1. Universidad de Murcia Departamento de Ciencias Sociosanitarias Vigilancia de la Resistencia Bacteriana y su relación con el uso de antibióticos por medio del Análisis de Series Temporales Tesis Doctoral José María López Lozano 2002
8. Si no existiera la gravedad… Fuente: “La tentación vive arriba”, Billy Wilder, 1955 esta escena sería… imposible
9.
10. % Pseudomonas aeruginosa resistentes a ceftazidima y uso de ceftazidima en 8 hospitales. USA. Proyecto ICARE, 1994 Fuente: CDC/NNIS/ICARE Phase 1, 1995. 3rd-Gen. Cephalosporin Use (DD/1,000 pt-days) % Ceftazidime-Resistant Pseudomonas aeruginosa
11. Uso de gentamicina y porcentaje de Bacilos Gram- resistentes a gentamicina, Bruselas, 1979-1986 R = 0.90 p < 0.005 % Bacilos Gram- resistentes a gentamicina Uso de gentamicina el mismo año (g/año) Fuente: Goossens H, et al. Lancet 1986;2:804. Uso de gentamicina el año anterior (g/año)
12. Porcentaje anual de Bacilos Gram - resistentes/intermedios a ceftazidima y uso hospitalario de ceftazidima, Hospital Vega Baja, 1991-1998 Fuente: Monnet DL, López-Lozano JM. Clin Microbiol Infect 2001; en prensa.
13. Fuente: López-Lozano JM, et al. Int J Antimicrob Agents 2000;14:21-31. Hospital ceftazidime use (DDD/1,000 patient-days) % Ceftazidime-resistant/intermediate gram-negative bacilli 16 16 14 12 10 8 6 4 2 0 14 12 10 8 6 4 2 Jul. 1991 0 Nov. 1991 Mar. 1992 Jul. 1992 Nov. 1992 Mar. 1993 Nov. 1993 Mar. 1994 Jul. 1993 Jul. 1994 Mar. 1995 Nov. 1994 Jul. 1995 Nov. 1995 Mar. 1996 Jul. 1996 Nov. 1996 Mar. 1997 Jul. 1997 Nov. 1997 Jul. 1998 Mar. 1998 Nov. 1998 Mar. 1999 Jul. 1999 Porcentaje mensual de Bacilos Gram - resistentes/intermedios a ceftazidima y uso hospitalario de ceftazidima, Hospital Vega Baja, 1991-1998
14. % Ceftazidime-resistant/intermediate gram-negative bacilli Hospital ceftazidime use (DDD/1,000 patient-days) Fuente: López-Lozano JM, et al. Int J Antimicrob Agents 2000;14:21-30. 0 12 10 8 6 4 2 0 Jul. 1991 12 10 Nov. 1991 Mar. 1992 8 6 4 2 Jul. 1992 Mar. 1993 Mar. 1994 Nov. 1992 Jul. 1993 Nov. 1993 Jul. 1994 Nov. 1994 Jul. 1995 Nov. 1995 Mar. 1995 Jul. 1996 Mar. 1997 Nov. 1996 Mar. 1996 Jul. 1997 Nov. 1997 Mar. 1998 Nov. 1998 Mar. 1999 Jul. 1999 Jul. 1998 Media móvil centrada de periodo 5 del porcentaje mensual de Bacilos Gram - resistentes/intermedios a ceftazidima y uso hospitalario de ceftazidima, Hospital Vega Baja, 1991-1998
15.
16.
17.
18.
19.
20.
