Hospitalizations in Sarcoidosis: A Cohort Study of a Universal Healthcare Population
Notice bibliographique
Résumé
Abstract Rationale Population-based analyses of hospitalization rates from countries with universal healthcare systems are lacking for patients with sarcoidosis. Objectives To evaluate the long-term trends in hospitalization rates and risk factors for hospitalization in patients with sarcoidosis in Ontario, Canada. Methods We performed a cohort study using health administrative data from Ontario, Canada, between 1996 and 2015. Patients with sarcoidosis were identified by using two or more physician visits and International Classification of Diseases codes. All-cause and sarcoidosis-related hospitalization rates were age and sex standardized. Hospitalization rates between groups were analyzed by using Cochran-Armitage and Breslow-Day tests. Associations between patient characteristics and hospitalization rates were evaluated by using multivariable Poisson regression. Results In total, 18,550 individuals with sarcoidosis experienced 33,516 all-cause and 1,725 sarcoidosis-related hospitalizations. Adjusted all-cause hospitalization rates decreased from 206.4 to 152.1 per 1,000 cases between 1996 and 2015 (26% decrease; P < 0.001). The largest decrease in all-cause hospitalization occurred in patients 18–25 years old (67% decrease; P < 0.001). Adjusted sarcoidosis-related hospitalization rates decreased from 21.8 to 4.2 per 1,000 cases between 1996 and 2015 (81% decrease; P < 0.001). The decrease in sarcoidosis-related hospitalizations was largest in women compared with men (87% vs. 72%; P = 0.004) and in those 26–35 years old (91% reduction; P < 0.001). Lower income (risk ratio, 1.27 [1.18–1.37]; P < 0.001) and rural residence (risk ratio, 1.16 [1.08–1.24]; P < 0.001) were associated with increased all-cause hospitalizations. Conclusions Hospitalization rates in patients with sarcoidosis have decreased over the past 20 years, most substantially in patients of younger age. Important differences in the risk of hospitalization exist on the basis of sex, socioeconomic factors, and geographic factors in patients with sarcoidosis.
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 | 0,002 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».