Menu

Maria Selma Restaurant

Surveillance automatisée des infections associées aux soins de santé: possibilités d’amélioration

La surveillance des infections nosocomiales est la pierre angulaire des programmes de prévention des infections et la déclaration des taux d’infection est de plus en plus nécessaire Traditionnellement, la surveillance est basée sur un examen manuel des dossiers médicaux; Les systèmes de surveillance électronique existants basés sur des algorithmes de classification utilisant des résultats de microbiologie, des données d’utilisation d’antibiotiques et / ou des codes de décharge ont augmenté l’efficacité et l’exhaustivité de la surveillance en présélectionnant des patients à haut risque pour un examen manuel. Le passage à la surveillance électronique à l’aide de modèles de prédiction multivariés basés sur les données cliniques disponibles permettra une détection encore plus efficace des infections. Avec les progrès constants des technologies de l’information médicale, la mise en œuvre de ces derniers deviendra de plus en plus faisable. des défis subsistent, tels que l’exhaustivité de la surveillance après l’évacuation et un ajustement adéquat des caractéristiques sous-jacentes des patients, en particulier pour la comparaison des taux d’infection associés aux soins de santé entre les établissements

Infections liées aux soins de santé, surveillance, prédiction, électronique, méthodologieInfections liées aux soins de santé Les IAS représentent un fardeau considérable pour les soins médicaux dans le monde Environ un million de personnes développent une IAS dans les hôpitaux américains chaque année et% des patients admis dans les hôpitaux européens sont touchés par une infection. Au cours des dernières décennies, les IASS ont souvent été considérées comme des complications évitables des soins médicaux, et la déclaration des taux d’infection est devenue de plus en plus importante non seulement pour les prestataires de soins, mais aussi pour les payeurs et le public. les programmes de performance et les rapports publics obligatoires ont augmenté l’impact potentiel des taux de HAI sur le remboursement des soins de santé et l’opinion publique Compte tenu des conséquences anticipées des taux déclarés d’IAS, la précision des résultats de surveillance est plus préoccupante que jamais. des taux de HAI a été la pierre angulaire des programmes de prévention des infections depuis Les programmes de surveillance exigent des taux fiables de HAI, délivrés en temps opportun et aussi efficacement que possible Traditionnellement, les professionnels de la lutte contre les infections examinent manuellement les dossiers médicaux de tous les patients à risque pour les cas spécifiés. L’IHA ou la surveillance prospective des patients hospitalisés Cependant, cette méthode nécessite beaucoup de ressources et ne peut donc être appliquée qu’à des populations de patients limitées. De plus, les définitions de cas laissent généralement place à une interprétation subjective et l’exhaustivité de l’enquête dépend des efforts déployés par les enquêteurs. Par exemple, la recherche de cas limitée à une seule source de résultats de microbiologie de l’information, les prescriptions d’antibiotiques peuvent conduire à une sous-déclaration , tout comme l’application plus approfondie des définitions de cas Ces inconvénients de la surveillance HAI traditionnelle Les méthodes de surveillance ont conduit à des initiatives pour soutenir ou remplacer la surveillance manuelle, de manière prospective ou rétrospective, par la collecte automatisée de données à partir des dossiers médicaux électroniques des résultats de microbiologie ou de distribution d’antibiotiques et / ou de données administratives. faible probabilité d’avoir développé une IAS pour limiter l’examen manuel des dossiers aux patients à risque élevé; Ces systèmes électroniques peuvent être divisés en catégories Tableau: algorithmes de classification qui sélectionnent les patients à risque élevé en fonction de la présence d’indicateurs d’infection et de modèles de régression multivariés qui combinent des indicateurs de infection dans une formule pondérée pour identifier les patients à haut risque

