Estimating healthcare resource needs for COVID-19 patients in Nigeria
Notice bibliographique
Résumé
INTRODUCTION: continuous assessment of healthcare resources during the COVID-19 pandemic will help in proper planning and to prevent an overwhelming of the Nigerian healthcare system. In this study, we aim to predict the effect of COVID-19 on hospital resources in Nigeria. METHODS: we adopted a previously published discrete-time, individual-level, health-state transition model of symptomatic COVID-19 patients to the Nigerian healthcare system and COVID-19 epidemiology in Nigeria by September 2020. We simulated different combined scenarios of epidemic trajectories and acute care capacity. Primary outcomes included the expected cumulative number of cases, days until depletion resources and the number of deaths associated with resource constraints. Outcomes were predicted over a 60-day time horizon. RESULTS: in our best-case epidemic trajectory, which implies successful implementation of public health measures to control COVID-19 spread, assuming all three resource scenarios, hospital resources would not be expended within the 60-days time horizon. In our worst-case epidemic trajectory, assuming conservative resource scenario, only ventilated ICU beds would be depleted after 39 days and 16 patients were projected to die while waiting for ventilated ICU bed. Acute care resources were only sufficient in the three epidemic trajectory scenarios when combined with a substantial increase in healthcare resources. CONCLUSION: substantial increase in hospital resources is required to manage the COVID-19 pandemic in Nigeria, even as the infection growth rate declines. Given Nigeria's limited health resources, it is imperative to focus on maintaining aggressive public health measures as well as increasing hospital resources to reduce COVID-19 transmission further.
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 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 | 0,003 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».