Effect of COVID-19 on the Number of CT-scans and MRI Services of Public Hospitals in Iran: An Interrupted Time Series Analysis
Notice bibliographique
Résumé
Background: In February 2020, the Ministry of Health and Medical Education in Iran announced the first case of COVID-19. The aim of this study was to investigate the impact of COVID-19 on the number of CT-Scans and MRI services in public hospitals in western Iran. Methods: We collected CT-scans and MRI services data from 18 public hospitals via Vice-Chancellor Office, Lorestan University of Medical Sciences from January 2017 to February 2021. Interrupted time series analysis (ITSA) was conducted to assess the impact of COVID-19 on CT-Scans and MRI services. More specifically, ITSA was conducted using ordinary least squares regression with the number of CT-Scans and MRI services per 1,000 registered persons per month as dependent variable. Results: At the beginning of the observation period, the monthly rate of CT-Scans was constant (p for trend = 0.267) at 291.9 (from 95%CI 240.5 to 343.4) per 1,000 registered patients. The first case of COVID-19 coincided with an abrupt increase by 211.8 (from 95%CI 102.9 to 320.7) per 1,000 patients. Thereafter, the trend of CT-Scans did not change (p=0.576) compared to the pre-pandemic period. The rate of MRI services was 363.5 per 1,000 per registered patients per month (P = <0.0001) with a slightly decreasing trend (coefficient=-5; 95%CI, -6.9 to -3.1). Conclusion: The findings of this study showed that crises such as COVID-19 can affect the service delivery process. Health policymakers and decision makers should work to prevent potential reductions in health care during events such as COVID-19.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».