Algorithme de classification Nombre limité de sources de données électroniques dans un algorithme de classification non pondérée avec des étapes de décision dichotomiques consécutives pour identifier les patients à haut risque pour un examen médical manuel. records reviewa Modèle de régression multivariée Sources de données électroniques dans une régression multivariée pondérée, ou prédiction, modèle pour classer les patients comme présentant un risque faible ou élevé suivi d’un examen manuel des patients à haut risqueb Méthode Méthode Surveillance traditionnelle des dossiers médicaux de tous les patients à risque Algorithme de classification Nombre limité de sources de données électroniques dans l’algorithme de classification non pondérée avec des étapes de décision dichotomiques consécutives pour identifier les patients à haut risque pour une révision manuelle des dossiers médicaux Multivariab Modèle de régression Sources de données électroniques dans un modèle de régression multivariée pondérée, ou de prédiction, pour classer les patients comme présentant un risque faible ou élevé suivi d’un examen manuel des patients à haut risqueb a Voir Figure Ab Voir Figure B Les modèles de régression peuvent également être utilisés Dans cette revue, nous verrons que les systèmes de surveillance électronique existants basés sur des algorithmes de classification constituent une amélioration par rapport à la surveillance manuelle, mais que des limites subsistent en ce qui concerne l’équilibre entre la complétude de la sensibilité et l’efficacité de la recherche de cas. les modèles de prédiction multivariée, qui n’ont trouvé jusqu’ici que peu d’applications dans ce contexte, répondent à ces limites et peuvent générer les taux d’infection de haute qualité requis pour les rapports publics et la recherche sur le contrôle des infections

ALGORITHMES DE CLASSIFICATION

Les systèmes de surveillance électronique basés sur des algorithmes de classification sont analogues à un arbre de classification qui classe les patients comme présentant un risque faible ou élevé d’avoir eu une infection basée sur plusieurs étapes de décision dichotomiques oui / non consécutives. Indicateur dichotomique de HAI par exemple, résultats positifs de culture de microbiologie du site d’infection ciblé Dans chaque étape ultérieure, la classification des patients est affinée en appliquant un nouvel « indicateur HAI » tel que l’intervalle post-opératoire, la présence d’un dispositif spécifique ou Les patients classés comme à haut risque après ces étapes consécutives sont ensuite sélectionnés pour subir un examen des dossiers médicaux. Figure A [,, -] Cette méthode a été appliquée le plus souvent aux infections du site opératoire des infections et des cathéters associés au cathéter. , mais aussi à la pneumonie associée au ventilateur, aux infections des voies urinaires ou à l’infec tions La plupart des algorithmes de classification utilisent des indicateurs dichotomiques de l’infection stockés dans un format structuré dans les bases de données hospitalières pour signaler les patients à haut risque; les algorithmes de classification ont également été utilisés par les payeurs, par exemple, les compagnies d’assurance pour estimer directement les taux de HAI à partir des données de sinistres sans confirmation manuelle et effectuer un classement. des fournisseurs de soins de santé

Figure Vue détailléeDétaillée schématique des structures du système de surveillance électronique Dans la surveillance traditionnelle, tous les patients subissent un examen manuel des dossiers A, Algorithme de classification où la recherche de cas repose sur la présence non pondérée de plusieurs indicateurs d’infection, suivie d’un raffinement dichotomique B, Modèle de régression où toutes les sources de données sont incluses dans l’application d’une formule de régression pondérée Tous les patients ayant une probabilité prédite d’infection au-dessus du seuil spécifié fera l’objet d’une revue manuelle des dossiers pour confirmer l’infection. Gris: HAI développé par le patient; noir: le patient n’a pas développé HAI Les sources d’informations encerclées en gris ne sont pas souvent utilisées dans le système spécifié. Les sources d’information avec des lignes pointillées sont actuellement disponibles uniquement par traitement en langage naturel Abréviations: ADT, admission, décharge et base de données de transfert; Dans la surveillance traditionnelle, tous les patients subissent un examen manuel des dossiers A, algorithme de classification où la recherche de cas est basée sur la présence non pondérée de plusieurs indicateurs d’infection suivie d’un raffinement dichotomique subséquent B, Modèle de régression où toutes les sources de données sont incluses dans l’application d’une formule de régression pondérée Tous les patients avec une probabilité prédite de l’infection au-dessus du seuil spécifié fera l’objet d’une revue manuelle des dossiers pour confirmer l’infection. Grey: HAI développée par le patient; noir: le patient n’a pas développé HAI Les sources d’informations encerclées en gris ne sont pas souvent utilisées dans le système spécifié. Les sources d’information avec des lignes pointillées sont actuellement disponibles uniquement par traitement en langage naturel Abréviations: ADT, admission, décharge et base de données de transfert; HAI, infection associée aux soins de santéComme ces algorithmes de classification visent à sélectionner, ou plutôt à exclure, les patients qui n’ont certainement pas d’infection et qui ne nécessitent pas d’examen manuel des dossiers, les caractéristiques de performance les plus importantes sont la sensibilité élevée. valeur prédictive, la probabilité que l’absence d’un drapeau par l’algorithme exclue vraiment les HAI L’efficacité du système peut être évaluée par la valeur prédictive positive, la probabilité que la présence d’un drapeau par l’algorithme représente en fait HAI, ou alternativement, le nombre d’enregistrements à évaluer manuellement pour identifier les infections nosocomiales Dans le cadre de la surveillance payante, les caractéristiques de performance importantes des algorithmes de classification sont la précision du nombre total estimé d’infections nosocomiales. niveau de groupe et précision du classement

