Estimated impact of COVID-19 on preventive care service delivery: an observational cohort study
Notice bibliographique
Résumé
BACKGROUND: COVID-19 has caused significant healthcare service disruptions. Surgical backlogs have been estimated but not for other healthcare services. This study aims to estimate the backlog of preventive care services caused by COVID-19. METHODS: This observational study assessed preventive care screening rates at three primary care clinics in Ottawa, Ontario from March to November 2020 using data from 22,685 electronic medical records. The change in cervical cancer, colorectal cancer, and type 2 diabetes screening rates were crudely estimated using 2016 census data, estimating the volume of key services delayed by COVID-19 across Ontario and Canada. RESULTS: The mean percentage of patients appropriately screened for cervical cancer decreased by 7.5% (- 0.3% to - 14.7%; 95% CI), colorectal cancer decreased by 8.1% (- 0.3% to - 15.8%; 95% CI), and type 2 diabetes decreased by 4.5% (- 0.2% to - 8.7%; 95% CI). Crude estimates imply 288,000 cervical cancer (11,000 to 565,000; 95% CI), 326,000 colorectal cancer (13,000 to 638,000; 95% CI), and 274,000 type 2 diabetes screenings (13,000 to 535,000; 95% CI) may be overdue in Ontario. Nationally the deficits may be tripled these numbers. Re-opening measures have not reversed these trends. INTERPRETATION: COVID-19 decreased the delivery of preventive care services, which may cause delayed diagnoses, increased mortality, and increased health care costs. Virtual care and reopening measures have not restored the provision of preventive care services. Electronic medical record data could be leveraged to improve screening via panel management. Additional, system-wide primary care and laboratory capacity will be needed to restore pre-COVID-19 screening rates.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 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 ».