震的附加值用于预测疑似感染的患者的细菌病

科学领域:

• 传染性疾病 传染性疾病
• 临床诊断 临床诊断 临床诊断
• 医疗信息学 医疗信息学

背景情况:

• 寒的简单存在或不存在对于诊断细菌病的信息不如详细的分级.
• 详细的寒分级用于预测细菌病的临床附加值尚未先前评估.
• 准确预测细菌血症对于及时的患者干预和管理至关重要.

研究的目的:

• 评估疑似感染患者细节性感冒分级对细菌病的预测价值.
• 为了比较一个三切切的感冒模型 (没有感冒,轻度/中度,的感冒) 与一个二切切的模型 (存在/不存在) 和C反应蛋白 (CRP) 水平的疗效.
• 为了评估为细菌病预测现有临床数据添加详细的感冒信息的增量效益.

主要方法:

• 进行了一项前性观察性研究,对2013名成年患者进行了观察,这些患者因疑似感染而被送往两家医院.
• 寒被分类为二分体 (存在/缺席) 或三分体 (没有,轻度/中度,).
• 多变量逻辑回归模型是使用二分体寒,三分体寒和CRP以及其他临床数据开发的. 使用60%的概率截止值来识别高风险患者.

主要成果:

• 在2,013名患者中,有327人 (16.2%) 诊断出细菌病.
• 在60%的概率截止点上,三切切的感冒模型与二切切切切的感冒模型相比,正确识别了额外的4.6%的细菌病患者.
• 在C-反应蛋白 (CRP) 模型中,发现了另外0.6%的细菌病患者,而二分体化感冒模型发现了3.4%.

结论:

• 区分震显著提高了细菌病的预测,确定了另外4.6%的阳性病例.
• 详细的感冒分级不需要额外的时间,成本或患者负担,使其成为例行病史记录的实用补充.
• 这些发现支持在怀疑感染的患者中常规使用详细的感冒评估,以改善细菌病检测.