The Collapse of Infectious Disease Diagnoses Commonly Due to Communicable Respiratory Pathogens During the Coronavirus Disease 2019 Pandemic: A Time Series and Hierarchical Clustering Analysis
Notice bibliographique
Résumé
Abstract Background Nonpharmaceutical interventions such as physical distancing and mandatory masking were adopted in many jurisdictions during the coronavirus disease 2019 pandemic to decrease spread of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). We determined the effects of these interventions on incidence of healthcare utilization for other infectious diseases. Methods Using a healthcare administrative dataset, we employed an interrupted time series analysis to measure changes in healthcare visits for various infectious diseases across the province of Ontario, Canada, from January 2017 to December 2020. We used a hierarchical clustering algorithm to group diagnoses that demonstrated similar patterns of change through the pandemic months. Results We found that visits for infectious diseases commonly caused by communicable respiratory pathogens (eg, acute bronchitis, acute sinusitis) formed distinct clusters from diagnoses that often originate from pathogens derived from the patient’s own flora (eg, urinary tract infection, cellulitis). Moreover, infectious diagnoses commonly arising from communicable respiratory pathogens (hierarchical cluster 1: highly impacted diagnoses) were significantly decreased, with a rate ratio (RR) of 0.35 (95% confidence interval [CI], .30–.40; P < .001) after the introduction of public health interventions in April–December 2020, whereas infections typically arising from the patient’s own flora (hierarchical cluster 3: minimally impacted diagnoses) did not demonstrate a sustained change in incidence (RR, 0.95 [95% CI, .90–1.01]; P = .085). Conclusions Public health measures to curtail the incidence of SARS-CoV-2 were widely effective against other communicable respiratory infectious diseases with similar modes of transmission but had little effect on infectious diseases not strongly dependent on person-to-person transmission.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».