Association Between Nursing Home Crowding and COVID-19 Infection and Mortality in Ontario, Canada
Notice bibliographique
Résumé
Abstract Importance Nursing home residents have been disproportionately impacted by the COVID-19 epidemic. Prevention recommendations have emphasized frequent testing of healthcare personnel and residents, but additional strategies are needed to protect nursing home residents. Objective We developed a reproducible index of nursing home crowding and determined whether crowding was associated with incidence of COVID-19 in the first months of the COVID-19 epidemic. Design, Setting, and Participants Population-based retrospective cohort study of over 78,000 residents of 618 distinct nursing homes in Ontario, Canada from March 29 to May 20, 2020. Exposure The nursing home crowding index equalled the average number of residents per bedroom and bathroom. Outcomes Primary outcomes included the cumulative incidence of COVID-19 infection and mortality, per 100 residents; introduction of COVID-19 into a home (≥1 resident case) was a negative tracer. Results Of 623 homes in Ontario, we obtained complete information on 618 homes (99%) housing 78,607 residents. A total of 5,218 residents (6.6%) developed COVID-19 infection, and 1,452 (1.8%) died with COVID-19 infection as of May 20, 2020. COVID-19 infection was distributed unevenly across nursing homes: 4,496 (86%) of infections occurred in just 63 (10%) of homes. The crowding index ranged across homes from 1.3 (mainly single-occupancy rooms) to 4.0 (exclusively quadruple occupancy rooms); 308 (50%) homes had high crowding index (≥2). Incidence in high crowding index homes was 9.7%, versus 4.5% in low crowding index homes (p<0.001), while COVID-19 mortality was 2.7%, versus 1.3%. The likelihood of COVID-19 introduction did not differ (31.3% vs 30.2%, p=0.79). After adjustment for regional, nursing home, and resident covariates, the crowding index remained associated with increased risk of infection (RR=1.72, 95% Confidence Interval [CI]: 1.11-2.65) and mortality (RR=1.72, 95%CI: 1.03-2.86). Propensity score analysis yielded similar conclusions for infection (RR=2.06, 95%CI: 1.34-3.17) and mortality (RR=2.09, 95%CI: 1.30-3.38). Simulations suggested that converting all 4-bed rooms to 2-bed rooms would have averted 988 (18.9%) infections of COVID-19 and 271 (18.7%) deaths. Conclusions and Relevance Crowding was associated with higher incidence of COVID-19 infection and mortality. Reducing crowding in nursing homes could prevent future COVID-19 mortality.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».