Un enfoque geoespacial para identificar patrones de susceptibilidad a los antibióticos a nivel de vecindario en Wisconsin, Estados Unidos | Línea de producción Co., Ltd de Ningbo Ceramsite

Scientific Reports volumen 13, número de artículo: 7122 (2023) Citar este artículo

691 Accesos

27 altmétrica

Detalles de métricas

La amenaza global de la resistencia a los antimicrobianos (RAM) varía según la región. Este estudio explora si los métodos de análisis geoespacial y visualización de datos detectan variaciones clínica y estadísticamente significativas en las tasas de susceptibilidad a los antibióticos a nivel de vecindario. Este estudio geoespacial multicéntrico observacional recopiló 10 años de datos de susceptibilidad a los antibióticos a nivel de paciente y direcciones de pacientes de tres sistemas de salud de Wisconsin regionalmente distintos (UW Health, Fort HealthCare, Marshfield Clinic Health System [MCHS]). Incluimos el aislado inicial de Escherichia coli por paciente por año por fuente de muestra con una dirección de paciente en Wisconsin (N = 100,176). Se excluyeron los aislamientos de los grupos de bloques del censo de EE. UU. con menos de 30 aislamientos (n = 13 709), lo que resultó en 86 467 aislamientos de E. coli. Los resultados primarios del estudio fueron los resultados de los análisis de autocorrelación espacial I de Moran para cuantificar la susceptibilidad a los antibióticos como espacialmente dispersada, distribuida aleatoriamente o agrupada en un rango de - 1 a + 1, y la detección de calor local (alta susceptibilidad) y frío estadísticamente significativos. puntos (baja susceptibilidad) para variaciones en la susceptibilidad a los antibióticos según el Grupo de Bloques del Censo de EE. UU. Los aislados de UW Health recolectados representaron una mayor densidad geográfica de aislados (n = 36,279 E. coli, 389 = bloques, 2009-2018), en comparación con Fort HealthCare (n = 5110 aislados, 48 = bloques, 2012-2018) y MCHS (45,078 aislados, 480 bloques, 2009-2018). Los mapas de coropletas permitieron una visualización espacial de datos de AMR. Se identificó un patrón positivo agrupado espacialmente a partir de los datos de UW Health para la susceptibilidad a ciprofloxacina (I de Moran = 0,096, p = 0,005) y trimetoprim/sulfametoxazol (I de Moran = 0,180, p < 0,001). Las distribuciones de Fort HealthCare y MCHS probablemente fueron aleatorias. A nivel local, identificamos puntos calientes y fríos en los tres sistemas de salud (IC del 90%, 95% y 99%). Se observó agrupación espacial de RAM en áreas urbanas pero no en áreas rurales. La identificación única de puntos críticos de resistencia a los antimicrobianos a nivel de grupo de bloques proporciona una base para futuros análisis e hipótesis. Las diferencias clínicamente significativas en la RAM podrían informar las herramientas de apoyo a las decisiones clínicas y justifican una mayor investigación para informar las opciones de terapia.

La resistencia a los antimicrobianos (RAM) es uno de los mayores desafíos de salud de nuestro tiempo1,2. La RAM no sólo amenaza nuestra capacidad de tratar infecciones en todas las poblaciones, sino que también pone en peligro nuestra capacidad de sobrevivir a cirugías de rutina y condiciones inmunocomprometidas. Los Centros para el Control y la Prevención de Enfermedades (CDC) estiman que más de dos millones de personas se ven afectadas por infecciones por RAM cada año, y más de 35.000 personas mueren anualmente a causa de infecciones por RAM en los Estados Unidos1,3. Para mitigar esta amenaza, los CDC y la Sociedad Estadounidense de Enfermedades Infecciosas recomiendan mejores métodos de vigilancia y el uso adecuado de antibióticos4. Sigue habiendo una brecha en la disponibilidad de datos de vigilancia de la RAM a nivel local y en la práctica clínica5.

Es importante destacar que las tasas de resistencia pueden variar en un país o incluso dentro del mismo estado, según lo informado por los CDC a nivel nacional y local en Wisconsin6,7,8. A nivel mundial, se pueden observar diferencias en la susceptibilidad a los antibióticos y vincularlas con el uso local de antibióticos en la atención sanitaria y la agricultura9,10,11. Nuestra investigación anterior identificó patrones geoespaciales en todo Wisconsin al analizar datos de RAM a nivel del sistema de salud12. Los modelos estadísticos de datos de RAM a nivel nacional también muestran variaciones a nivel regional, por grupos de estados de EE. UU.13. Sigue habiendo una brecha en los datos de RAM en unidades geográficas más pequeñas, como a nivel de ciudad o vecindario, especialmente en los Estados Unidos. Los pocos estudios geoespaciales relacionados con enfermedades infecciosas a nivel de vecindario se realizaron principalmente en Brasil e Irlanda y se limitaron a los aislamientos específicos o a los datos recopilados para cada estudio14,15,16,17.

