Effects of 2019’s social protests on emergency health services utilization and case severity in Santiago, Chile: a time-series analysis
Notice bibliographique
Résumé
Background: On October 18th, 2019, protestors gathered across Chile to call for social equity, resulting in widespread civil unrest and violent confrontation with the police. In this study, we quantify the effects of the 2019 Chilean protests on emergency health services utilization and inpatient admission in Santiago. Methods: We used weekly emergency department (ED) admissions (2015-2019) from three large public hospitals near the focal point of protests in Santiago. The exposure period was from October 18th to December 31st, 2019. The outcomes were the number of weekly consultations and hospitalizations by trauma and respiratory causes and the proportion of hospitalizations among consultants per 1,000. We implemented Bayesian structural time series models to calculate the absolute and relative effects and 95% credible intervals (CrI). Findings: During the first ten weeks of protests ED consultations declined on average by 14% for trauma (95%CrI: -40·2%, 11·5%) and 30% for respiratory causes (95%CrI: -89·4%, 30·2%), 7% for respiratory hospitalizations (95%CrI: -43·6%, 30·8%); however, none of these three results were statistically distinguishable from the null. Trauma hospitalizations, on the other hand, increased by 15% (95%CrI: 4·0%, 26·4%), and the proportion of hospitalizations per consultations increased by 40% for trauma (95%CrI: 13·1%, 68·0%) and 59% for respiratory causes (95%CrI: 29·4%, 87·9%). Interpretation: The 2019 Chilean protests affected the use of emergency health services by increasing the trauma hospitalizations and the case hospitalization ratio per 1,000 consultations for trauma and respiratory causes. Crowd-control protocols must be reviewed to prevent the negative effects of civil unrest.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».