Performance des algorithmes de classification existants

Par rapport à la surveillance manuelle, les algorithmes de classification électronique ont un rendement élevé, et certains montrent une fiabilité et une sensibilité inter-évaluateurs améliorées, peut-être en raison de la cohérence accrue de la classification des résultats de culture microbiologique et de l’introduction de stratégies plus systématiques. liste les caractéristiques de performance des algorithmes de classification pour la surveillance des HAI à partir d’études récentes et montre le gain d’efficacité atteint

Tableau Caractéristiques et performances de certains algorithmes de classification pour la détection des infections associées aux soins Étude ciblée HAI Non% HAI Définition du cas basé sur les raffinements Étapes% PPV% NNS Dossiers à revoir% Trick et al, CLABSI Patient Microbiologie hémoculture Chronométrage, autre cultures, utilisation d’antibiotiques Woeltje et al, CLABSI ICU Microbiologie culture de sang Timing, présence de CVC, autre culture, fièvre Woeltje et autres, CLABSI Inpatient non-ICU Microbiologie culture de sang Timing, présence de CVC, autre culture, fièvre Pokorny et al, un BSI, VAP, CAUTI ICU ou plus de: microbiologie, antibiotiques ou code de décharge Timing Stamm et Bettacchi, CLABSI, VAP, CAUTI HAI ICU microbiologie NIM Timing, ADT peu clair Leth et al, b UTI hospitalisé

post-décharge microbiologie et / ou antibiotique Timing SSI Inpatient

post-décharge Microbiologie et / ou code antibiotique et / ou de décharge et / ou réopération Période Bolon et al, c SSI Inpatient Exposition aux antimicrobiens, codes de diagnostic index réadmission Délai ~ – – – Yokoe et al, c SSI Inpatient Exposition aux antimicrobiens, codes de diagnostic index réadmission Song et al, SSI hospitalisé

ambulatoire Indice de diagnostic d’antibiothérapie ou de réadmission ou de suivi, suivi Période de référence NIM Timing, ADT Gerbier et coll., SSI Inpatient Exposition aux antimicrobiens Période de référence Microbiologie Période Code de décharge Durée Combinaison de l’étude de temps ciblée HAI Non% HAI Setting Case Finding Basé sur le raffinement Étapes% PPV% NNS Dossiers à examiner% Trick et autres, CLABSI Patient Microbiologie hémoculture Calendrier, autres cultures, utilisation d’antibiotiques Woeltje et al, CLABSI ICU Microbiologie hémoculture Chronométrage, présence de CVC, autre culture, fièvre Woeltje et al, CLABSI Inpatient non-ICU Microbiologie hémoculture Chronométrage, présence CVC, autre culture, fièvre Pokorny et al, un BSI, VAP, CAUTI ICU ou plus de: microbiologie, antibiotiques ou code de décharge Timing Stamm et Bettacchi, CLAB SI, VAP, CAUTI HAI ICU Microbiologie NIM Timing, ADT Pas clair Leth et al, b UTI Inpatient

post-décharge microbiologie et / ou antibiotique Timing SSI Inpatient

post-décharge Microbiologie et / ou code antibiotique et / ou de décharge et / ou réopération Période Bolon et al, c SSI Inpatient Exposition aux antimicrobiens, codes de diagnostic index réadmission Délai ~ – – – Yokoe et al, c SSI Inpatient Exposition aux antimicrobiens, codes de diagnostic index réadmission Song et al, SSI hospitalisé

