MétaCan
Menu
Retour à la cohorte
Enregistrement W4414083604 · doi:10.1017/ice.2025.75

The life cycle of infection prevention and antimicrobial stewardship projects and interventions: the dynamic interplay of implementation and de-implementation science (Part I of II)

2025· article· en· W4414083604 sur OpenAlexaff
Westyn Branch‐Elliman, David Chambers, Owen Albin, Lynne Jones Batshon, Sandra Castejón-Ramírez, Vincent Chi‐Chung Cheng, Nkechi Emetuche, Rupak Datta, Mini Kamboj, Sarah L. Krein, Milner Staub, Samira Reyes Dassum, Barry Rittmann, Felicia Scaggs Huang, Pranavi Sreeramoju, Stephanie Stroever, Geehan Suleyman, Joseph Ting, Lucy S Witt, Matthew J. Ziegler, Jennie H. Kwon

Notice bibliographique

RevueInfection Control and Hospital Epidemiology · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensUniversity of Alberta
Organismes subventionnairesU.S. Department of Veterans Affairs
Mots-clésAntimicrobial stewardshipStewardship (theology)DiscontinuationBest practiceInfection controlHealth careWhite paper

Résumé

récupéré en direct d'OpenAlex

Abstract In Antimicrobial Stewardship and Infection Prevention and Control, programmatic goals often strive to achieve clinical benefit by practice change in the direction of doing less. Practically, this may include reducing the number of tests ordered, encouraging shorter and more narrow courses of antimicrobials, or discontinuing practices that are no longer contextually appropriate. Because promoting practice change in the direction of doing less is a critical aspect of day-to-day operations in Antimicrobial Stewardship and Infection Prevention and Control, the goals of this Society for Healthcare Epidemiology Research Committee White Paper are to provide a roadmap and framework for leveraging principles of implementation and de-implementation science in day-to-day practice. Part II of this series focuses on some practical case studies, including real-world examples of applied de-implementation science to promote discontinuation of practices that are ineffective, overused, or no longer effective.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,828

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,145
Tête enseignante GPT0,596
Écart entre enseignants0,452 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInfection Control and Hospital EpidemiologyMême sujetHealth Policy Implementation ScienceTravaux en français237 207