21. Modelo Estático El efecto de cada factor sería contemporáneo Resistencia Uso de antibióticos Higiene hospitalaria Diversidad de la flora bacteriana Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6
22. Modelo Dinámico Todos los factores varían a lo largo del tiempo en su magnitud Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Resistencia Uso de antibióticos Higiene hospitalaria Diversidad de la flora bacteriana
23. Modelo Dinámico El efecto antibiótico altera la biodiversidad de la flora tras un retardo y este efecto disminuye progresivamente Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Resistencia Uso de antibióticos Higiene hospitalaria Diversidad de la flora bacteriana
24. Modelo Dinámico El efecto antibiótico altera la biodiversidad de la flora tras un retardo y este efecto disminuye progresivamente Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Resistencia Uso de antibióticos Higiene hospitalaria Diversidad de la flora bacteriana
25. ¿ Qué es una serie temporal? Un grupo de observaciones tomadas ordenadamente y a intervalos iguales a través del tiempo
26. Nuestra serie es solo una entre otras muchas posibles realizaciones del proceso estocástico subyacente
27. Resistencia observada MES1 MES2 MES3 MES4 MES5 Resultado sensible o resistente Crecimiento del germen Elección adecuada del cultivo Toma de muestras y transporte adecuados Solicitud de cultivo Intención de tratar por parte del médico Infección real Receptor adecuado Tasa de susceptibles Contacto eficaz Contacto con otras personas Tasa de portadores (sensibles + resistentes)
28. Evolución mensual de la resistencia observada Porcentaje de Resistencia observado cada mes Mes 1 Mes 2 Mes 3 Mes 4 Mes 5
43. Ámbito y periodos estudiados 1999 1996 1996 1992 1997 1993 1992 1991 Datos Microbiología Hospital Uso antibióticos Primaria Uso antibióticos Hospital Datos Microbiología Primaria 1996 1992 1997 1993 1992 1991 1999 1995 1997 1994 1997 1996 1993 1991 CHU, Besançon 1996 Aberdeen Royal Infirmary Academic Hospital Rotterdam 1996 Hospital General. Castellón 1996 Hospital Clínico. Valencia 1996 Hospital Dr. Peset. Valencia 1996 Hospital General de Elche 1991 Hospital Vega Baja
44. Micro Farmacia Hospital Admisión Farmacia Primaria ACCESS Opcional Obligatorio Total Estancias Mensuales Población por Localidad Mes Antibiótico DDD/1000 estancias Gramos/1000 estancias Servicio Mes, tipo muestra Germen no repetido (>30d) Nº resistentes, interm, sens CMI media Hospital, primaria Servicio, Localidad Mes, Antibiótico DDD/1000 habitantes-dia Gramos/1000 habitantes-dia Localidad A C B Base Global Base Uso Antibióticos Mes Código Especialidad Nº Envases Servicio Base Muestras Fecha Muestra, Tipo Muestra Id paciente, Servicio, Localidad Germen Identificado CMI Antibiograma (SRI) Base Ingresos Fecha Ingreso, Alta Servicio Código CIE Alta Id Paciente Base Uso Antibióticos Mes Código Especialidad Nº Recetas Localidad Como pero por diagnóstico al Alta A Proceso Automático
45.
46. SERIES PERFILES ANTIBIOTIPOS SERIES AISLAMIENTOS SERIES RESISTENCIA SERIES USO ANTIBIÓTICOS SCA EXPORTAR EXCEL ACCESS RESULTADOS GENERAR COMANDOS EXCEL MACRO ACCESS EJECUTAR
47. ANALISIS REMOTO CONSULTAR SERIES PERFILES ANTIBIOTIPOS SERIES AISLAMIENTOS SERIES RESISTENCIA SERIES USO ANTIBIÓTICOS ACCESS IMPRIMIR ANALIZAR ENVIAR RESULTADOS RESULTADOS
48.
49. Reglas de Identificación AR(2,3),d(0),MA(0) AR(0),d(0),MA(1,2) Función de Autocorrelación Total ó Simple Función de Autocorrelación Parcial
50. Reglas de Identificación Diferenciar AR(0),d(1),MA(1) Función de Autocorrelación Total ó Simple Función de Autocorrelación Parcial
51. Reglas de Identificación Diferencia estacional AR(0),d(0),MA(1),SAR(1),SD(1),SMA(0) Función de Autocorrelación Total ó Simple Función de Autocorrelación Parcial
61. % esperado de E. coli resistente a ciprofloxacino para el mes actual
62. Muestra Microorg. Antibiótico Ámbito Guardar gráficos Guardar series (Formato Excel) Evolución del % mensual de resistencia Numero de cepas resistentes Número total de aislamientos
63. Número mensual de DDD por 1000 pacientes-día Uso Hospitalario de antibióticos
64. Uso de antibióticos en Primaria Evolución mensual del nº de DDD/1000 habitantes-día
65. Evolución combinada de uso de antibióticos y resistencia Uso mensual de eritromicina en el hospital Uso mensual de claritromicina en el hospital % mensual de coagulasa-negativos resistentes a eritromicina
69. Relación entre uso de ceftazidima y resistencia a ceftazidima en Bacilos Gram negativos
70. Estudio de la serie de resistencias 1. Exámen gráfico
71. Estudio de la serie de resistencia 2. Correlogramas de la serie
72.