Las diferencias regionales en la susceptibilidad a los antibióticos pueden estar relacionadas con factores socioeconómicos, incluido el acceso a la atención médica, los alimentos y el uso de antibióticos. Estudios en Inglaterra, incluido uno con el Índice de Privación Múltiple (IMD), encontraron que la prescripción general de antibióticos era mayor en áreas con mayor privación, pero la prescripción de antibióticos de amplio espectro era mayor en áreas prósperas, y encontraron variaciones significativas en la prescripción regional18,19. Las diferencias regionales de ingresos en Alemania se asociaron con diferencias en la prescripción de antibióticos pediátricos20. Estas diferencias regionales en el acceso a los medicamentos y la exposición a la atención médica pueden afectar la susceptibilidad a los antimicrobianos y la aparición de infecciones multirresistentes. Por ejemplo, un estudio de casos y controles de pacientes pediátricos que acudieron a los departamentos de emergencia encontró una agrupación geográfica distinta de casos de Staphylococcus aureus resistente a la meticilina de inicio en la comunidad en comparación con controles no infecciosos, junto con diferencias asociadas con la raza, la edad y el tipo de seguro médico21.

En este estudio, utilizamos herramientas habilitadas espacialmente para mapear y analizar la susceptibilidad a los antimicrobianos de los sistemas de salud por parte del US Census Block Group (en adelante, Block Group). Describimos métodos para identificar patrones de RAM en áreas urbanas y rurales en este nivel granular. Nuestra hipótesis es que la distribución espacial de la RAM no es aleatoria en las áreas geográficas atendidas por los sistemas de salud de Wisconsin. Esta identificación única de puntos críticos de resistencia a los antimicrobianos a nivel de grupo de bloques proporciona una base para futuros análisis e hipótesis.

Los aislamientos de UW Health que cumplieron con los criterios de inclusión representaron más áreas urbanas, más grupos de bloques y una mayor densidad geográfica de aislamientos (n = 36,279 aislamientos, 389 bloques, 2009-2018) en comparación con Fort HealthCare (n = 5110 aislamientos, 48 bloques, 2012-2018) y MCHS (n = 45 078 aislamientos, 480 bloques, 2009-2018). Se excluyeron los grupos de bloques con menos de 30 aislamientos. La Tabla 1 muestra el número total de aislamientos recolectados con el número correspondiente de Grupos de Bloque para cada sistema de salud y el total separado por Grupos de Bloque excluidos e incluidos.

Los grupos de bloques incluidos y excluidos para cada sistema de salud se muestran dentro de un mapa de Wisconsin en la Fig. 1. La mayoría de los resultados de la muestra representaron áreas cercanas a las ubicaciones principales de los sistemas de salud: UW Health representó el área metropolitana de Madison; Los datos de Fort HealthCare procedían del área metropolitana de Fort Atkinson; Los datos de MCHS cubrieron el área geográfica más grande del centro-norte de Wisconsin. La Figura 1 muestra cómo la mayoría de los aislamientos incluidos procedían de áreas concentradas dentro y alrededor de las ciudades.

Áreas de estudio de Wisconsin incluidas y excluidas en el análisis*. Se muestran los recuentos de aislamientos inferiores y superiores a 30 aislados según los grupos de bloques del censo de EE. UU. para cada sistema de salud. En el análisis se incluyeron grupos de bloques con al menos 30 aislamientos. Figura creada con el software ArcGIS Pro (Versión 2.7; ESRI, Redlands, California, https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview). *Esta presentación de datos geográficos se considera "desidentificada" mediante una "determinación de expertos" según la regla de privacidad de HIPAA.

Muchos grupos de bloques que cubrían áreas rurales y urbanas de los tres sistemas de salud fueron excluidos porque no tenían suficientes aislados (Tabla 1). Algunos condados son condados completamente azules en la Fig. 1, lo que significa que se recopiló al menos un aislamiento en los tres sistemas de salud de cada grupo de bloques del condado, pero el condado aún estaba excluido porque los grupos de bloques tenían menos de 30 aislamientos. Las áreas incluidas y excluidas se alinean con el área de servicio primario de cada sistema de salud. Por ejemplo, se excluyeron las áreas rurales y urbanas de todo el lado este de Wisconsin (Fig. 1). Los sistemas de salud predominantes en el este de Wisconsin no fueron incluidos en el estudio”.

Los mapas de coropletas proporcionaron una visualización de datos de cómo variaba la susceptibilidad entre las tres categorías clínicamente significativas en el nivel del grupo de bloques (Figs. 2, 3, 4). Esta visualización de datos crea un antibiograma único "habilitado espacialmente", con clasificación de datos indicada por color para tres categorías (< 80, 80 a 90, ≥ 90%). Estos umbrales clínicos son niveles en los que un médico puede considerar un antibiótico alternativo, ya que la aceptabilidad del riesgo varía según el contexto (por ejemplo, gravedad de la infección). El rango general de susceptibilidad de E. coli a cada antibiótico por Block Group varió según el sistema de salud; la susceptibilidad media a los antibióticos, la susceptibilidad por rango del grupo de bloques y las desviaciones estándar se presentan en la Tabla 1.