ambulatoire Indice de diagnostic d’antibiothérapie ou de réadmission ou de suivi, suivi Timing Hollenbeak et al, d SSI Inpatient Microbiologie NIM Timing, ADT Gerbier et al, SSI Inpatient Exposition aux antimicrobiens Timing Microbiology Timing Code de décharge Timing Combinaison des termes ci-dessus Abbreviations: ADT, admission, décharge , et transférer la base de données; BSI, infection sanguine; CAUTI, infection des voies urinaires associée au cathéter; CLABSI, infection de la circulation sanguine associée à la ligne centrale; HAI, infection associée aux soins de santé; Unité de soins intensifs, unité de soins intensifs; NIM, marqueur d’infection nosocomiale; NNS, nombre nécessaire à l’écran; PPV, valeur prédictive positive; SSI, infection du site opératoire; UTI, infection des voies urinaires; PAV, pneumonie sous ventilation assistée Sources: [, -, -] La norme de référence était la revue manuelle des dossiers médicaux dans la surveillance de routine sauf indication contraire standard Référence basée sur les patientsb Recherche de cas pour la norme de référence comprend questionnairec patient Les études répertoriées dans le tableau illustrent également certaines mises en garde de ces algorithmes de classification. L’équilibre entre la sensibilité et l’efficacité de la valeur prédictive positive est illustré par les algorithmes SSI Dans les algorithmes avec des niveaux acceptables de sensibilité>%, les véritables infections n’ont été confirmées que dans – les dossiers médicaux marqués pour le numéro de révision nécessaire pour le dépistage -, bien que, selon l’apparition de l’IAS ciblée, cela puisse encore réduire considérablement la charge de travail. parce que pas tous les types o f HAI exige des résultats de microbiologie positifs pour répondre aux définitions de cas , fondant la recherche initiale de cas uniquement sur les résultats de microbiologie conduira à une sensibilité plus faible de détection Ceci est illustré par les études de Hollenbeak et autres et Stamm et Bettacchi Les conséquences de cette recherche de cas restrictive dépendront du type d’infection hématologique étudiée par HAI étant la principale exception et la pratique clinique. En outre, l’utilisation de codes de décharge ou de procédure en tant que Les moyens de remplacer ou de soutenir la surveillance manuelle ont révélé des résultats sous-optimaux Bien que cette source de données facilement disponible puisse être une alternative intéressante à la surveillance manuelle coûteuse, le codage repose sur une étape intermédiaire d’interprétation des données. court, les algorithmes de classification électroniques ont des avantages importants sur manu Al HAI surveillance à la fois en termes d’efficacité et l’application systématique des définitions de cas, mais souffrent de la vulnérabilité à la recherche de cas restrictive et la rentabilité entre la sensibilité et l’efficacité

MODÈLES MULTIVARIABLES DE RÉGRESSION

Une approche alternative est l’utilisation de modèles de prédiction de régression multivariée qui combinent des indicateurs d’infection ou de prédicteurs simultanément – plutôt que consécutivement comme dans les algorithmes de classification – pour distinguer les patients à risque élevé et faible et sélectionner les patients pour une revue manuelle des dossiers médicaux. ,] Compte tenu des données observées du patient, la formule de régression pondérée estime la probabilité d’avoir eu une infection; ceci peut ensuite être utilisé pour stratifier les patients comme ayant un risque élevé ou faible d’IHA basé sur un seuil de probabilité choisi par l’utilisateur Cette approche a été utilisée dans une certaine mesure en combinant les codes de diagnostic et de procédure extraits avec les antimicrobiens. Comme on peut s’y attendre, les modèles combinant le plus grand nombre de prédicteurs ont mieux performé que les modèles plus parcimonieux En outre, l’utilisation des données cliniques des patients pour la surveillance d’un large groupe d’IAS dans un modèle simple avec des variables antibiotiques jours , les cultures d’urines réalisées, la durée du séjour, les cultures de plaies prélevées et l’âge ont atteint une performance raisonnable et pourraient réduire la charge de surveillance à% tout en conservant une sensibilité supérieure à Dans le tableau, nous avons utilisé des données empiriques. l’utilisation d’algorithmes de classification pour la surveillance de la méningite liée au drain, une complication du liquide céphalo-rachidien externe le drainage chez les patients neurochirurgicaux est complexe et difficile à diagnostiquer manuellement dans La définition de cas ne nécessite pas l’isolement des micro-organismes du liquide céphalo-rachidien, ce qui explique la sensibilité limitée du dépistage basé uniquement sur les résultats microbiologiques. comme la population à risque a une maladie sous-jacente complexe, la sélection basée sur le traitement avec des antibiotiques conduit à de nombreuses prévisions faussement positives Tableau, nombre Élargir l’algorithme pour combiner à la fois les résultats microbiologiques et l’exposition antimicrobienne améliore la sensibilité, mais au prix Le modèle de régression multivariable combinant simultanément tous les prédicteurs disponibles de la méningite liée au drain Tableau, nombre atteint une sensibilité presque parfaite et avait l’efficacité la plus élevée, avec une valeur prédictive positive élevée et un faible nombre nécessaire pour filtrer De plus, en changeant les seuils de probabilité basés sur le nombre des cas manqués jugés acceptables, les utilisateurs peuvent modifier l’équilibre entre sensibilité et spécificité à leurs souhaits Table, nombre