73. Estudio de la serie de resistencia 4. Estimación de parámetros Modelo AR(1,2,3)
74. Estudio de la serie de resistencia 4. Estimación de parámetros Modelo AR(1,3)
75.
76. Estudio de la serie de resistencia 5. Diagnósticos del modelo: Correlograma de los residuos: ruido blanco el de AR(1,2,3) y significativo el palo 5 del AR(1,3)
77.
78.
79.
80.
81. Estudio de la serie de resistencia 8. Predicciones con el modelo
96. Modelo de Función de Transferencia para el p orcentaje mensual de de BGN resistentes/intermedios a ceftazidima y el uso hospitalario de ceftazidima, Hospital Vega Baja, Julio 1991-Abril 2002
98. Evolución del porcentaje mensual de S.aureus resistentes a meticilina (SARM), y la suma mensual del uso retardado de macrólidos (mes 1 a 3 anteriores), cefalosporinas de 3ª(meses 4 a 7) generación y fluorquinolonas (meses 4 y 5). Aberdeen Royal Infirmary, Enero 1996 - Diciembre 2000
99. Porcentaje mensual de SARM en el Aberdeen Royal Infirmary y en la zona de primaria circundante (Región Grampiana-Escocia), Enero 1996-Febrero 2002 Monthly %MRSA in hospital Monthly % MRSA in community - 90.8% - R2 1.99 (p = 0.051) 0.47 - C 5.12(p < 0.0001) 0.10 1 MRSAARI 4.76(p < 0.0001) 4.66 - D00 -1.89(p = 0’063) -0.32 3 MRSACOMM*D00 2.07(p = 0.042) 0.27 3 MRSACOMM T Statistic (Prob.) Estimated coefficient Lag(months) Explaining variable
100. Monthly evolution of %MRSA Aberdeen Royal Infirmary and Woodend Hospital. 1996-2002
101. El brote de SARM en Aberdeen 1: Woodend outbreak 2: Woodend transmit MRSA to ARI 3: ARI antimicrobial use select resistance 4: ARI transmit resistance to Woodend 5: ARI transmit resistance to Community
102.
Notes de l'éditeur
LA RESISTENCIA A LOS ANTIBIÓTICOS ES LA SUMA DE UNA SERIE DE FACTORES 1) Uso de antimicrobianos, su uso cada vez mayor es un factor determinante: sobreuso maluso co-uso 2) Los pacientes actúan como factor condicionante y son cada vez más susceptibles a las infecciones: mayor extensión de Unidades de Cuidados Intensivos mas edad de los pacientes mayor instrumentación en los cuidados 3) Las prácticas de control de la infección nosocomial, condicionan la mayor o menor difusión de la resistencia: medidas de higiene del Centro sobrecarga de trabajo brotes epidémicos reservorios animados (trabajadores) e inanimados transferencia entre pacientes 4) Por último el entorno comunitario interactúa con el ecosistema hospitalario: por el mantenimiento de una cierta prevalencia de la resistencia uso de antibióticos en humanos y en animales
Existe una evidencia indirecta de una relación entre uso de antimicrobianos y resistencia bacteriana a los mismos. McGowan hace ya algunos años revisó el tema y hablaba de varios niveles de evidencia para esta relación, incluyendo: 1) plausibilidad biológica: Modelo animal para la selección y diseminación de Ecoli resistente a tetraciclinas en pollos que reciben suplementos alimentarios del antibiótico La causa propuesta ( el uso del antimicrobiano) precede el efecto estudiado (resistencia antimicrobiana) 2) asociaciones consistentes: Nivel de paciente: los pacientes con microorganismos resistentes han recibido más antibioterapia previamente que los controles Nivel Hospital/unidad : la resistencia es generalmente más prevalente en hospitales que en la comunidad y en UCI que en otras unidades asistenciales 3) existencia de una relación dosis-respuesta: El incremento en la dosis y la duración de la exposición a los antimicrobianos precede la mayor verosimilitud de colonización o infección con gérmenes resistentes (Nivel de Paciente) Los Hospitales ó unidades que tienen el mayor uso de antimicrobianos tienen también la mayor prevalencia de microorganismos resistentes (Nivel de Hospital) 4) existencia de variaciones concomitantes: Cambios en el uso de antimicrobianos preceden cambios paralelos en la prevalencia de la resistencia.
