Abstract 15568: Profound Increases in Out-of-Hospital Cardiopulmonary Arrest Cases Within Most Metropolitan Municipalities During the COVID-19 Pandemic
Notice bibliographique
Résumé
Introduction: Even though most EMS systems globally experienced dramatic decreases in call volumes during the COVID-19 pandemic, many also reported unexpected increases in out-of-hospital cardiac arrest (OHCA) cases. Hypothesis: The pervasiveness of COVID-19 in metropolitan cities might be associated with a greater number of OHCA cases as compared to prior years. Methods: Large city EMS system medical directors responsible for about one-quarter of the U.S. population and millions of others in Europe/Australia were asked to tabulate the absolute number of OHCA cases to which EMS responded within their jurisdictions during the first 4 months of 2020. Results were compared to average numbers encountered during 2018 and 2019. A priori, considering the large populations (high corresponding OHCA frequencies) and case complexities, a 15% increase/decrease was to be considered highly significant (usual variation + 4-8% within the 28-31 days/month). Results: Of 35 major U.S. cities reporting to date, most had significant increases in OHCA, particularly in April with 71% (25/35) of the cities seeing a very large (>15%) increase. Nine cities (26%), all experiencing a high prevalence of COVID-19, had >50% (1.5-fold) increases. Three cities with highly-publicized inundations of COVID-19, experienced more than twice as many arrests (3.5-fold in the worst case). Meanwhile, 3 other cities with relatively low COVID-19 impact to date, had significantly fewer cases. Still, combining all of the 35 cities studied, OHCA increased from 5,009 (2 prior years’ average) to 8,701 (74% increase) during April (Fig 1). Participating cities outside the U.S. (e.g., Paris, London, Perth) mirrored these findings. Conclusions: To date, most, but not all, metropolitan cities have clearly experienced significant increases in OHCA that appear to parallel the prevalence of COVID-19 in their respective jurisdictions. These observations and available forensic data are now part of a work in progress.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».