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 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 | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».