MétaCan
Menu
Retour à la cohorte
Enregistrement W3193928955 · doi:10.1016/j.lana.2021.100056

Association between government policy and delays in emergent and elective surgical care during the COVID-19 pandemic in Brazil: a modeling study

2021· article· en· W3193928955 sur OpenAlexaff
Paul Truché, Letícia Nunes Campos, Enzzo Barrozo Marrazzo, Ayla Gerk, Ramon Bernardino, Alexis N. Bowder, Alexandra Buda, Isabella Faria, Laura Pompermaier, Henry E. Rice, David Watters, Fernanda Lage Lima Dantas, David P. Mooney, Fábio Botelho, Rodrigo Vaz Ferreira, Nivaldo Alonso

Notice bibliographique

RevueThe Lancet Regional Health - Americas · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensMontreal Children's Hospital
Organismes subventionnairesnon disponible
Mots-clésPandemicPublic healthMedicineGovernment (linguistics)Confidence intervalCoronavirus disease 2019 (COVID-19)Health careElective surgeryMedical emergencyEmergency medicineSurgeryNursingEconomicsInternal medicineEconomic growth

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The impact of public health policy to reduce the spread of COVID-19 on access to surgical care is poorly defined. We aim to quantify the surgical backlog during the COVID-19 pandemic in the Brazilian public health system and determine the relationship between state-level policy response and the degree of state-level delays in public surgical care. METHODS: Monthly estimates of surgical procedures performed per state from January 2016 to December 2020 were obtained from Brazil's Unified Health System Informatics Department. Forecasting models using historical surgical volume data before March 2020 (first reported COVID-19 case) were constructed to predict expected monthly operations from March through December 2020. Total, emergency, and elective surgical monthly backlogs were calculated by comparing reported volume to forecasted volume. Linear mixed effects models were used to model the relationship between public surgical delivery and two measures of health policy response: the COVID-19 Stringency Index (SI) and the Containment & Health Index (CHI) by state. FINDINGS: Between March and December 2020, the total surgical backlog included 1,119,433 (95% Confidence Interval 762,663-1,523,995) total operations, 161,321 (95%CI 37,468-395,478) emergent operations, and 928,758 (95%CI 675,202-1,208,769) elective operations. Increased SI and CHI scores were associated with reductions in emergent surgical delays but increases in elective surgical backlogs. The maximum government stringency (score = 100) reduced emergency delays to nearly zero but tripled the elective surgical backlog. INTERPRETATION: Strong health policy efforts to contain COVID-19 ensure minimal reductions in delivery of emergent surgery, but dramatically increase elective backlogs. Additional coordinated government efforts will be necessary to specifically address the increased elective backlogs that accompany stringent responses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,149
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,161
Tête enseignante GPT0,476
Écart entre enseignants0,315 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Lancet Regional Health - AmericasMême sujetCOVID-19 and healthcare impactsTravaux en français237 207