Utilization of Blood Culture in South Asia for the Diagnosis and Treatment of Febrile Illness
Notice bibliographique
Résumé
Abstract Background Blood culture is the current standard for diagnosing bacteremic illnesses, yet it is not clear how physicians in many low- and middle-income countries utilize blood culture for diagnostic purposes and to inform treatment decisions. Methods We screened suspected enteric fever cases from 6 hospitals in Bangladesh, Nepal, and Pakistan, and enrolled patients if blood culture was prescribed by the treating physician. We used generalized additive regression models to analyze the probability of receiving blood culture by age, and linear regression models to analyze changes by month to the proportion of febrile cases prescribed a blood culture compared with the burden of febrile illness, stratified by hospital. We used logistic regression to analyze predictors for receiving antibiotics empirically. We descriptively reviewed changes in antibiotic therapy by susceptibility patterns and coverage, stratified by country. Results We screened 30 809 outpatients resulting in 1819 enteric fever cases; 1935 additional cases were enrolled from other hospital locations. Younger outpatients were less likely to receive a blood culture. The association between the number of febrile outpatients and the proportion prescribed blood culture varied by hospital. Antibiotics prescribed empirically were associated with severity and provisional diagnoses, but 31% (1147/3754) of enteric fever cases were not covered by initial therapy; this was highest in Pakistan (50%) as many isolates were resistant to cephalosporins, which were commonly prescribed empirically. Conclusions Understanding hospital-level communication between laboratories and physicians may improve patient care and timeliness of appropriate antibiotics, which is important considering the rise of antimicrobial resistance.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».