Notice bibliographique
Résumé
<h3>Abstract</h3> <h3>Background</h3> Epidemic waves of COVID-19 strained hospital resources. We describe temporal trends in mortality risk and length of stay in intensive cares units (ICUs) among COVID-19 patients hospitalized through the first three epidemic waves in Canada. <h3>Methods</h3> We used population-based provincial hospitalization data from Ontario and Québec to examine mortality risk and lengths of ICU stay. For each province, adjusted estimates were obtained using marginal standardization of logistic regression models, adjusting for patient-level characteristics and hospital-level determinants. <h3>Results</h3> Using all hospitalizations from Ontario (N=26,541) and Québec (N=23,857), we found that unadjusted in-hospital mortality risks peaked at 31% in the first wave and was lowest at the end of the third wave at 6-7%. This general trend remained after controlling for confounders. The odds of in-hospital mortality in the highest hospital occupancy quintile was 1.2 (95%CI: 1.0-1.4; Ontario) and 1.6 (95%CI: 1.3-1.9; Québec) times that of the lowest quintile. Variants of concerns were associated with an increased in-hospital mortality. Length of ICU stay decreased over time from a mean of 16 days (SD=18) to 15 days (SD=15) in the third wave but were consistently higher in Ontario than Québec by 3-6 days. <h3>Conclusion</h3> In-hospital mortality risks and lengths of ICU stay declined over time in both provinces, despite changing patient demographics, suggesting that new therapeutics and treatment, as well as improved clinical protocols, could have contributed to this reduction. Continuous population-based monitoring of patient outcomes in an evolving epidemic is necessary for health system preparedness and response.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».