Demographics of COVID-19 hospitalisations and related fatality risk patterns
Notice bibliographique
Résumé
The assessment of hospitalisations and intensive care is crucial for planning health care resources needed over the course of the coronavirus disease 2019 (COVID-19) pandemic. Nonetheless, comparative empirical assessments of COVID-19 hospitalisations and related fatality risk patterns on a large scale are lacking. This paper exploits anonymised, individual-level data on SARS-CoV-2 confirmed infections collected and harmonized by the European Centre for Disease Prevention and Control to profile the demographics of COVID-19 hospitalised patients across nine European countries during the first pandemic wave (February - June 2020). We estimate the role of demographic factors for the risk of in-hospital mortality, and present a case study exploring individuals' comorbidities based on a subset of COVID-19 hospitalised patients available from the Dutch health system. We find that hospitalisation rates are highest among individuals with confirmed SARS-CoV-2 infection who are not only older than 70 years, but also 50-69 years. The latter group has a longer median time between COVID-19 symptoms' onset and hospitalisation than those aged 70+ years. Men have higher hospitalisation rates than women at all ages, and particularly above age 50. Consistently, men aged 50-59 years have a probability of hospitalisation almost double than women do. Although the gender imbalance in hospitalisation remains above age 70, the gap between men and women narrows at older ages. Comorbidities play a key role in explaining selection effects of COVID-19 confirmed positive cases requiring hospitalisation. Our study contributes to the evaluation of the COVID-19 burden on the demand of health-care during emergency phases. Assessing intensity and timing dimensions of hospital admissions, our findings allow for a better understanding of COVID-19 severe outcomes. Results point to the need of suitable calibrations of epidemiological projections and (re)planning of health services, enhancing preparedness to deal with infectious disease outbreaks.
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 | 0,001 |
| 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 | 0,001 | 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 ».