Tableau Exemple empirique de surveillance électronique basée sur la régression multivariable comparée aux algorithmes de classification pour la méningite liée au drain Structure du modèle Nombre de sources de données Sensibilité% PPV% NNS Registres à examiner% a Culture microbiologique Utilisation du dispositif, microbiologie / / / Culture microbiologique corrigée pour contaminant utilisation, microbiologie, pharmacie / / / Toute exposition aux antimicrobiens & gt; Utilisation du dispositif, pharmacie / / / Exposition antimicrobienne au schéma empirique standard Usage du dispositif, pharmacie / / ou Utilisation du dispositif, microbiologie, pharmacie / / / Modèle de régressionb Utilisation du dispositif, microbiologie, pharmacie, chimie clinique / / / Modèle de régression utilisation, microbiologie, pharmacie, chimie clinique / / / Type de structure Nombre de sources de données Sensibilité% PPV% NNS Dossiers à examiner% a Culture microbiologique Utilisation du dispositif, microbiologie / / / Culture microbiologique corrigée pour contaminant Utilisation du dispositif, microbiologie, pharmacie / / / Toute exposition antimicrobienne & gt; Utilisation du dispositif, pharmacie / / / Exposition antimicrobienne au schéma empirique standard Usage du dispositif, pharmacie / / ou Utilisation du dispositif, microbiologie, pharmacie / / / Modèle de régressionb Utilisation du dispositif, microbiologie, pharmacie, chimie clinique / / / Modèle de régression utilisation, microbiologie, pharmacie, chimie clinique / / / Données tirées de Tous les modèles présentés requièrent une évaluation manuelle de l’utilisation des drains Si les données manquaient les modèles -, les résultats ont été classés comme négatifsAmbraviations: NNS, nombre nécessaire pour l’écran; VPV, valeur prédictive positive Le pourcentage d’enregistrements à examiner est défini comme le nombre d’enregistrements nécessitant un examen manuel pour confirmer l’infection en tant que fraction de la population entière à risque nécessitant un examen manuel si les méthodes traditionnelles sont utilisées. les variables d’entrée utilisées par les algorithmes de classification et les modèles de régression sont similaires, les modèles de régression multivariée statistiquement pondérés présentent plusieurs avantages par rapport aux algorithmes de classification: plusieurs indicateurs sont simultanément pris en compte, plutôt que consécutivement, rendant le cas moins restrictif La formule pondérée garantit des valeurs prédictives positives plus élevées que si les observations étaient élargies de manière non pondérée en combinant les indicateurs de manière «et / ou» dans les algorithmes de classification. bilité par rapport à l’équilibre souhaité entre sensibilité et efficacité L’augmentation du seuil de probabilité prédite au-dessus duquel les patients sont sélectionnés pour révision manuelle diminuera la sensibilité du modèle mais augmentera l’efficacité et vice versa Comparé aux modèles de régression précédemment développés basés sur décharge et procédure Les codes extraits des données de sinistres, un système qui utilise directement les données de soins cliniques collectées régulièrement ne dépendent pas de l’interprétation des données, comme l’attribution des codes de décharge. Les applications des modèles de prédiction peuvent dépasser leur utilisation comme système de stratification. le niveau du groupe peut être estimé directement en additionnant les probabilités prédites, permettant ainsi l’estimation des taux d’infection sans examen des dossiers médicaux

