Clearing the surgical backlog caused by COVID-19 in Ontario: a time series modelling study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: To mitigate the effects of coronavirus disease 2019 (COVID-19), jurisdictions worldwide ramped down nonemergent surgeries, creating a global surgical backlog. We sought to estimate the size of the nonemergent surgical backlog during COVID-19 in Ontario, Canada, and the time and resources required to clear the backlog. METHODS: We used 6 Ontario or Canadian population administrative sources to obtain data covering part or all of the period between Jan. 1, 2017, and June 13, 2020, on historical volumes and operating room throughput distributions by surgery type and region, and lengths of stay in ward and intensive care unit (ICU) beds. We used time series forecasting, queuing models and probabilistic sensitivity analysis to estimate the size of the backlog and clearance time for a +10% (+1 day per week at 50% capacity) surge scenario. RESULTS: Between Mar. 15 and June 13, 2020, the estimated backlog in Ontario was 148 364 surgeries (95% prediction interval 124 508-174 589), an average weekly increase of 11 413 surgeries. Estimated backlog clearance time is 84 weeks (95% confidence interval [CI] 46-145), with an estimated weekly throughput of 717 patients (95% CI 326-1367) requiring 719 operating room hours (95% CI 431-1038), 265 ward beds (95% CI 87-678) and 9 ICU beds (95% CI 4-20) per week. INTERPRETATION: The magnitude of the surgical backlog from COVID-19 raises serious implications for the recovery phase in Ontario. Our framework for modelling surgical backlog recovery can be adapted to other jurisdictions, using local data to assist with planning.
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.
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 | 0,003 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 découle