Sin embargo esa relación de la que hablábamos dista mucho de estar totalmente demostrada. Entre las razones que explican algunos fracasos en esa demostración se encuentran: 1) frecuentes sesgos de selección de la información a analizar 2) a menudo insuficiente potencia estadística en los estudios: muestras pequeñas, etc... 3) insuficiente consideración de terceros factores: nivel de adhesión a las practicas de higiene hospitalaria, etc.. 4) No se analiza el intervalo de tiempo que debe pasar entre uso y resistencia
Se han realizado estudios para corregir los sesgos de selección y para incrementar la potencia estadística de los análisis estadísticos. Desafortunadamente, estos estudios solo identifican asociaciones o relaciones dosis-efecto entre uso de antimicrobianos y resistencia a nivel de grupo y no estudian las variaciones concomitantes de esas variables en el tiempo. A menudo estudios con datos globales impiden la aplicación de pruebas estadísticas más potentes, dada la escasez habitual de observaciones. En el ejemplo de la figura, si bien parece que se observa una relación lineal entre uso y resistencia el hecho de que un 25% (2 de 8) de las observaciones tengan comportamientos diferentes impiden ningún tipo de ajuste
La variaciones concomitantes, es decir, cambios en el uso de antibióticos seguidos de cambios en la resistencia en la misma dirección, son probablemente los más convincentes puesto que ellos toman en consideración la secuencia temporal entre la causa sospechada y el efecto observado. Este tipo de estudios han sido realizados en varios hospitales individuales o en países aislados. Sin embargo se suelen utilizar datos acumulados, generalmente por uno o más años, para analizar relaciones temporales entre dos periodos de tiempo lo cual impide que ese tipo de estudios pueda n medir el intervalo de tiempo necesario para observar el efecto del uso sobre la resistencia. Goossens y otros encuentran una correlación entre el porcentaje de BGN resistentes a gentamicina y el uso de gentamicina ocurrido durante el año anterior. Es muy interesante observar como no encuentran correlación entre la resistencia y el uso de gentamicina ocurrido durante el mismo año. En general en este tipo de estudios, y de forma arbitraria se utiliza el año como unidad de observación, lo cual impide, a nuestro juicio, explorar relaciones en otra dimensión temporal
Nuestra experiencia en el HVB muestra que hay a menudo un retraso de un año pero no siempre. Por ejemplo en la figura se puede ver ese tipo de variaciones en el porcentaje de BGN resistentes a ceftazidima siguiendo variaciones en el uso de ceftazidima, excepto en 1996 en que la resistencia a ceftazidima crece a continuación de un descenso en el uso en 1995. Si efectuamos un análisis de correlación entre las dos series no encontramos relación significativa
Sin embargo si representamos gráficamente a nivel de mes tanto la serie temporal de resistencia como la de uso, podemos observar que, en general, son fenómenos que tienen variaciones a un plazo más corto que el año. Como más adelante veremos de esta forma sí encontraremos una relación
Simplemente suavizando las series mensuales por medio de la técnica de alisado por medio de medias móviles centradas de periodo 5 podemos ver una mejor relación empírica entre uso y resistencia, advirtiendo, además, una cierta precedencia del uso respecto de la resistencia
