Outcomes of Long-Term Antibiotic Therapy for Prosthetic Joint Infection: A Cohort Study in a Canadian High-Volume Arthroplasty Center
Notice bibliographique
Résumé
Background Long-term antibiotic therapy (LAT) can be used to prevent relapse of prosthetic joint infection. Evidence on best practices for LAT is limited and conflicting. We aimed to assess total hip or knee arthroplasty revision for prosthetic joint infection for patients on LAT. Methods We identified a single-institution study cohort of patients who used oral antibiotics for longer than 90 days. We then performed a chart review to identify demographic and clinical characteristics of these patients at the index revision and the day LAT ended. We used Cox proportional hazard models to estimate the hazard ratios (HRs) of the association between these characteristics and later revision. Results Our study cohort consisted of 85 patients (87 joints), 60% were male; median age was 65 years, and median body mass index was 32 kg/m 2 . One-third of infections were caused by staphylococci and one-third were culture-negative. Above-median (≥30 mg/L) preoperative C-reactive protein was associated with a higher risk of subsequent revision, HR=4.5 (95% confidence interval 1.1-18.8). Staphylococcus aureus infection (compared to other staphylococcal infections) did not seem to be associated with an increased risk of revision, HR=1.3 (95% confidence interval 0.3-6.4). LAT ended for 70% of patients; we identified no specific risk factors for post-LAT revision. Conclusions Elevated C-reactive protein levels seem to be consistently associated with an increased risk of re-revision. We could not assess whether there is a threshold above which patients are at increased risk. Other factors, for example, increased age, may play a role, but we were unable to rule definitively on these factors.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».