The effect of a GP’s perception of a patient request for antibiotics on antibiotic prescribing for respiratory tract infections: secondary analysis of a point-prevalence audit survey in 18 European countries
Notice bibliographique
Résumé
BACKGROUND: Illness severity, comorbidity, fever, age, and symptom duration influence antibiotic prescribing for respiratory tract infections (RTI). Non-medical determinants, such as patient expectations, also impact prescribing. AIM: To quantify the effect of a GP's perception of a patient request for antibiotics on antibiotic prescribing for RTI and investigate effect modification by medical determinants and country. DESIGN & SETTING: Prospective audit of general practices in 18 European countries. METHOD: Consultation data were registered of 4982 patients presenting with acute cough and/or sore throat. A mixed-effect logistic regression model analysed the effect of GPs' perceptions of a patient request for antibiotics. Two-way interaction terms assessed effect modification. Relevant clinical findings were added to subgroups of lower RTI (LRTI), throat infection, and influenza-like-illness (ILI). RESULTS: A GP's perception of a request for antibiotics meant they were four times more likely to prescribe antibiotics (odds ratio [OR] 4.4, 95% confidence interval [CI] = 3.4 to 5.5). This effect varied by country: lower in Spain (OR 0.06), Ukraine (OR 0.15), and Greece (OR 0.22) compared with the lowest prescribing country. The effect was higher for ILI (OR 13.86, 95% CI = 5.5 to 35) and throat infection (OR 5.1, 95% CI = 3.1 to 8.4) than for LRTI (OR 2.9, 95% CI = 1.9 to 4.3). For ILI and LRTI, GPs were more likely to prescribe antibiotics with abnormal lung auscultation and/or increased or purulent sputum and for throat infection, with tonsillar exudate and/or swollen tonsils. CONCLUSION: GPs' perceptions of an antibiotic request and specific clinical findings influence antibiotic prescribing. Incorporating exploration of patient expectations, point-of-care testing, and discussing watchful waiting into the decision-making process will benefit appropriate prescribing of antibiotics.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».