How data visualisation using historical medical journals can contribute to current debates around antibiotic use and antimicrobial resistance in primary care
Notice bibliographique
Résumé
Background The early years of antibiotic use in primary care (c1950-1969) has received little attention. Medical journals provide a rich source for studying historic healthcare practitioners’ views and interests, with the potential to inform contemporary debate around issues of overuse and antimicrobial resistance. Aims Pilot study to test the application of digital methods to interrogate historical medical journal data in relation to antibiotic use. Methods / Approach Meta-data and scanned articles were extracted from the online British Journal of General Practice (BJGP) archive from inception (1953) to 1969. Searchable text was generated using an application called ABBYY optical character recognition, and Python used to generate data visualisations exploring (1) how BJGP changed during the period, (2) mentions of terms ‘antibiotic(s)’, ‘penicillin’, ‘resistance/resistant’ and mapping when and where they occurred. Results / Evaluation From 1953-1969, BJGP expanded in terms of number of annual issues (4 to 17) and annual pages (<25 to >1100). Heatmap visualisations were used to facilitate understanding of the frequency with which use of the term ‘antibiotic(s)’ occurred. By 1969 an article mentioning ‘antibiotic(s)’ was published monthly. Bigram searches found ‘treatment’ and ‘therapy’ to be the two most common terms that appeared with ‘antibiotic(s)’. The fourth and seventh most common terms were ‘resistant’ (first appearing in 1955) and ‘resistance’ (1962). Conclusions This pilot work shows that primary care publications increased considerably between 1953-1969. Articles on antibiotics featured frequently in relation to therapeutic intervention, and concerns around resistance occurred at an early stage. This approach provides new insights into how attitudes and behaviours around antibiotic use by primary care have evolved over time. It may also have the potential to inform study of the future use of antibiotics in primary care.
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 | 0,033 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,035 | 0,027 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,023 | 0,021 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,004 |
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 ».