Développer des modèles de prédiction multivariables

L’adoption croissante des dossiers médicaux électroniques rend possible la modélisation des modèles de prédiction multivariés pour la surveillance des HAI. Les modèles peuvent être développés en utilisant des méthodes épidémiologiques standard et le nombre d’éléments de données requis peut être légèrement plus grand que les autres algorithmes de classification. appelés entrepôts de données cliniques sont particulièrement adaptés à cet effet; le modèle de la méningite liée au drainage a été développé sur la base de données patient d’Utrecht, un entrepôt de données cliniques reliant les bases de données administratives et cliniques Des efforts similaires et leur application pour la surveillance HAI ont été décrits pour les infections sanguines. En améliorant le traitement du langage naturel, les bases de données pourraient à l’avenir être enrichies d’informations cliniques de plus en plus détaillées Comme toute tentative de développer des méthodes de surveillance, les modèles de régression logistique multivariable requièrent des données sur une population suffisamment importante à risque pour les IAS ciblées dans lesquelles les prédicteurs candidats ont été mesurés et auxquels la surveillance manuelle a été systématiquement et rigoureusement appliquée par des évaluateurs bien formés comme référence ou étalon-or. les prédicteurs candidats doivent être conduits par c Comme les éléments de données disponibles sont souvent limités à ceux recueillis pendant les soins cliniques de routine, les données manquantes non aléatoires seront courantes, et la sélection de prédicteurs qui ne sont que rarement déterminés peut compliquer la mise en œuvre du modèle. Les performances du modèle résultant peuvent être évaluées par la discrimination du modèle entre les patients infectés et non infectés, par exemple, en utilisant l’aire sous la courbe caractéristique de fonctionnement du récepteur ou, après l’introduction d’un seuil, la sensibilité, la spécificité et les valeurs prédictives et l’étalonnage du modèle, qui quantifie la concordance entre les probabilités d’infection prédites et observées. en générant réaliste Après le développement du modèle, la validation externe dans des populations de patients indépendantes de l’échantillon de développement dans le temps et / ou le lieu est essentielle pour évaluer la généralisabilité du modèle et fournir un aperçu de la façon dont la performance du modèle est affectée par Enfin, une surveillance continue de la qualité du modèle et de la mise à jour du modèle est nécessaire, car les changements dans les caractéristiques des patients et la pratique clinique peuvent détériorer la précision du modèle au fil du temps

