheter removal and hospitalization occurred in 14% and 41% of episodes respectively (see table). Ongoing challenges include high rates of culture-negative peritonitis (24% overall) and data retrieval for peritonitis episodes occurring during hospitalization. Conclusions: Standardized, uniform peritonitis reporting is feasible, a first step in national PD-peritonitis surveillance, allowing for benchmarking, outbreak identification, and quality improvement initiative implementation. Further data validation is necessary and integrating routine peritonitis reporting in electronic health records with an overall goal of peritonitis reduction and improved outcomes for PD patients. Funding: Other NIH Support - AHRQ - Preliminary results for 31/64 clinics Measure/variable Total Total patient follow-up (patient-years) 325.8 Total peritonitis episodesreported*, no. 86 Peritonitis eplsode count (rate/patient-year) by organism type: Gram-positive 46 (0.14) Gram-negative 9 (0.03) Culture-negative 21 (0.06) Polymicrobial 6 (0.02) Polymicrobial 6 (0.02) Polymicrobial 6 (0.02) Yeast 3 (0.01) Unknown to clinic 1 (0.00) Peritonitisepisodes after catheter insertion, but prlor to or during PO training, no. 0 Patients with 1 periton it is episode, no. 72 Patients with 2 periton it is episodes, no. 7 Peritonitis rate, overall, event per patient-year 0.26 Peritonitis episodes associated with a hospitalization, no. (%) 35 (40.7%) Hospitalizations with pre-existing pentonitis, (%) 85.1% Peritonitis acquired in hospital [>24 hrs post-admission], (%) 14.9% Peritonitis episodes associated with death (with in 60 days), no. (%) 2 (2.3%) Peritonitis episodes in which PD catheter was removed, no. (%) 12 (14.0%) Peritonitis episodes associated with HD transfers, no. (%) 10 (11.6%) Permanent HD transfer (%) 9.3% Temporary HD transfer (%) 2.3% *Total peritonitis episodesreported, excluding relapse episodes.
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 | 0,047 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».