A műtéti sebfertőzések helyzete Szabolcs-Szatmár-Bereg megye kórházaiban
Bibliographic record
Abstract
Az egészségügyi ellátással összefüggő kórházi fertőzések jelentőségére már Semmelweis Ignácz munkássága ráirányította a figyelmet. A kórházi fertőzések arányát 5-10%- ra becsülik, melynek kialakulása esetén az ápolási napok száma és az egészségügyi kiadások jelentős mértékben megnövekednek. \nA kórházi fertőzések megelőzésében mérföldkövet jelentett az Egyesült Államok Betegségmegelőzési és Járványügyi Központ (Centers for Disease Control and Prevention, CDC) Kórházi fertőzések programja, melynek keretében az 1970-es években \nsurveillance-ot dolgoztak ki és működtettek a kórházi fertőzésekre vonatkozóan. E program eredményeként születtek meg az aktív fekvőbetegellátó intézményekben keletkező \nkórházi fertőzések definíciói, a standard adatgyűjtés módszertana, az adatelemzés eljárásai és az interhospitalis - később internacionális - összehasonlítást lehetővé tevő \neredményindikátorok. \nAz Európai Betegségmegelőzési és Járványügyi Központ (European Center for Disease Control and Prevention, ECDC) a CDC által kidolgozottak figyelembe vétele mellett a \nTESSy keretében működteti az Európai Unió tagállamai nosocomialis fertőzések felügyeletét biztosító monitor rendszereket. Hazánkban a Nemzeti Nosocomialis Surveillance (NNSR) rendszer kialakításával 2004-től kezdődött meg a kórházi fertőzések monitorozása. Az NNSR keretében a kórházi fertőzések felügyelete kötelező és választható modulokban történik. \nDolgozatomban a választható modulok közül a műtéti sebfertőzések helyzetét elemeztem Szabolcs-Szatmár-Bereg megye három kórházában 2005-2012 években. Az 5771 műtétet követő sebfertőzési arány 2,8% volt. A hat leggyakoribb műtéti típus sebfertőzési arányai közül a legmagasabb sebfertőzési arány (6,6%) vastagbél műtéteknél, a legalacsonyabb a sérvműtéteknél volt megfigyelhető (1,0%). A CDC által meghatározott rizikóindex a vastagbél és vakbélműtétek esetén volt magasabb. \nA vizsgált műtéti típusoknál a sebfertőzések az átlagos ápolási időtartam medián értékét 2-4-szer meghaladták. \nA sebfertőzések jelentős része felületes fertőzés volt, azonban három műtéti kategória/típus esetén viszonylag magas volt a mély és a szervi/üregi fertőzések aránya. Az izolált \nkórokozók között a Gram- és a Gram+ kórokozók közel hasonló arányban fordultak elő. \nA sebfertőzések rizikófaktorainak többváltozós logisztikus regressziós elemzése egyértelműen szignifikáns összefüggést mutatott a műtétet követő sebfertőzés kialakulásával.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".