An analysis of mortality in Ontario using cremation data: Rise in cremations during the COVID-19 pandemic
Notice bibliographique
Résumé
Abstract Background The impact of coronavirus disease 2019 (COVID-19) on mortality in Ontario is unknown. Cremations are performed for most deaths in Ontario and require coroner certification before the cremation can take place. Our objective was to provide timely analysis of deaths during the COVID-19 pandemic using cremation data. Methods We analyze cremation certificate data from January 1, 2017, to June 30, 2020, in Ontario. 2020 cremation records were compared to historical records from 2017-2019 by age, month, and place of death and COVID-19 status. A time series model was fit to quantify the deviation in cremation trends during the COVID-19 period. Results There have been 39 760 cremations in Ontario in 2020 with the highest number of seen in April (N = 7 527 cremations) when peak COVID-19 cases were seen. Over the study period, the proportion of cremations from deaths in hospitals decreased whereas cremations from long-term care and residences increased. In April there were 1 839 more cremations compared to historical averages over 2017-2019, representing a 32% increase. Time series modelling of cremations from January 2017 demonstrated that cremations in April and May 2020 exceeded the projections based on modelled estimates. Conclusion We demonstrate the utility of cremation data for providing timely mortality information during a public health emergency. Cremations were higher in the pandemic months compared to previous years, and there was a shift in deaths occurring in hospitals to long-term care and residences. These timely estimates of mortality are critical for understanding the impact of COVID-19.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».