Estimation of COVID-19–induced depletion of hospital resources in Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: The global spread of coronavirus disease 2019 (COVID-19) continues in several jurisdictions, causing substantial strain to health care systems. The purpose of our study was to predict the effect of the COVID-19 pandemic on patient outcomes and use of hospital resources in Ontario, Canada. METHODS: We developed an individual-level simulation to model the flow of patients with COVID-19 through the hospital system in Ontario. We simulated different combined scenarios of epidemic trajectory and hospital health care capacity. Our outcomes included the number of patients who needed admission to the ward or to the intensive care unit (ICU) with or without the need for mechanical ventilation, number of days to resource depletion, number of patients awaiting resources and number of deaths. RESULTS: We found that with effective early public health measures, hospital system resources would not be depleted. For scenarios with late or ineffective implementation of physical distancing, hospital resources would be depleted within 14-26 days, and in the worst case scenario, 13 321 patients would die while waiting for needed resources. Resource depletion would be avoided or delayed with aggressive measures to increase ICU, ventilator and acute care hospital capacities. INTERPRETATION: We found that without aggressive physical distancing measures, the Ontario hospital system would have been inadequately equipped to manage the expected number of patients with COVID-19 despite a rapid increase in capacity. This lack of hospital resources would have led to an increase in mortality. By slowing the spread of the disease using public health measures and by increasing hospital capacity, Ontario may have avoided catastrophic stresses to its hospitals.
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 | 0,002 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».