Nuestro proyecto está esencialmente basado en la metodología llamada de Análisis de Series Temporales(AST) que consiste en un moderno conjunto de técnicas cuyo origen se sitúa en el terreno de la Econometría. Se trata del análisis estadístico de lo que se denominan Series Temporales, que se pueden definir como ‘ una colección de datos ordenados en el tiempo y tomados a intervalos iguales, cortos y regulares’ . La diferencia fundamental con la metodología clásica del estudio de series de datos es su capacidad de tener en cuenta la correlación entre datos sucesivos. El progresivo y popular acceso a ordenadores personales así como la cada vez mayor disponibilidad de programas informáticos específicamente diseñados hacen posible cada vez más aplicaciones en diversos ámbitos, entre ellos el de la salud pública. Las técnicas de AST que utilizaremos en este proyecto se enmarcan en lo que se denomina análisis de procesos estocásticos, que son aquellos procesos aparentemente caóticos, que no obedecen a leyes de probabilidad conocidas, que son producto de múltiples factores, independientes o relacionados entre ellos, y que no son susceptibles de ser modelizados con técnicas habituales. Este tipo de técnicas permiten detectar, al menos, una parte del comportamiento del fenómeno, no pretendiendose, en absoluto, su total explicación. Nuestra hipótesis es que la resistencia a los antibióticos es un proceso estocástico
METODOLOGIA ESTADISTICA Para Series Univariantes: Modelos ARIMA - para predecir la resistencia esperada a partir de los datos anteriores de resistencia - idem el uso esperado de antibióticos Para Series Multivariantes: Modelos de Función de Transferencia (similares a los modelos ARIMA pero introduciendo otras variables explicativas) - para estudiar la relación entre uso de antibióticos y resistencia - para la evaluación de intervenciones - para precedir con más fiabilidad la resistencia teniendo en cuenta el uso de antibióticos
Los modelos ARIMA, también llamados modelos Box-Jenkins (debido a que estos autores describieron un método práctico para su identificación y estimación) permiten captar diversos componentes de una serie temporal: AR: autorregresivo: influencia de valores previos MA: medias móviles: hace referencia a la influencia de los cambios bruscos y aleatorios ocurridos en el pasado. I: éste término hace referencia a la necesidad o no de estacionarizar la serie, cuando la media y/o la varianza de las mismas no es constante a lo largo del tiempo. Ejemplo: en el modelo de la resistencia de BGN a ceftazidima y para el periodo en que se considera en los ejemplos de esta exposición se puede estimar que el porcentaje de cepas resistentes que se puede esperar en un mes determinado es igual a una constante (3’3%) más 0’34 veces el nivel observado 3 meses antes más 0’26 veces el nivel observado 5 meses antes más un término residual que recoge la parte del modelo no captada por esos componentes. La fórmula: %R(t) = 3.314 + 0.346 AR3 + 0.266 AR5 (es una expresión algebraica que no se corresponde exactamente con el tipo de formulación habitual en modelización ARIMA, pero que se expone aquí a efectos explicativos).
MODELOS DE FUNCION DE TRANSFERENCIA Se trata de modelos multivariados (en los que interviene más de una serie: ya sean estrictamente bivariados: una variable dependiente y una independiente, o bien multivariados: una dependiente y varias independientes ó explicativas) Se trata de determinar la relación entre la serie dependiente (output - en la terminología econométrica) y una o mas series explicativas (input) Su aplicación es usual en econometría Existen varias aplicaciones en medicina: - a niveles de pacientes: determinación de la glucemia en sangre a partir del ejercicio físico - a niveles de poblaciones: variaciones climáticas y mortalidad, gripe y mortalidad, etc...
