TRENDS IN THE MICRO-ORGANISM PROFILES OF PERIPROSTHETIC JOINT INFECTION SINCE THE START OF THE 21ST CENTURY: A RETROSPECTIVE DATABASE STUDY
Notice bibliographique
Résumé
Periprosthetic joint infection (PJI) is a catastrophic complication following total joint arthroplasty (TJA), with an incidence ranging from 1% to 2% in primary procedures. Despite various prevention strategies, the management of PJI remains challenging, leading to significant revision surgeries. Identifying the causative microorganism is crucial for effective treatment, but limited research exists on the temporal changes in microbial profiles of PJIs. This retrospective cohort study analyzed septic exchange hip and knee arthroplasty cases at a high-volume tertiary infection referral center in Europe between 2001 and 2022. PJI cases were identified using the institution's electronic joint infection database. Patients’ demographics, culture results, CRP values, and antibiotic sensitivity were collected. Among 2,392 patients with infected hips (60.7%) and knees (39.3%), Staphylococcus was the most common causative organism (60.6%), followed by Streptococcus (10.9%) and Enterococcus (7.8%). Gram-negative organisms accounted for 4.7% of cases, with fluctuating rates over time. Culture-negative cases comprised 10.6% of all infections. Polymicrobial infections increased over the study period, reaching almost 40% in 2022. Rates of difficult-to-treat bacteria rose significantly from 22.8% in 2017 to 53.0% in 2022, with methicillin-resistant Staphylococcus aureus being the most common resistant organism. The rise in resistant organisms and polymicrobial infections poses challenges in managing PJI. Improved diagnostic techniques, such as next-generation sequencing, may aid in identifying culture-negative cases and refining PJI management strategies. Effective antimicrobial stewardship is essential to combat growing antibiotic resistance in PJI.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».