Antibiotic prescribing trends among Iranian GPs during COVID-19: a longitudinal analysis of antimicrobial resistance risks
Notice bibliographique
Résumé
BACKGROUND: Antimicrobial resistance (AMR) is a major global health threat, exacerbated by inappropriate antibiotic use. The COVID-19 pandemic disrupted prescribing behaviors worldwide. No previous study has comprehensively analyzed longitudinal antibiotic prescribing trends among Iranian general practitioners (GPs) across pre-, during-, and post-COVID periods. This study addresses this gap by examining 1,431,004 prescriptions from 73 GPs in Iran. METHODS: We conducted a retrospective cohort analysis using anonymized data from Iran’s National Hospital Information System (HIS), focusing on a central public clinic (representing ~ 7% of national GP prescriptions). Three periods were analyzed: pre-COVID (January 2019–December 2019), COVID (January 2020–May 2021), and post-COVID (June 2021–May 2022). Descriptive and inferential statistics (chi-square, Poisson regression, ANOVA) were used; p < 0.05 was considered significant. RESULTS: Antibiotic prescriptions rose from 107,365 (pre-COVID) to 200,433 (COVID), an 87% increase (95% CI: 82–92%; p < 0.001). Post-COVID, prescribing remained elevated (208,040; 94% above baseline). The antibiotic-to-total drug ratio doubled during COVID (7.6% to 14.4%, p < 0.001). Azithromycin use surged by 120% (p < 0.001), mainly for respiratory infections per national guidelines. Injectable penicillin G prescriptions dropped by 100% post-pandemic. Prescriptions per GP fell during COVID but rebounded after. CONCLUSIONS: The sustained rise in broad-spectrum antibiotic prescribing by Iranian GPs during and after COVID-19 is likely to accelerate AMR in Iran. Urgent, locally tailored stewardship programs, GP education, and expanded rapid diagnostic testing are needed to curb unnecessary prescribing and protect public health.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».