MétaCan
Menu
Retour à la cohorte
Enregistrement W3095619272 · doi:10.1101/2020.10.26.20219352

Pandemic impacts on healthcare utilisation: a systematic review

2020· review· en· W3095619272 sur OpenAlexaff
Ray Moynihan, Sharon Sanders, Zoe A Michaleff, Anna Mae Scott, Justin Clark, Emma J To, Mark Jones, Eliza Kitchener, Melissa Fox, Minna Johansson, Eddy Lang, Anne Duggan, Ian Scott, Loai Albarqouni

Notice bibliographique

RevuemedRxiv · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésTriagePandemicMedicineHealth careInterquartile rangeCoronavirus disease 2019 (COVID-19)Descriptive statisticsMEDLINEFamily medicineSystematic reviewMedical emergencyDiseasePolitical scienceStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract Objectives To determine the extent and nature of changes in utilisation of healthcare services during COVID-19 pandemic. Design Systematic review Eligibility Eligible studies compared utilisation of services during COVID-19 pandemic to at least one comparable period in prior years. Services included visits, admissions, diagnostics, and therapeutics. Studies were excluded if from single-centres or studied only COVID-19 patients. Data sources PubMed, Embase, Cochrane COVID-19 Study Register, and pre-prints were searched, without language restrictions, until August 10, using detailed searches with key concepts including COVID-19, health services and impact. Data analysis Risk of bias was assessed by adapting ROBINS-I and Cochrane Effective Practice and Organization of Care tool. Results were analysed using descriptive statistics, graphical figures, and narrative synthesis. Outcome measures Primary outcome was change in service utilisation between pre-pandemic and pandemic periods. Secondary outcome was the change in proportions of users of healthcare services with milder or more severe illness (e.g. triage scores). Results 3097 unique references were identified, and 81 studies across 20 countries included, reporting on >11 million services pre-pandemic and 6.9 million during pandemic. For the primary outcome, there were 143 estimates of changes, with a median 37% reduction in services overall (interquartile range −51% to −20%), comprising median reductions for visits of 42%(−53% to −32%), admissions, 28%(−40% to −17%), diagnostics, 31%(−53% to −24%), and for therapeutics, 30%(−57% to −19%). Among 35 studies reporting secondary outcomes, there were 60 estimates, with 27(45%) reporting larger reductions in utilisation among people with a milder spectrum of illness, and 33 (55%) reporting no change. Conclusions Healthcare utilisation decreased by about a third during the pandemic, with considerable variation, and with greater reductions among people with less severe illness. While addressing unmet need remains a priority, studies of health impacts of reductions may help health-systems prioritise higher-value care in the post-pandemic recovery. Funding, Study registration No funding was required. PROSPERO: CRD42020203729 Strengths and limitations of this study – The review is the first broad synthesis of global studies of pandemic related changes in utilisation across all categories of healthcare services. – The review provides novel findings informing design of future studies of pandemic-related changes in utilisation and its impacts. – Limitations include the possibility of publication bias and the potential of our eligibility criteria to exclude important data sources such as studies in single-centres and unpublished datasets from health systems. – Heterogenous designs and settings precluding meta-analysis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,458
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0070,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,002

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 Opus0,227
Tête enseignante GPT0,478
Écart entre enseignants0,251 · 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 tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations24
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetCOVID-19 and healthcare impactsTravaux en français237 207