Statistical methods for assessing the impact of the Covid-19 pandemic on health services use: Paediatric primary care and mental health access.
Notice bibliographique
Résumé
ObjectivesThere were large disruptions to health care services after the onset of the COVID pandemic. We compared outpatient primary care and mental health care physician visits before and during the COVID-19 pandemic in Ontario, Canada. ApproachPopulation-based study of pediatric primary care and mental health visit rates after vs. before Covid restrictions. We used Poisson GEE regression to model 3-year pre-Covid trends and forecast expected trends after restrictions. The model included age, sex, a secular trend, and pre-Covid month indicators. Expected visit rates and 95% CIs post-restrictions were estimated by applying the linear combination of pre-Covid regression coefficients to the post-pandemic data and exponentiating. Relative changes in post Covid visit rates were expressed as an adjusted rate ratio of observed to expected rates by exponentiating the difference of observed and expected post-pandemic log rates and CIs. ResultsIn a population of 2.5 million children, primary care visit rates declined by 20% of expected (adjusted rate ratio [aRR], 0.80; 95% CI, 0.77–0.82). The largest monthly decrease occurred in April 2020. Virtual visits accounted for 53% of overall visits. Although visit rates increased slowly after April 2020, they did not return to pre-restriction levels by November 2020. Mental health visit rates declined rapidly to below expected in April 2020 (aRR, 0.81; 95% CI, 0.79-0.82) followed by an increase to 7% above expected (aRR, 1.07; 95% CI, 1.04-1.09) by July 2020 and sustained at 10-15% above expected to February 2021. Adolescent females had the greatest overall increase in mental health visit rates relative to expected (aRR, 1.26; 95% CI, 1.25-1.28). ConclusionThe pandemic contributed to rapid decreases in primary and mental health care, with some recovery and a shift to virtual care. There was a disproportionate increase in mental health care services among adolescent females. System-level planning to address increasing needs and monitor quality with such large shifts is warranted.
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 | 0,138 | 0,326 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,003 |
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 ».