MétaCan
Menu
Retour à la cohorte
Enregistrement W3076258403 · doi:10.1093/pch/pxaa068.110

111 Kawasaki disease in Ontario children from 1995-2017: A population-based descriptive analysis

2020· article· en· W3076258403 sur OpenAlexaffabout
Megan Schlorff, Cal Robinson, Tapas Mondal, Catherine Demers, Elizabeth Darling, Sandeep Brar, Rulan S. Parekh, Hsien Seowh, Rahul Chanchlani, Michelle Batthish

Notice bibliographique

RevuePaediatrics & Child Health · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueKawasaki Disease and Coronary Complications
Établissements canadiensUniversity of TorontoMcMaster University
Organismes subventionnairesnon disponible
Mots-clésKawasaki diseaseMedicineIncidence (geometry)PediatricsPopulationHealth careCohortDiseaseSurgeryInternal medicineEnvironmental healthArtery

Résumé

récupéré en direct d'OpenAlex

Abstract Background Kawasaki disease (KD) is a common pediatric vasculitis with rising global incidence. Associated coronary artery aneurysms (CAA) can result in significant long-term morbidity and mortality. However, our understanding of the trends in incidence along with patient and disease characteristics for North American children over the past two decades remains limited, particularly in universal health care systems. This understanding can inform healthcare resource planning and identify knowledge gaps for educational initiatives. Objectives The objectives of this study were to: 1) compare patient, hospital and disease characteristics for children diagnosed with KD between two eras (1995-2001 and 2002-2017) and three age groups (0-4yr, 5-9yr, 10-18yr) and 2) determine trends in KD incidence across Ontario, Canada between 1995 to 2017. Design/Methods We used healthcare administrative databases housed at the Institute for Clinical Evaluative Sciences (ICES) to identify a population-based cohort of Ontario children (0-18 years) diagnosed with KD during hospital admission between April 1995 and March 2017. We excluded children with previous KD diagnosis. We compared eras and age groups by Chi-squared test. We determined the annual incidence of KD in Ontario, compared by Cochrane-Armitage test. Results We identified 4346 Ontario children diagnosed with KD between 1995-2017. The mean (SD) age at diagnosis was 3.4 years (± 2.9) and male:female ratio was 1.5:1. Median (IQR) length of hospital admission was 3 days (2-4) and 104 children (2.4%) required PICU admission. No child died within 90 days of diagnosis. Baseline CAA were observed in 106 children (2.4%). There was no difference in baseline CAA by era (2.3% [1995-2001] vs 2.5% [2002-2017], p=0.72). CAA were significantly more common in children aged 10-18 years (5.3% vs 2.4% [0-4yr] and 2.2% [5-9yr], p=0.03). Myo-/pericarditis occurred in 71 children (1.6%). Red blood cell transfusions were administered to 51 children (1.2%) and were significantly more common during 2002-2017 (≤0.5% vs 1.5%, p<0.001). The standardized incidence of KD increased significantly over the study period (p<0.0001), from 6.5 cases per 100,000 person-years (1995-2000) to 8.4 cases (2012-2017). Significant seasonal variation was observed; incidence was highest from November to March (OR 1.7 – 2.1, using August as reference month) and peaked in January (OR 2.1). Conclusion The incidence of KD has increased significantly over the past 20 years in Ontario, Canada which may reflect increased awareness and improved diagnosis. However, the frequency of baseline CAA has not changed. Baseline CAA are more common in children 10-18 years. This may suggest delayed diagnosis in this age group.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,072
Score d'incertitude au seuil0,144

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,005
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,269
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePaediatrics & Child HealthMême sujetKawasaki Disease and Coronary ComplicationsTravaux en français237 207