Mortality trends and length of stays among hospitalized patients with COVID-19 in Ontario and Québec (Canada): a population-based cohort study of the first three epidemic waves
Notice bibliographique
Résumé
BACKGROUND: Epidemics of COVID-19 strained hospital resources. We describe temporal trends in mortality risk and length of stays in hospital and intensive care units (ICUs) among patients with COVID-19 hospitalized through the first three epidemic waves in Canada. METHODS: We used population-based provincial hospitalization data from the epicenters of Canada's epidemics (Ontario and Québec). Adjusted estimates were obtained using marginal standardization of logistic regression models, accounting for patient-level and hospital-level determinants. RESULTS: Using all hospitalizations from Ontario (N = 26,538) and Québec (N = 23,857), we found that unadjusted in-hospital mortality risks peaked at 31% in the first wave and was lowest at the end of the third wave at 6-7%. This general trend remained after adjustments. The odds of in-hospital mortality in the highest patient load quintile were 1.2-fold (95% CI: 1.0-1.4; Ontario) and 1.6-fold (95% CI: 1.3-1.9; Québec) that of the lowest quintile. Mean hospital and ICU length of stays decreased over time but ICU stays were consistently higher in Ontario than Québec. CONCLUSIONS: In-hospital mortality risks and length of ICU stays declined over time despite changing patient demographics. Continuous population-based monitoring of patient outcomes in an evolving epidemic is necessary for health system preparedness and response.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».