Establishment of a risk prediction model for peripherally inserted central catheter‐related bloodstream infections based on a systematic review and meta‐analysis of 20 cohorts
Notice bibliographique
Résumé
BACKGROUND: Peripherally inserted central catheters (PICCs) are commonly used for extended intravenous therapy but are associated with a significant risk of bloodstream infections (BSIs), which increase morbidity and healthcare costs. AIM: The aim of this study was to identify patients at high risk of developing PICC-related bloodstream infections (PICC-RBSIs) to establish new and more specific targets for precise prevention and intervention. METHODS: A search was conducted from the earliest available record to May 2024 among the following databases: Embase, MEDLINE, Cochrane Central Register of Controlled Trials, Cumulative Index to Nursing and Allied Health Literature (CINAHL), Web of Science, Scopus, and Chinese National Knowledge Infrastructure (CNKI). Hand searching for gray literature and reference lists of included papers was also performed. We assessed the quality of the studies using the Newcastle-Ottawa Scale (NOS) checklist. Two reviewers screened all the retrieved articles, extracted the data, and critically appraised the studies. Data analysis was performed using RevMan statistical software. RESULTS: A total of 20 cohort studies involving 51,907 individuals were included in the analysis. The statistically significant risk factors identified were hospital length of stay, line type (tunneled), history of PICC placement, multiple lumens, previous infections, chemotherapy, total parenteral nutrition, hematological cancers, delays in catheter care, local signs of infection (e.g., localized rashes), previous BSIs, and diabetes mellitus. Due to high heterogeneity among studies regarding previous BSIs, this factor was excluded from the final predictive model, while all other risk factors were included. CONCLUSIONS: The present meta-analysis identified risk factors for PICC-RBSIs and developed a predictive model based on these findings, incorporating 10 risk factors that integrate both patient-specific and procedural factors. LINKING EVIDENCE TO ACTION: Integrating the risk prediction model for PICC-RBSI into clinical guidelines and training is essential. Healthcare providers should be trained to use this model to identify high-risk patients and implement preventive measures proactively. This integration could enhance personalized care, reduce infection incidence, and improve patient outcomes. Future research should update the model with new risk factors and validate its effectiveness in diverse clinical settings.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,006 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».