El objetivo de la presente tesis es proponer un enfoque estocástico para el análisis de la relación entre uso de antibióticos y resistencia bacteriana, así como mostrar las posibles aplicaciones del Análisis de Series Temporales al estudio y comprensión del problema de la resistencia bacteriana a los antibióticos y sus posibles aplicaciones en la práctica diaria: Para el análisis de la relación uso de antibióticos-resistencia Entender el comportamiento de una serie determinada y su relación con otra u otras, o también con otros factores de ámbito no temporal: permitirá en nuestro caso intentar explicar la evolución de la resistencia en función de la evolución de otros factores, particularmente del uso de antibióticos y del propio pasado de la serie (inercia). Se trata de responder a las preguntas: ¿cuanto aumenta (ó disminuye) la resistencia por cada aumento (ó disminución) del uso de determinado antibiótico en una unidad (ejem: 1 DDD/1000 estancias)? y ¿cuánto tiempo es necesario para que este efecto se produzca?: Como ayuda a la terapia antimicrobiana empírica El Análisis de Series Temporales puede permitir estimar el microorganismo más probable que infecta a un paciente determinado, en función de sus circunstancias. Una vez determinado el germen más probable es posible estimar la probabilidad de resistencia de ese microorganismo frente a los antimicrobianos disponibles y de los que se conozca la evolución en el tiempo de la resistencia que presentan ante ellos las bacterias más usuales. En la evaluación del impacto de medidas de control Evaluar intervenciones sobre fenómenos medidos a través del tiempo: el efecto de una acción deliberada ó no sobre el devenir de una serie temporal debe estudiarse teniendo en cuenta el propio devenir de la serie (sin intervención): ¿El efecto observado en la evolución de la aparición de cepas de Clostridium difficile en un hospital determinado, se debe a la supresión del uso de cefalosporinas de tercera generación que tuvo lugar el 1 de enero de 1999 ó se debe a la propia evolución decreciente de la serie temporal de incidencia de C.difficile ?, El Análisis de Intervención también permite cuantificar el impacto de la medida sobre la serie: ¿Cuántos casos se han evitado de diarrea por C.difficile por suprimir el uso de cefalosporinas de 3ª generación?. Como ayuda a la estrategia antimicrobiana del hospital y del área de salud El conocimiento de la realidad local permite a la Comisión de Infecciones del Centro redefinir su política de uso de antimicrobianos: profilaxis quirúrgica, protocolos de terapia empírica para ciertos procesos frecuentes, restricción de antibióticos, etc....
Las siguientes figuras explican el flujo de datos
Las siguientes figuras explican el flujo de datos
Las siguientes figuras explican el flujo de datos
Este es un proyecto que se inició en nuestro Centro hace 6 años y al cual se han ido adhiriendo progresivamente diversos hospitales de nuestra Comunidad Autónoma, con financiación del FIS, y posteriormente los Clínicos de Rotterdam y Aberdeen, últimamente ha manifestado su interés en incorporarse el Clínico de Besançon, en el este de Francia
El tratamiento estadístico, para el análisis de Series Temporales, se efectúa por medio del programa SCA, que permite automatizar ciertas tareas
Desde el Centro Coordinador (Hospital Vega Baja) se devuelven los resultados de los análisis estadísticos a los Centros participantes, que proceden a su explotación
Se ha elaborado una aplicación informática específica (Viresist.exe) que facilita la explotación de los datos. En la aplicación residen las series temporales ya elaboradas de los Centros participantes (los datos de pacientes no salen del Centro responsable), lo cual permite la consulta de los datos proios y comparaciones con el resto de Centros.
La primera utilidad del programa es una tabla con el resultado de los modelos ARIMA ajustados sobre cada serie de resistencia. La tabla recoge la predicción de resistencia esperada para el trimestre corriente en forma de porcentaje. Esta información puede ser utilizada por el clínico en el momento de la terapia empírica, cuando sospecha que el paciente sufre una infección por un germen determinado y debe decidir entre diversos antibióticos. Una vez conocido el microorganismo la tabla también ofrece la posibilidad de escoger el antibiótico que menos resistencia presenta.