DEFIS RESTANTS

rchers; certains sont spécifiques à la surveillance électronique, basés sur des algorithmes de classification et des modèles de régression, mais beaucoup s’appliquent à toutes les méthodes de surveillance. Toutes les méthodes de surveillance électronique exigent des données de haute qualité ainsi que des compétences de programmation avancées. qualité des données Un autre défi pour toutes les formes de surveillance électronique est l’évaluation de la présence des dispositifs, tels que les cathéters Foley et les cathéters centraux, qui déterminent la population à risque d’IASS liées au dispositif. Les appareils ne sont pas systématiquement enregistrés dans un format facilement interrogeable, nécessitant une évaluation manuelle ou des mesures indirectes basées sur des données administratives ou des modèles multivariables plus prometteurs. La prise en compte de ces exigences fonctionnelles lors du développement et de la mise en éviter tout à fait ce problème bien que m Les méthodes utilisées pour traiter les données manquantes dans le développement de modèles de régression ont été largement décrites , seul un travail limité a été fait pour appliquer des modèles de régression développés aux nouveaux patients pour lesquels tous les prédicteurs ne sont pas disponibles. Il reste des valeurs manquantes pour certains patients, en particulier pour les analyses de laboratoire et microbiologiques La meilleure méthode pour incorporer ces valeurs manquantes non aléatoires dans le contexte de la surveillance HAI reste à déterminer Important, la surveillance manuelle repose également sur la réalisation de tests diagnostiques Les valeurs manquantes affectent également les algorithmes de classification, car les valeurs manquantes pour les indicateurs HAI sont généralement classées comme négatives. Un défi pour toutes les formes de surveillance, manuelle et électronique, permet une surveillance post-décharge adéquate silagracipla.net. Certaines IASS peuvent survenir après la sortie du patient et même si les patients reviennent. à l’hôpital initial, de telles infections À moins que l’attention aux réadmissions ne soit explicitement intégrée dans les systèmes de surveillance La pertinence de la surveillance postdécharge incomplète sur les taux globaux d’infection dépendra du type d’IAS ciblé, par exemple, la durée du suivi et la probabilité que les patients reviennent à l’hôpital. même fournisseur de soins de santé Bien que la surveillance utilisant les données de réclamations puisse plus facilement être étendue à plusieurs fournisseurs de soins, les codes de décharge et autres mesures indirectes sont plus susceptibles d’être mal classées Avec le temps, les méthodes automatisées La plupart des systèmes électroniques développés jusqu’ici, aussi bien les algorithmes de classification que les modèles de régression, ont mis l’accent sur la surveillance rétrospective, c’est-à-dire la détection de l’infection déjà survenue et le traitement initié. plusieurs jours après la collecte des échantillons de patients déclencher souvent le système de détection Une alternative attrayante serait la surveillance en temps réel pour détecter l’apparition de l’infection et assurer la reconnaissance en temps opportun Le développement de tels modèles est encore plus difficile non seulement méthodologiquement mais aussi par les prédicteurs disponibles. ; Par définition, les résultats de la culture ne sont pas encore disponibles et le «moment de prévision» précède le début du traitement antimicrobien. En raison des limites de la surveillance manuelle, en termes d’efficacité et de fiabilité, la recherche comparant les méthodes alternatives de surveillance obtention d’un étalon de référence valide Par ailleurs, la vérification partielle et différentielle de l’état d’infection véritable peut biaiser les résultats; Par conséquent, toutes les méthodes de surveillance décrites ici reposent – au moins en partie – sur la surveillance manuelle pour confirmer la présence d’une infection. Minimiser l’interprétation subjective en cas de constatation est donc nécessaire pour améliorer encore Surveillance des HAI Par exemple, des paramètres plus objectifs et quantifiables ont été définis pour la détection des conditions associées aux ventilateurs; ceci a été proposé comme une alternative pour la surveillance de la pneumonie sous ventilation assistée, une infection notoirement difficile à diagnostiquer. Avec des améliorations continues dans les algorithmes électroniques et une évolution vers des résultats plus objectifs, la surveillance électronique peut devenir le pilier de certaines IAS. Enfin, si les taux d’IAS doivent être utilisés pour l’analyse comparative ou les comparaisons entre plusieurs établissements, un ajustement précis du dosage des cas de risque sous-jacent est d’une importance vitale. Des méthodes plus raffinées d’ajustement des cas sont en cours. ces efforts peuvent bénéficier des mêmes améliorations dans la technologie de l’information sur les soins de santé que les méthodes de surveillance elles-mêmes

CONCLUSIONS

L’utilisation d’algorithmes de classification électronique pour la surveillance des infections associées aux soins augmente la fiabilité par rapport à la surveillance traditionnelle par examen manuel des dossiers médicaux. Cependant, l’utilisation de modèles de prédiction ou de régression multivariée plus sophistiqués améliorera probablement la sensibilité et l’efficacité des programmes de surveillance. Certains défis importants tels que la surveillance post-décharge, la quantification de l’utilisation des dispositifs et l’ajustement des cas sont en partie communs à toutes les méthodes de surveillance et devront être abordés à l’avenir. utilisation généralisée et améliorer la qualité et la capacité de surveillance

Remarques

RemerciementsNous remercions le département d’hygiène hospitalière et de contrôle des infections de fournir des données sur la méningite liée aux drainages résultant de leurs efforts de surveillance continueContribution financièreCe travail a été soutenu par le Centre Médical Universitaire d’Utrecht et Alexandre Suermann à MSM vM et à l’Organisation Néerlandaise de Recherche Scientifique NWO VICI Auteurs: Aucun conflit signalé Tous les auteurs ont soumis le formulaire ICMJE pour la divulgation des conflits d’intérêts potentiels Conflits que les éditeurs considèrent pertinents pour le contenu du manuscrit ont été divulgués

Maria Selma Restaurant, LLC – 1617 Richmond Ave, Houston Tx 77006
Website Developed by: E-nnovations Technologies and Marketing LLC