Side-Effects of COVID-19 on Patient Care: An INR Story
Notice bibliographique
Résumé
BACKGROUND: Numerous studies have documented reduced access to patient care due to the COVID-19 pandemic, including access to diagnostic or screening tests, prescription medications, and treatment for an ongoing condition. In the context of clinical management for venous thromboembolism, this could result in suboptimal therapy with warfarin. We aimed to determine the impact of the pandemic on utilization of International Normalized Ratio (INR) testing and the percentage of high and low results. METHODS: INR data from 11 institutions were extracted to compare testing volume and the percentage of INR results ≥3.5 and ≤1.5 between a pre-pandemic period (January-June 2019, period 1) and a portion of the COVID-19 pandemic period (January-June 2020, period 2). The analysis was performed for inpatient and outpatient cohorts. RESULTS: Testing volumes showed relatively little change in January and February, followed by a significant decrease in March, April, and May, and then returned to baseline in June. Outpatient testing showed a larger percentage decrease in testing volume compared to inpatient testing. At 10 of the 11 study sites, we observed an increase in the percentage of abnormal high INR results as test volumes decreased, primarily among outpatients. CONCLUSION: The COVID-19 pandemic impacted INR testing among outpatients which may be attributable to several factors. Increased supratherapeutic INR results during the pandemic period when there was reduced laboratory utilization and access to care is concerning because of the risk of adverse bleeding events in this group of patients. This could be mitigated in the future by offering drive-through testing and/or widespread implementation of home INR monitoring.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 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 ».