Coropleta de susceptibilidad a ciprofloxacina y sulfametoxazol/trimetoprima del Marshfield Clinic Health System (áreas no contiguas incluidas)a y resultados del análisis de puntos calientes (solo borde contiguo)b*. aLos polígonos coloreados muestran los grupos de bloques del censo de EE. UU. según tres categorías de porcentaje de susceptibilidad de E. coli a dos antibióticos. Todos los grupos de bloques incluidos tienen al menos 30 aislamientos. bLos polígonos coloreados muestran grupos de bloques del censo de EE. UU. que tienen una variación estadísticamente significativa en la susceptibilidad a los antibióticos. Los puntos fríos azules muestran grupos de bloques del censo de EE. UU. con baja susceptibilidad. Los puntos candentes muestran grupos de bloques del censo de EE. UU. con alta susceptibilidad a los antibióticos. El análisis de puntos calientes incorpora cómo cada polígono se relaciona con la susceptibilidad media a los antibióticos y los polígonos circundantes (dependencias espaciales). La escala de colores dentro de los puntos rojos y fríos muestra categorías de confianza estadística. Todos los grupos de bloques incluidos tienen al menos 30 aislamientos. Figuras creadas con el software ArcGIS Pro (Versión 2.7; ESRI, Redlands, California, https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview). *Esta presentación de datos geográficos se considera "desidentificada" mediante una "determinación de expertos" según la regla de privacidad de HIPAA.

Coropleta de susceptibilidad a ciprofloxacina y sulfametoxazol/trimetoprima de UW Health (áreas no contiguas incluidas)a y resultados del análisis de puntos calientes (solo borde contiguo)b*. aLos polígonos coloreados muestran grupos de bloques según tres categorías de porcentaje de susceptibilidad de E. coli a dos antibióticos. Todos los grupos de bloques incluidos tienen al menos 30 aislamientos. bLos polígonos coloreados muestran grupos de bloques que tienen una variación estadísticamente significativa en la susceptibilidad a los antibióticos. Los puntos fríos azules muestran grupos de bloques con baja susceptibilidad. Los puntos rojos muestran grupos de bloques con alta susceptibilidad a los antibióticos. El análisis de puntos calientes incorpora cómo cada polígono se relaciona con la susceptibilidad media a los antibióticos y los polígonos circundantes (dependencias espaciales). La escala de colores dentro de los puntos rojos y fríos muestra categorías de confianza estadística. Todos los grupos de bloques incluidos tienen al menos 30 aislamientos incluidos. Figuras creadas con el software ArcGIS Pro (Versión 2.7; ESRI, Redlands, California, https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview). *Esta presentación de datos geográficos se considera "desidentificada" mediante una "determinación de expertos" según la regla de privacidad de HIPAA.

Coropleta de susceptibilidad a ciprofloxacina y sulfametoxazol/trimetoprima de Fort Healthcare (áreas no contiguas incluidas)a y resultados del análisis de puntos calientes (solo borde contiguo)b*. aLos polígonos coloreados muestran grupos de bloques según tres categorías de porcentaje de susceptibilidad de E. coli a dos antibióticos. Todos los grupos de bloques incluidos tienen al menos 30 aislamientos. bLos polígonos coloreados muestran grupos de bloques que tienen una variación estadísticamente significativa en la susceptibilidad a los antibióticos. Los puntos fríos azules muestran grupos de bloques con baja susceptibilidad. Los puntos rojos muestran grupos de bloques con alta susceptibilidad a los antibióticos. El análisis de puntos calientes incorpora cómo cada polígono se relaciona con la susceptibilidad media a los antibióticos y los polígonos circundantes (dependencias espaciales). La escala de colores dentro de los puntos rojos y fríos muestra categorías de confianza estadística. Todos los grupos de bloques incluidos tienen al menos 30 aislamientos. Figuras creadas con el software ArcGIS Pro (Versión 2.7; ESRI, Redlands, California, https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview). *Esta presentación de datos geográficos se considera "desidentificada" mediante una "determinación de expertos" según la regla de privacidad de HIPAA.

La susceptibilidad a los antibióticos en UW Health se agrupó espacialmente. Se identificó un patrón positivo agrupado espacialmente a partir de los datos de UW Health tanto para ciprofloxacina (I global de Moran = 0,096, p = 0,005) como para susceptibilidad a TMP/SMX (I de Moran = 0,180, p <0,001; consulte las figuras complementarias S2, S3). Los resultados de Global Moran's I para Fort HealthCare y MCHS fueron insignificantes, lo que indica que la distribución de la susceptibilidad a los antibióticos probablemente fue aleatoria para TMP/SMX y ciprofloxacina.

El análisis de puntos calientes identifica qué grupos de bloques son estadísticamente significativos para las diferencias en la susceptibilidad a los antibióticos considerando el valor medio y los grupos de bloques circundantes. A nivel local, identificamos puntos calientes y fríos con un 90%, 95% y 99% de confianza en los tres sistemas de salud (Figs. 2, 3, 4). Los puntos rojos calientes (alta susceptibilidad) y los puntos azules fríos (baja susceptibilidad) se identifican en relación con el valor medio y los efectos vecinos en los datos espaciales, independientemente de las categorías establecidas para el mapa de susceptibilidad coroplética. Como tal, pueden ocurrir puntos calientes y fríos dentro y fuera de las categorías de umbral clínico. Por ejemplo, un punto caliente en el nivel de confianza más alto significa que el centro y su área circundante son significativamente mayores que la media, en algunas áreas con un intervalo de confianza estadístico del 99%, independientemente de los umbrales clínicos elegidos del 80% y el 90%. De esta manera, un grupo de bloqueo con más del 90% de susceptibilidad, clínicamente alta, aún podría identificarse como un punto frío, con el grupo de bloqueo del punto frío y los grupos de bloqueo circundantes con una tendencia por debajo de la media.

Los resultados en cada sistema de salud variaron entre los dos antibióticos. Los resultados de MCHS muestran una agrupación de varios puntos críticos de ciprofloxacina en la esquina suroeste del área de servicio (Fig. 2). También hay puntos calientes repartidos por los grupos de bloques rurales. Varios grupos de bloques adyacentes en el noroeste de Wisconsin se identifican como puntos fríos de ciprofloxacina y también se correlacionan con una menor susceptibilidad a los antibióticos en el mapa de coropletas. A partir de los datos de UW-Health SMX/TMP (Fig. 3), se identificaron como puntos críticos varios grupos de bloques más grandes y rurales al norte del centro de la ciudad de Madison (rojo = alta susceptibilidad). UW Health tiene su sede en Madison y Madison se encuentra en el medio de su área de servicio. Los puntos fríos (azul = menor susceptibilidad) estaban más cerca del centro de la ciudad. La mayoría de los puntos calientes y fríos de ciprofloxacina se identificaron en áreas fuera de Madison. Si bien el mapa de coropletas de Fort HealthCare muestra una variación en la susceptibilidad en las tres categorías, solo unos pocos grupos de bloques se identificaron como puntos calientes o fríos estadísticamente significativos, en consonancia con el tamaño de muestra y el área de servicio más pequeños (Fig. 4, Tabla 1).

Este estudio proporciona resultados de antibiogramas espacialmente habilitados y métodos novedosos que pueden aplicarse de manera similar a nivel local en otras regiones. Al comparar el análisis de puntos calientes y los mapas de coropletas uno al lado del otro, parece haber más variación clínicamente significativa que estadísticamente significativa. Los grupos de bloques que se encuentran tanto en el extremo del rango clínico (por debajo del 80% de susceptibilidad) como significativamente por debajo de la media (puntos fríos azules) probablemente sean de mayor importancia clínica y de salud pública. Sin embargo, su relevancia clínica aún está por determinar. Recopilamos varios años (2009-2018) de datos para crear un conjunto de datos sólido para desarrollar el método descrito aquí para crear un antibiograma de Block Group. Los resultados no pretenden tener un impacto inmediato en la atención clínica, pero aún así proporcionan datos preliminares sobre la viabilidad de este enfoque. Los resultados respaldan la recopilación de datos de estos y otros sistemas de salud para crear antibiogramas localizados con datos más oportunos. Agregar datos de múltiples sistemas de salud dentro de un grupo de bloque del censo podría crear tamaños de muestra suficientes para agregaciones más oportunas, como el año pasado, de manera consistente con los antibiogramas anuales tradicionales.

Nuestro estudio tiene algunas limitaciones. En primer lugar, los resultados están limitados por el número de sistemas de salud participantes y su área geográfica de servicio. Los resultados se limitan a datos de pacientes con acceso a estos sistemas de salud. Faltan regiones fuera del área de servicio de los sistemas de salud participantes, como la zona más rural del suroeste de Wisconsin y el área urbana del gran Milwaukee en el sureste de Wisconsin. Es posible que el área geográfica incluida no tenga suficiente variación para detectar más variabilidad espacial. En segundo lugar, los datos de los tres sistemas de salud se analizaron por separado para este estudio, y es posible que algunos pacientes visiten más de uno de los sistemas de salud incluidos. Si se combinan datos de múltiples sistemas de salud durante proyectos futuros, se deben identificar y gestionar muestras duplicadas de los mismos individuos en todos los sistemas de salud, si es posible. Finalmente, una desventaja del uso de grupos de bloques pequeños en comparación con áreas censales o condados es que limita la cantidad de aislamientos incluidos en el estudio en comparación con el nivel de áreas censales. Sin embargo, el uso de grupos de bloques permite una detección geográfica más precisa de diferencias estadísticas en la susceptibilidad a los antibióticos.

La resistencia a los antimicrobianos requiere una respuesta coordinada de todos los sectores a nivel local y global22. Por lo tanto, los proveedores de atención médica, los formuladores de políticas y las comunidades atendidas pueden interesarse en nuestros resultados y métodos. Wisconsin es conocido por su agricultura y su industria láctea, donde alguna vez se usaron antibióticos en la cría de animales para promover el crecimiento, además de tratar y prevenir infecciones23,24,25,26. Sin embargo, los datos sobre el grado de transmisión de la RAM, especialmente entre humanos, animales y el medio ambiente, siguen siendo limitados26. A partir de este estudio, no podemos explicar por qué existen los puntos calientes y fríos, pero investigaciones futuras examinarán posibles factores contribuyentes, como la ruralidad y la demografía, tal vez asociados con una mayor y menor susceptibilidad a los antibióticos en los niveles del Grupo de Bloques del Censo de EE. UU. En última instancia, teniendo en cuenta las limitaciones de los datos subyacentes, las diferencias geográficas podrían incorporarse en las herramientas de apoyo a las decisiones clínicas para tomar decisiones de tratamiento empírico, como demostramos en nuestro diseño de prototipo publicado anteriormente12.

Los puntos calientes y fríos estadísticamente significativos identificados en este estudio probablemente estén relacionados con la compleja intersección de la salud y la demografía, como la utilización de la atención médica, el uso de antibióticos y el medio ambiente. Se necesita más investigación sobre si las diferencias aparentes podrían influir en las decisiones de tratamiento empírico con antibióticos y cómo.

