Did Emergency Department Visits in Infants and Young Children Increase in the Last Decade?
Notice bibliographique
Résumé
OBJECTIVES: The aims of the study were to measure overall trends and to identify leading causes for pediatric emergency department (ED) visits among children aged 0 to 4 years. METHODS: We conducted an 11-year population-based open cohort study using health administrative data from 2008 to 2018 in Ontario, Canada. All ED visits were extracted from the National Ambulatory Care Reporting System, along with the most responsible cause of each visit. Annual ED visit rates were calculated per 100 children in each year. Overall and disease-specific rates for all children were calculated and then stratified by sex and age groups. Relative percentage change in rates between 2008 and 2018 were calculated and compared using standardized differences (SDIFs). Statistical significance of time trends was tested using Poisson regression. RESULTS: This study included an average of 911,566 children from 2008 to 2018. All-cause ED visit rates increased by 28.2% from 2008 to 2018 (43.24-55.42 per 100, SDIF >0.1). Respiratory diseases were consistently the top cause of ED visits, and contributed to 1 in 3 ED visits in 2018. These respiratory conditions include asthma, asthma-related diseases (bronchiolitis, bronchitis, influenza, and pneumonia), and other respiratory diseases. Respiratory ED visit rates increased by 32.8% from 2008 to 2018 (11.51-15.28 per 100, SDIF <0.1), driven by a 46.4% (14.58-21.35 per 100, SDIF >0.1) increase among children younger than 1 year. There was a 78.0% increase in ED visits for bronchiolitis in infants (1.45-2.58 per 100, SDIF <0.1). CONCLUSIONS: Respiratory diseases like bronchiolitis among infants were the consistent leading cause for ED visits. All-cause ED visit rates among young children increased by 28.17% from 2008 to 2018.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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 ».