Trends in Intensive Care for Patients with COVID-19 in England, Wales, and Northern Ireland
Notice bibliographique
Résumé
Abstract Rationale By describing trends in intensive care for patients with coronavirus disease (COVID-19) we aim to support clinical learning, service planning, and hypothesis generation. Objectives To describe variation in ICU admission rates over time and by geography during the first wave of the epidemic in England, Wales, and Northern Ireland; to describe trends in patient characteristics on admission to ICU, first-24-hours physiology in ICU, processes of care in ICU and patient outcomes; and to explore deviations in trends during the peak period. Methods A cohort of 10,741 patients with COVID-19 in the Case Mix Program national clinical audit from February 1 to July 31, 2020, was used. Analyses were stratified by time period (prepeak, peak, and postpeak periods) and geographical region. Logistic regression was used to estimate adjusted differences in 28-day in-hospital mortality between periods. Measurements and Main Results Admissions to ICUs peaked almost simultaneously across regions but varied 4.6-fold in magnitude. Compared with patients admitted in the prepeak period, patients admitted in the postpeak period were slightly younger but with higher degrees of dependency and comorbidity on admission to ICUs and more deranged first-24-hours physiology. Despite this, receipt of invasive ventilation and renal replacement therapy decreased, and adjusted 28-day in-hospital mortality was reduced by 11.8% (95% confidence interval, 8.7%–15.0%). Many variables exhibited u-shaped or n-shaped curves during the peak. Conclusions The population of patients with COVID-19 admitted to ICUs, and the processes of care in ICUs, changed over the first wave of the epidemic. After adjustment for important risk factors, there was a substantial improvement in patient outcomes.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».