En el estudio participaron tres sistemas de salud de Wisconsin regionales distintos. UW Health y Fort HealthCare prestan servicios en el centro-sur de Wisconsin y Marshfield Clinic Health System (MCHS) prestan servicios en el centro-norte de Wisconsin. La Junta de Revisión Institucional de Ciencias de la Salud de la Universidad de Wisconsin-Madison (IRB, ID 2018-1305) y el IRB del Instituto de Investigación Clínica Marshfield aprobaron este estudio. Todos los métodos se llevaron a cabo de acuerdo con las directrices y regulaciones pertinentes. La Junta de Revisión Institucional de Ciencias de la Salud de la Universidad de Wisconsin-Madison, IRB, determinó que este estudio calificaba para una exención del consentimiento informado. Este estudio utilizó datos retrospectivos que existen en la historia clínica electrónica y en los informes de microbiología. El estudio planteó un riesgo mínimo para los sujetos porque las actividades se limitaban al uso de datos de registros médicos y existían medidas suficientes para proteger los datos, incluida la determinación experta de desidentificación.

Las variables de datos recopiladas de cada sistema de salud incluyeron resultados de susceptibilidad a los antibióticos, detalles sobre la muestra de laboratorio (patógeno, sitio, fuente, fecha), edad del paciente y dirección del paciente. Los resultados microbiológicos completos se solicitaron directamente al departamento de microbiología, ya que es posible que los registros médicos no muestren todos los resultados de los antibióticos. A veces se suprimen los antibióticos de amplio espectro. También descubrimos que la exportación de resultados de microbiología del Registro Médico Electrónico (Epic Systems) no producía un archivo de salida organizado línea por línea que pudiera importarse fácilmente para su posterior procesamiento de datos. Por lo tanto, la extracción de datos en los sistemas de salud fue más compleja y requirió más tiempo de lo esperado con dos extracciones/solicitudes de datos: (1) resultados de microbiología para pacientes adultos (de 18 a 89 años) dentro del período de recopilación de datos, 2009-2018, y (2) datos de registros médicos (dirección del paciente, edad). Estas dos solicitudes de datos se unieron por parte del sistema de salud y luego se eliminaron los identificadores de pacientes innecesarios antes de la transferencia de datos para garantizar el anonimato de los datos. Se seleccionó el período 2009-2018 para abordar el desafío de tener un tamaño de muestra suficiente para nuestro análisis.

Incluimos el aislado inicial de E. coli por paciente para cada año y fuente únicos incluidos con la dirección de un paciente en Wisconsin. Un miembro del equipo de estudio del Sistema de Salud de la Clínica Marshfield (coautor BO) identificó los aislamientos únicos iniciales y excluyó los duplicados de los aislamientos antes de la transferencia de datos. El coautor LL identificó los aislamientos únicos iniciales y excluyó los duplicados de los conjuntos de datos de UW Health y Fort HealthCare después de la transferencia de datos utilizando la dirección y la edad únicas como sustitutos del identificador individual (nombres y MRN no recopilados).

Para este estudio nos centramos en E. coli, ya que casi la mitad de todos los aislados con resultados de susceptibilidad a los antibióticos son E. coli. Examinamos la susceptibilidad de E. coli a dos antibióticos, ciprofloxacina y sulfametoxazol/trimetoprima (TMP/SMX), debido al rango de susceptibilidad en Wisconsin y su posible relevancia para la práctica clínica. Estos antibióticos son bien conocidos y se utilizan tanto en entornos de atención hospitalaria como ambulatoria.

Cada conjunto de datos del sistema de salud se procesó por separado y se preparó para un análisis por separado. No evaluamos si a los pacientes se les tomaron muestras de laboratorio en más de uno de los sistemas de salud incluidos.

Se agregaron identificadores de estudio únicos al conjunto de datos transferido. Las direcciones de los pacientes y los identificadores únicos del estudio se separaron de los datos clínicos. Las direcciones de los pacientes se codificaron geográficamente en coordenadas sistemáticamente con el software ArcGIS Pro (Versión 2.7; ESRI, Redlands, California) y un servicio de codificación geográfica puesto a disposición del equipo de estudio por la Oficina de Servicios de Tecnología Legislativa de Wisconsin. Se seleccionó esta herramienta de geocodificación porque se actualiza periódicamente y la escala de la codificación geográfica se ajusta a nuestro proyecto con datos principalmente de todo Wisconsin. Se ingresaron direcciones completas en las herramientas de codificación geográfica, incluido el número de calle, la predireccional de la calle (N, S, E, W), el nombre de la calle, el tipo de calle, la ciudad, el estado, el código postal y los códigos postales + 4. Se excluyeron las direcciones fuera de Wisconsin. Luego, las coordenadas de los puntos se fusionaron con los datos del laboratorio mediante el código identificador único del proyecto.

Utilizamos Grupos de Bloques como unidad geográfica para este estudio, que generalmente contienen entre 600 y 3000 personas27. Los grupos de bloques se agrupan dentro de los límites exteriores de cada zona censal de EE. UU. y son la unidad geográfica más pequeña que proporciona datos relacionados con la población en los Estados Unidos. Luego, las coordenadas de puntos y los archivos de formas del paso de geocodificación se unieron espacialmente con grupos de bloques.

