The Impact of COVID-19 on the Surgical Wait Times for Plastic and Reconstructive Surgery in Ontario
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose: The aim of this study was to assess the impact of COVID-19 on surgical wait times for Plastic and Reconstructive Surgery (PRS) in Ontario, Canada. Methods: Ontario's wait time data has fourteen reporting categories for PRS. For each category, the mean wait time for consultation and for surgery were reported. Each category was given a priority ranging from 1 to 4. Two periods, three-month and six-month, were selected and compared to the same calendar months of the previous year. Wait times, surgical volume and percent change to the provincial wait time target were reported and compared to the baseline data. Results: This study reviewed 9563 consults and 15,000 operative cases. There was a 50% reduction in the volume of surgical consults during the study period compared to the baseline period (P = 0.004). The reduction ranged from 46% to 75% based on the reporting category. The volume of surgical cases decreased by 43% during the study period compared to the baseline period (P = 0.005). A statistically significant increase in the mean wait times for surgery was observed, involving priorities 2 to 4 (overall mean = 32 days, P ≤ 0.01). There was a 15% decrease in the percentage of surgeries meeting the provincial target times (P < 0.0001). Conclusion: COVID-19 has caused a significant reduction in the volume of cases performed in the majority of PRS categories with an overall increase in the wait times for consultation and for surgery. Recovery following COVID-19 will require strategies to address the growing volume of cases and wait times for surgery across all PRS categories.
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.
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 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle