Local antibiotic resistance surveillance in nursing homes using lot quality assurance sampling: a feasibility study
Notice bibliographique
Résumé
OBJECTIVES: To assess the feasibility of lot quality assurance sampling (LQAS) for defining high prevalence of antibiotic-resistant (ABR) uropathogens in Dutch nursing homes. METHODS: In this cross-sectional study, we constructed 'lots' of residents with urinary tract infections (UTIs) across three Dutch nursing home organizations (21 locations, 2095 beds) between February and July 2023. Resistance thresholds for common antibiotics used in empirical antibiotic therapy (EAT) were set at 20% (upper) and 5% (lower). Per organization ≥44 strains of E. coli/Klebsiella spp. were consecutively sampled; ≥ 5 resistant strains indicated 'high' ABR prevalence. Aggregate data were used in an adapted, meta-regression model to identify structural ABR determinants. Three multidisciplinary focus groups were conducted to identify implementation requirements for LQAS-based ABR surveillance. RESULTS: From 298 urine specimens 132 E. coli/Klebsiella strains were identified. Across all three organizations, amoxicillin-clavulanic acid (first-choice EAT for pyelonephritis) was classified as 'high', while seven other antibiotics, including three EAT agents, had varying classifications. Higher ABR was associated with higher proportions of rehabilitation/short-stay care beds, higher number of shared bathrooms, higher hospital admission rates and higher antibiotic usage. Focus groups revealed that defining a ABR upper threshold for LQAS was difficult, that multiple factors influenced the choice of EAT (e.g. side effects), and that the role of ABR prevalence in EAT-related decision making was unclear. CONCLUSIONS: Using LQAS to classify E. coli/Klebsiella ABR in nursing homes was feasible within 4 months. To effectively inform local EAT, consensus is needed on the threshold of maximum acceptable level of ABR.
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 | 0,025 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».