Se incluyeron grupos de bloques con un tamaño de muestra de 30 o más aislados de E. coli para análisis adicionales; Se excluyeron los grupos de bloques con menos de 30 aislamientos. Adoptamos el estándar del Clinical & Laboratory Standards Institute (CLSI) de tener al menos 30 aislamientos por especie para los antibiogramas anuales como el número mínimo de aislamientos para un grupo de bloques durante el período de estudio que se incluirán en el análisis (Sección 7.2.2). 28. Este número se utiliza “para obtener una estimación estadística razonable de las tasas %S acumuladas” (Sección 6.4)28. Según las pautas de consenso del CLSI, es aceptable combinar análisis durante un período más largo cuando se encuentran menos de 30 aislamientos durante un año28,29. En algunas áreas, este paso excluyó sectores censales completos que no tenían ningún Grupo de Bloque que cumpliera con este criterio.

Los criterios de punto de corte utilizados para las interpretaciones categóricas (S, I, R) en cada sitio de prueba fueron los del CLSI que estaban en uso en el momento en que se realizó la prueba. Las interpretaciones no se ajustaron retrospectivamente para tener en cuenta las actualizaciones en los puntos de corte de la concentración inhibitoria mínima durante el período de estudio. Los resultados de susceptibilidad se asignaron a entradas binarias, donde susceptible = 1 y resistente o intermedio = 0. Luego, Block Group calculó el porcentaje de susceptibilidad para cada antibiótico. Para cada sistema de salud, también calculamos la media, la desviación estándar, la susceptibilidad mínima y la susceptibilidad máxima.

La proporción de E. coli susceptibles a cada antibiótico, ciprofloxacina y TMP/SMX, por Block Group se visualizó con un mapa coroplético para cada sistema de salud. Los colaboradores médicos proporcionaron información sobre descansos de clases o umbrales significativos para el mapa. Asignamos tres cortes de clasificación de datos clínicamente significativos para la escala de colores: menos del 80%, del 80 al 90% y más del 90% de susceptibilidad. Los mapas de coropletas se crearon con ArcGIS Pro Versión 2.7.

Utilizamos un método de autocorrelación espacial I de Moran global para evaluar la distribución de la susceptibilidad a los antibióticos resumida por grupos de bloques. Es decir, ¿están distribuidos uniformemente, aleatoriamente o agrupados30? El análisis I de Global Moran cuantifica qué tan similar es un objeto a los objetos circundantes (disperso = − 1, aleatorio = 0, agrupado = + 1). Utilizamos el enfoque de polígonos contiguos al calcular el I de Moran con la herramienta de autocorrelación espacial de ArcGIS.

También calculamos el índice Getis-Ord Gi* para identificar puntos calientes y fríos locales, que son grupos locales de grupos de bloques con susceptibilidades mayores y menores estadísticamente significativas31,32. Usamos bordes de contigüidad para nuestra conceptualización de adyacencia espacial. En la figura S1 del suplemento se muestra un ejemplo geográfico de análisis e interpretación de puntos críticos. Los puntos calientes con valores de porcentaje de susceptibilidad significativamente más altos (rojo) o más bajos (azul) se identifican con dos colores. Las gradaciones de color muestran el grado de confianza estadística (90%, 95%, 99%). Por ejemplo, todas las áreas rojas son puntos calientes estadísticamente significativos para un mayor porcentaje de susceptibilidad, y el tono de rojo indica el nivel de confianza estadística.

Se revisaron las directrices para el Fortalecimiento de la presentación de informes de estudios observacionales en epidemiología (STROBE) como lista de verificación para describir nuestra investigación observacional33. Mirador Analytics, una firma de consultoría externa, revisó la presentación de datos geográficos a nivel de Block Group y proporcionó un informe experto de certificación de desidentificación de datos que indicó que los resultados pueden considerarse "desidentificados" mediante una "Determinación de Experto" según la Regla de Privacidad HIPAA. 45 CFR §164.514(b)34.

Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente debido a los términos de recopilación de datos con los sistemas de salud. Sin embargo, los agregados de datos no identificados están disponibles del autor correspondiente a solicitud razonable.

Departamento de Salud y Servicios Humanos de EE. UU., CDC, 2019. https://www.cdc.gov/drugresistance/pdf/threats-report/2019-ar-threats-report-508.pdf. (Consultado el 11 de noviembre de 2020).

Organización Mundial de la Salud. Resistencia antimicrobiana. Hoja de hechos. 13 de octubre de 2020. https://www.who.int/news-room/fact-sheets/detail/antimicrobianos-resistance (consultado el 17 de noviembre de 2020).

Cassini, A. et al. Muertes atribuibles y años de vida ajustados por discapacidad causados por infecciones con bacterias resistentes a los antibióticos en la UE y el Espacio Económico Europeo en 2015: un análisis de modelos a nivel poblacional. Infección por lanceta. Dis. 19, 56–66. https://doi.org/10.1016/S1473-3099(18)30605-4 (2019).

Artículo PubMed PubMed Central Google Scholar

Barlam, TF y cols. Implementación de un programa de administración de antibióticos: pautas de la Sociedad de Enfermedades Infecciosas de América y la Sociedad de Epidemiología de la Atención Médica de América. Clínico. Infectar. Dis. 62, e51-77. https://doi.org/10.1093/cid/ciw118 (2016).

Artículo PubMed PubMed Central Google Scholar

Legenza, L., Barnett, S. y Rose, W. Cultura de administración de antimicrobianos y uso de datos de resistencia a los antimicrobianos en la práctica clínica. J. Farmacéutica. Soc. Wisconsin 21, 49–53 (2018).

