Effect of COVID-19 on computed tomography usage and critical test results in the emergency department: an observational study
Notice bibliographique
Résumé
Background: The effect of the coronavirus disease 2019 (COVID-19) pandemic on new or unexpected radiologic findings in the emergency department (ED) is unclear. The aim of this study was to determine the effect of the COVID-19 pandemic on the number of computed tomography (CT) critical test results in the ED. Methods: We performed a retrospective observational study of ED CT usage at 4 Ontario hospitals (1 urban academic, 1 northern academic, 1 urban community and 1 rural community) over 1 month during the COVID-19 pandemic (April 2020) and over the same month 1 year earlier (April 2019; before the pandemic). The CT findings from 1 of the 4 hospitals, Hamilton Health Sciences, were reviewed to determine the number of critical test results by body region. Total CT numbers were compared using Poisson regression and CT yields were compared using the χ2 test. Results: The median number of ED CT examinations per day was markedly lower during the COVID-19 pandemic than before the pandemic (82 v. 133, p < 0.01), with variation across hospitals (p = 0.001). On review of 1717 CT reports from Hamilton Health Sciences, fewer critical test results were demonstrated on CT pulmonary angiograms (43 v. 88, p < 0.001) and CT examinations of the head (82 v. 112, p < 0.03) during the pandemic than before the pandemic; however, the yield of these examinations did not change. Although the absolute number of all CT examinations with critical test results decreased, the number of CT examinations without critical results decreased more, resulting in a higher yield of CT for critical test results during the pandemic (46% [322/696] v. 37% [379/1021], p < 0.01). Interpretation: Emergency department CT volumes markedly decreased during the COVID-19 pandemic, predominantly because there were fewer examinations with new or unexpected findings. This suggests that COVID-19 public information campaigns influenced the behaviours of patients presenting to the ED.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».