The Incidence of Prosthetic Hip and Knee Joint Infections in Ontario and Risk Factors for Treatment Failure
Notice bibliographique
Résumé
Deep periprosthetic hip and knee joint infections (PJI) are a feared complication of primary arthroplasty and are associated with substantial morbidity. Linked health administrative databases are the mainstay of studying PJIs in Ontario while a detailed retrospective cohort is needed to understand risk factors predictive of treatment failure. The aims of this thesis were to evaluate PJI detection algorithms in administrative databases, describe the incidence and trends of PJIs in Ontario and describe characteristics associated with treatment failure.In the first study, we describe the performance characteristics of algorithms of diagnosis and procedure codes for detecting PJIs, demonstrating that the combination of a PJI diagnosis code along with a procedure code for an arthroplasty in conjunction with the code for a peripherally inserted central catheter had a sensitivity of 0.92 (95% CI 0.88-0.94) and positive predictive value of 0.78 (95% CI 0.74-0.82). This PJI detection algorithm was used to identify the incidence of PJIs in a large cohort using administrative databases. Of the 504,322 primary hip and knee joint replacements performed from 2003-2016, there were 7331 PJIs, with a cumulative incidence at 1-year of 0.97% (95% CI 0.92-1.01%) for hips and 0.76% (95% CI 0.73-0.79%) for knees. To assess for characteristics associated with PJI treatment failure, a retrospective cohort of 533 individuals with a PJI where prosthesis removal occurred was created. By two years 25% had experienced failure with liver disease (adjusted hazard ratio (aHR) 3.12, 95% CI 2.09-4.66), presence of a sinus tract (aHR 1.53, 95% CI 1.12-2.10), preceding debridement with prosthesis retention (aHR 1.68, 95% CI 1.13-2.51), a one-stage procedure (aHR 1.72, 95% CI 1.28-2.32), and infection with Gram-negative bacilli (aHR 1.35, 95% CI 1.04-1.76) associated with failure. The majority of recurrent PJIs (53%, 56/105) were caused by a different bacterial species. We designed an algorithm that maximizes the identification of PJIs in administrative databases, which was used to demonstrate that PJIs are increasing over time. Failing to cure a PJI is common and most risk factors are not easily modifiable, which should spur the development of novel treatment paradigms. PJIs cause considerable morbidity and attention needs to be directed toward understanding why these infections occur.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».