Google Académico

Hay, SI y col. Medir y mapear la carga global de la resistencia a los antimicrobianos. BMC Med. 16, 78. https://doi.org/10.1186/s12916-018-1073-z (2018).

Artículo PubMed PubMed Central Google Scholar

Centros de Control y Prevención de Enfermedades. Resumen ejecutivo del Atlas de seguridad del paciente con resistencia a los antibióticos, https://gis.cdc.gov/grasp/PSA/Downloads/AR-Summary.pdf.

Munson, E. y col. Vigilancia de los patrones de susceptibilidad a los antibacterianos de Wisconsin. WMJ 115, 29-36 (2016).

PubMed Google Académico

Organización Mundial de la Salud. Hoja informativa sobre la resistencia a los antimicrobianos. 13 de octubre de 2020. https://www.who.int/news-room/fact-sheets/detail/antimicrobianos-resistance (consultado el 17 de noviembre de 2020).

Manyi-Loh, C., Mamphweli, S., Meyer, E. y Okoh, A. Uso de antibióticos en la agricultura y su consiguiente resistencia en fuentes ambientales: posibles implicaciones para la salud pública. Moléculas https://doi.org/10.3390/molecules23040795 (2018).

Artículo PubMed PubMed Central Google Scholar

Neher, TP, Ma, L., Moorman, TB, Howe, AC y Soupir, ML Exportación a escala de cuenca de genes y bacterias de resistencia a antibióticos de una cuenca agrícola en el centro de Iowa. MÁS UNO https://doi.org/10.1371/journal.pone.0227136 (2020).

Artículo PubMed PubMed Central Google Scholar

Legenza, L. et al. Mapeo geográfico de la susceptibilidad de Escherichia coli para desarrollar una nueva herramienta de apoyo a las decisiones clínicas. Antimicrobiano. Agentes Chemother. https://doi.org/10.1128/AAC.00048-19 (2019).

Artículo PubMed PubMed Central Google Scholar

Kaye, KS y cols. Tendencias de resistencia a los antimicrobianos en aislados de Escherichia coli en orina de mujeres adultas y adolescentes en los Estados Unidos de 2011 a 2019: aumento de las cepas de BLEE e impacto en el tratamiento de los pacientes. Clínico. Infectar. Dis. 73, 1992–1999. https://doi.org/10.1093/cid/ciab560 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Kiffer, CRV y cols. Un enfoque espacial para la epidemiología del uso y la resistencia a los antibióticos en estudios comunitarios: la aparición de grupos urbanos de resistencia a las quinolonas de Escherichia coli en Sao Paulo, Brasil. En t. J. Salud Geogr. https://doi.org/10.1186/1476-072x-10-17 (2011).

Artículo PubMed PubMed Central Google Scholar

Mouro, A. et al. Exploración espacial de agrupaciones clonales de Streptococcus pneumoniae en São Paulo, Brasil. Braz. J. Infectar. Dis. 15, 462–466. https://doi.org/10.1016/s1413-8670(11)70228-8 (2011).

Artículo PubMed Google Scholar

Galvin, S. y col. Mapeo espacial exploratorio de la aparición de resistencia a los antimicrobianos en E. coli en la comunidad. Antibióticos 2, 328–338. https://doi.org/10.3390/antibiotics2030328 (2013).

Artículo CAS PubMed PubMed Central Google Scholar

Andrade, AL et al. Vigilancia poblacional de la neumonía pediátrica: uso del análisis espacial en un área urbana del centro de Brasil. Cad Saude Publica 20, 411–421. https://doi.org/10.1590/s0102-311x2004000200008 (2004).

Artículo PubMed Google Scholar

Thomson, K. y col. Un examen de las tendencias en la prescripción de antibióticos en atención primaria y la asociación con la privación a nivel de área en Inglaterra. Salud Pública de BMC https://doi.org/10.1186/s12889-020-09227-x (2020).

Artículo PubMed PubMed Central Google Scholar

Molter, A. y col. Patrones de prescripción de antibióticos en las prácticas médicas generales en Inglaterra: ¿Importa el área? Lugar de salud 53, 10-16. https://doi.org/10.1016/j.healthplace.2018.07.004 (2018).

Artículo PubMed Google Scholar

Koller, D. y col. Variación en las prescripciones de antibióticos: ¿Es la privación de área una explicación? Análisis de 1,2 millones de niños en Alemania. Infección 41, 121-127. https://doi.org/10.1007/s15010-012-0302-1 (2013).

Artículo CAS PubMed Google Scholar

Ali, F. y col. Un análisis espacial de las disparidades de salud asociadas con infecciones resistentes a los antibióticos en niños que viven en Atlanta (2002-2010). EGEMS 7, 50. https://doi.org/10.5334/egems.308 (2019).

Artículo PubMed PubMed Central Google Scholar

Organización Mundial de la Salud. Resistencia a los antimicrobianos: Informe mundial sobre vigilancia (Organización Mundial de la Salud, 2014).

Google Académico

Departamento de Agricultura, Comercio y Protección al Consumidor del estado de Wisconsin. Estadísticas agrícolas de Wisconsin. https://datcp.wi.gov/Pages/Publications/WIAgStatistics.aspx Actualizado el 5 de mayo de 2022 (consultado el 2 de junio de 2022).

García, SN, Osburn, BI y Cullor, JS Una perspectiva única de salud sobre la producción láctea y la seguridad de los alimentos lácteos. Una Salud 7, 100086. https://doi.org/10.1016/j.onehlt.2019.100086 (2019).

