Améliorer la surveillance des infections associées aux soins de santé au Canada
Bibliographic record
Abstract
Les personnes qui reçoivent des soins de santé ne devraient pas craindre d’être infectées pendant ce processus. Pourtant, c’est malheureusement une réalité trop fréquente : les infections nosocomiales sont la principale cause d’effets indésirables liés aux soins de santé. Chaque année, des millions de personnes en sont victimes. Ces infections entraînent des conséquences graves, tant en termes de morbidité et de mortalité qu’en termes de coûts financiers considérables. Pour aggraver la situation, de nombreux micro-organismes multirésistants jouent un rôle important dans ces infections. La surveillance active est un moyen clé de prévenir les infections nosocomiales. Qu’il s’agisse de comprendre ce qui se passe dans les établissements de santé, d’identifier des tendances émergentes ou de détecter et prévenir des épidémies, son rôle est crucial. D’ailleurs, la plupart des pays disposent d’un ou plusieurs programmes de surveillance des infections nosocomiales. Ce sujet sera exploré dans ce document. L’objectif de cette thèse était de déterminer s’il est possible d’améliorer la surveillance des infections associées aux soins de santé au Canada. Comme première étape, nous avons d’abord mené un scoping review pour examiner les pratiques dans les pays à revenu élevé de quatre régions du monde : les États-Unis, l’Angleterre l’Europe et l’Australie. En nous concentrant sur les mécanismes des programmes de surveillance, nous avons constaté que de nombreux pays disposaient d’un système fédéral de surveillance des infections nosocomiales (28 sur 35 étudiés), dont la majorité étaient basés sur une participation volontaire. Les principales infections surveillées incluaient les infections à Clostridioides difficile (ICD), ainsi que les infections liées aux chirurgies des genoux, des hanches et des césariennes. Nous avons eu la chance de discuter avec des professionnels de la santé lors de diverses occasions. Ces échanges ont révélé une réelle volonté de participer à un système de surveillance pancanadien et la reconnaissance de nombreux avantages potentiels. Toutefois, deux défis majeurs ont été identifiés : l’augmentation de la charge de travail (notamment en raison du dédoublement des définitions de cas) et des enjeux politiques liés au partage de données sensibles. Depuis 2022, le Programme canadien de surveillance des infections nosocomiales (PCSIN) permet de participer à une surveillance via un système de données simplifiées (minimal dataset). Ce mode de surveillance diminue les enjeux liés au partage de données sensibles, car seules les données agrégées (nombre de cas et jours-présence) sont partagées. Pour répondre au problème du dédoublement du travail, nous avons mené un test de concordance entre les définitions de cas provinciales et celles du PCSIN. L’hypothèse était que, si les définitions étaient comparables, les provinces pourraient continuer à utiliser leurs propres définitions tout en participant à la surveillance pancanadienne. Nous avons identifié neuf éléments discordants pour les définitions des ICD et sept pour celles des infections à Staphylococcus aureus résistant à la méthicilline (SARM). À l’aide de bases de données provenant de deux hôpitaux québécois, nous avons catégorisé chacun des patients s’ils répondaient aux définitions de cas de chaque province et du PCSIN. Finalement, nous avons testé la concordance pour ces deux types d’infections. La raison de choix est qu’elles sont les plus surveillées dans les provinces canadiennes. Dans les deux cas, la concordance obtenue était presque parfaite. Finalement, nous avons évalué l’impact des différences dans les définitions de cas grâce à des simulations paramétriques. À partir des éléments discordants identifiés dans les analyses précédentes, nous avons utilisé un modèle multivarié de Bernoulli pour générer des cohortes en conservant les relations entre les éléments et les proportions attendues. Dans l’analyse de référence, deux provinces présentaient des proportions de cas nosocomiaux différentes de celles du PCSIN : l’Ontario pour le SARM et Terre-Neuve-et-Labrador pour les ICD. Nous avons ensuite fait varier, dans chaque simulation, les proportions de chaque élément (individuellement ou par groupe pour des analyses provinciales) de 5 % à 95 %, par bonds de 5 %. Les résultats ont montré que, malgré des différences dans les définitions de cas, il est possible d’obtenir des comparaisons valides pour plusieurs provinces dans de nombreux scénarios.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".