El programa ofrece también diversas posibilidades de consulta (eligiendo el microorganismo, el antibiótico, el tipo de muestra, el servicio, la localidad en el caso de Primaria, etc...), así como la posibilidad de visualizar multitud de series temporales, tanto de resistencia, como de uso de antibióticos. También permite efectuar compraraciones entre diversos Centros, Hospitales, Areas de Salud, etc...
Once we have done the prediction, we compare it with real value following the estimation period: because we have left a short period that we have not included in order to do the comparison or because , as in this example, because we have waited a certain time and we compare reality with forecasting. We can observe that our forecast (its confidence interval) doesn't include the real series
We see that the TF model is better than univariant model. Adding antimicrobial use improves the knowledge of the resistance series
Forecasting with TF model we see that now real resistance is included in the confidence interval, and besides forecasts look at a similar pattern than reality
Comparing predictions from both models we understand perfectly why including antimicrobial use improves fitting. We are analyzing an stochastic process where we have explained a part of it by means a know factor. If we knew more factors (level of compliance to hygiene protocols, another antimicrobial use, etc…), we perhaps would be able to increase the square regression coefficient ant to reduce the forecast confidence interval
Three years afterwards we continue to see that resistance evolution is parallel to antimicrobial use
Three years afterwards we continue to see that resistance evolution is parallel to antimicrobial use
In this graphic we can see the smoothed resistance and use series
We even fit a model where one period lagged use series (DDDLAG1) term remains on it, and besuides the stochastic part is simpler (term AR5 disappears), the model is more parsimonious
This study was performed to study the relationship between MRSA prevalence at our hospital, Aberdeen Royal Infirmary, and MRSA prevalence in the surrounding community, the Grampian region (500,000 inh.). Methods: We calculated the monthly %MRSA at our hospital and the community (01/1996-02/2002). A dynamic regression model was adjusted to measure any relationship between both series. The monthly %MRSA in the community as well in the hospital begin from 0 (1996) and increase until its maximum level (38.2% at ARI and 17.2% at the community) at the first semester of 2000, then they showed a declining behaviour (Figure 1). We found two distinct periods in the model: a) from January 1996 until December 1999 where a dynamic relationship is detected between community resistance and its past values lagged three months (MRSACOMM) and b) from January 2000 to February 2002 when we didn’t found any relationship of community resistance and its own past values. In order to capture these two periods we introduced in the model a dummy variable (D00) which values was 0 for the first period and 1 for the rest. The product of this dummy variable and the term corresponding to 3 month lagged community resistance (MRSACOMM*D00) give us a coefficient of -0.32, this means that for this period the estimated effect of past resistance is not different from zero (0.27 – 0.32 = 0.05, p = ns). (Table) For both periods we found a strong relationship with the MRSA hospital resistance series lagged by one month (MRSACOMM). (Table) We tested several community antimicrobial use series but we didn’t find any relationship with community resistance.
Objective: To study the relationship between MRSA outbreaks in a large teaching hospital (Aberdeen Royal Infirm., ARI) and a long stay, geriatric hospital (Woodend Hosp., WH) in the same Scottish region by means of time series analysis (TSA). Methods: Data on monthly non-duplicate MRSA and antibiotic use were collected in both hospitals for 01/1996-01/2002. Dynamic regression models were adjusted to measure relationships between data sets. Results: ARI %MRSA rose from <1% in 1996 to 38% in 02/2000, before it started to decline. WH had an independent MRSA outbreak mid-1997 to mid-1998 which then followed the ARI outbreak (Figure). TSA showed that: 1) pre-1999, ARI %MRSA followed WH %MRSA (lag=1 mth), whereas post-1999, ARI %MRSA lead WH %MRSA (lag=1 mth); 2) ARI %MRSA was closely related to previous ARI macrolide, 3rd-gen. cephalosporin and fluoroquinolone use, whereas WH %MRSA was related to previous WH macrolide use only. Conclusion: We found a dynamic relationship between MRSA outbreaks in two hospitals in the same region. The original WH outbreak initiated the ARI outbreak, then ARI lead the WH outbreak. Patient flux between hospitals can explain this relationship. Additionally, antibiotic use in both WH and ARI independently maintained the outbreaks.