Artículo PubMed PubMed Central Google Scholar

Phillips, I. et al. ¿El uso de antibióticos en animales destinados al consumo supone un riesgo para la salud humana? Una revisión crítica de los datos publicados. J. Antimicrobios. Chemadre. 53, 28–52. https://doi.org/10.1093/jac/dkg483 (2004).

Artículo CAS PubMed Google Scholar

Wee, BA, Muloi, DM y van Bunnik, BAD Cuantificación de la transmisión de la resistencia a los antimicrobianos en la interfaz humana y ganadera con la genómica. Clínico. Microbiol. Infectar. 26, 1612-1616. https://doi.org/10.1016/j.cmi.2020.09.019 (2020).

Artículo PubMed PubMed Central Google Scholar

Oficina del Censo de EE.UU. Glosario. https://www.census.gov/programs-surveys/geography/about/glossary.html#par_textimage_4 (consultado el 20 de octubre de 2021).

Instituto de Estándares Clínicos y de Laboratorio. Análisis y presentación de datos acumulativos de pruebas de susceptibilidad a los antimicrobianos. Directriz aprobada: Cuarta edición: M39-A4 (2014).

Hindler, JF & Stelling, J. Análisis y presentación de antibiogramas acumulativos: una nueva guía de consenso del instituto de estándares clínicos y de laboratorio. Clínico. Infectar. Dis. 44, 867–873. https://doi.org/10.1086/511864 (2007).

Artículo PubMed Google Scholar

Cliff, AD y Ord, JK Procesos espaciales: modelos y aplicaciones (Pion, 1981).

MATEMÁTICAS Google Scholar

Anselin, L. Indicadores locales de asociación espacial—LISA. Geogr. Anal. 27, 93-115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x (1995).

Artículo de Google Scholar

ESRI ArcGIS Pro. Análisis de puntos calientes (Getis-Ord Gi*) (Estadística espacial). https://pro.arcgis.com/en/pro-app/2.8/tool-reference/spatial-statistics/hot-spot-analysis.htm (consultado el 29 de junio de 2022).

Von Elm, E. y col. Declaración de Fortalecimiento de la presentación de informes de estudios observacionales en epidemiología (STROBE): Directrices para informar estudios observacionales. Lanceta 370, 1453-1457. https://doi.org/10.1016/s0140-6736(07)61602-x (2007).

Artículo de Google Scholar

Departamento de Salud y Servicios Humanos de EE. UU. Orientación sobre los métodos para la desidentificación de información médica protegida de acuerdo con la regla de privacidad de la Ley de Responsabilidad y Portabilidad del Seguro Médico (HIPAA). https://www.hhs.gov/hipaa/for-professionals/privacy/special-topics/de-identification/index.html (consultado el 20 de julio de 2021).

Descargar referencias

Agradecemos a Mirador Analytics por la determinación experta de desidentificación.

Este estudio fue financiado por el Premio del Concurso de Investigación de Otoño de la Universidad de Wisconsin-Madison. El Dr. Legenza también cuenta con el apoyo del programa Clinical and Translational Science Award (CTSA) a través del Centro Nacional para el Avance de las Ciencias Traslacionales (NCATS) de los Institutos Nacionales de Salud de los Estados Unidos (NIH), subvención UL1TR002373 y TL1TR002375. El contenido es responsabilidad exclusiva de los autores y no representa necesariamente las opiniones oficiales de los NIH. El acuerdo de financiación garantizó la independencia de los autores en el diseño del estudio, la interpretación de los datos, la redacción y la publicación del informe.

Facultad de Farmacia, Universidad de Wisconsin–Madison, 777 Highland Avenue, Madison, WI, 53705, EE. UU.

Laurel Legenza y Warren E. Rose

Oficina del Cartógrafo Estatal, Departamento de Geografía, Universidad de Wisconsin–Madison, Madison, WI, EE. UU.

Kyle McNair y James P. Lacy

Departamento de Geografía, Universidad de Wisconsin–Madison, Madison, WI, EE. UU.

canción gao

Marshfield Clinic Health System, Marshfield, WI, EE. UU.

Brooke J. Olson y Thomas R. Fritsche

UW Health, Madison, WI, EE. UU.

Lucas Schulz

Fort HealthCare, Fort Atkinson, Wisconsin, EE. UU.

Samantha Wall, Frances Spray-Larson y Tahmeena Siddiqui

También puedes buscar este autor en PubMed Google Scholar.

LL, SG, WER contribuyeron al concepto y diseño. LL redactó el manuscrito. KM, BJO, LTS, SM, FS y TS apoyaron la adquisición de datos y brindaron soporte administrativo y técnico. KM, SG, JPL realizaron el análisis estadístico. SG, WER, proporcionaron supervisión. Todos los autores revisaron el manuscrito.

Correspondencia a Laurel Legenza.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Legenza, L., McNair, K., Gao, S. et al. Un enfoque geoespacial para identificar patrones de susceptibilidad a los antibióticos a nivel de vecindario en Wisconsin, Estados Unidos. Representante científico 13, 7122 (2023). https://doi.org/10.1038/s41598-023-33895-5

Descargar cita

Recibido: 01 de septiembre de 2022

Aceptado: 20 de abril de 2023

Publicado: 02 de mayo de 2023

DOI: https://doi.org/10.1038/s41598-023-33895-5

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.