Hospitalization and hospital mortality rates during the first and second waves of the COVID-19 pandemic in Quebec: interrupted time series and decomposition analysis.
Notice bibliographique
Résumé
OBJECTIVES: We investigated hospitalization and hospital mortality rates by cause during the first year of the COVID-19 pandemic in Quebec, Canada. STUDY DESIGN: Interrupted time series and decomposition analysis. METHODS: We analyzed hospital mortality during the first (February 25-August 22, 2020) and second waves (August 23, 2020-March 31, 2021), compared with 2019. We identified the cause of death and examined trends using: 1) interrupted time series analysis; 2) log-binomial regression; and 3) decomposition of cause-specific mortality. RESULTS: Hospitalization rates decreased; however, the proportion of deaths increased from 27.0 per 1000 in 2019 to 35.0 per 1000 in the first wave, for an excess of 8.0 deaths per 1000 admissions. COVID-19 was the cause of a third of excess deaths (2.6 per 1000). Other drivers of excess deaths included respiratory conditions (1.6 deaths per 1000), circulatory disorders (0.6 deaths per 1000), and cancer (0.9 deaths per 1000). COVID-19 was the cause of 58% of excess deaths in the second wave. Interrupted time series regression indicated that the proportion of deaths increased at the outset of the first wave but returned to prepandemic levels before increasing again in the second wave. Compared with 2019, the first wave was associated with 1.31 times (95% confidence interval [CI] 1.28-1.33) and the second wave with 1.17 times (95% CI 1.15-1.19) the risk of death during hospitalization. CONCLUSIONS: The pandemic was associated with a greater risk of hospital mortality. Excess deaths were driven by COVID-19 but also other causes, including respiratory conditions, circulatory disorders, and cancer.
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) | 0,000 | 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 ».