The Impact of the COVID-19 Pandemic on End-of-Life Prescribing in Ontario Nursing Homes.
Notice bibliographique
Résumé
ObjectivesOur preliminary work revealed significant variations in the prescribing of end-of-life symptom management medications in nursing homes prior to the onset of the COVID-19 pandemic. In this study, we sought to explore whether the prescribing of end-of-life medications in nursing homes changed with the onset of the pandemic. ApproachThis was a retrospective cohort study of nursing home residents age 65+ who died in Ontario, Canada, divided into two time periods based on death date: pre-COVID-19 (January 1st, 2017 – March 17th, 2020) and during COVID-19 (March 18th, 2020 – March 31st, 2021). Using routinely collected health administrative data and our evidence-based end-of-life medications list, we linked resident data to prescription claims to identify whether residents were prescribed these medications in the last 14 days of life. We grouped homes into quintiles according to the proportion of decedents who received ≥1 prescription and examined changes in prescribing before and during COVID-19. ResultsNursing homes in the lowest prescribing quintile prescribed, on average, 11.5% fewer end-of-life symptom management medications during COVID-19 compared to pre-pandemic. Conversely, homes in the highest quintile prescribed an average of 13.7% more medications during COVID-19. Nursing homes in the lowest quintile had more COVID-19-positive residents (33% of residents) compared to homes in the highest quintile (9% of residents). Additionally, nursing homes in the lowest prescribing quintile spent more time with active COVID-19 outbreaks compared to homes in the highest quintile (mean 72.7 days versus 24.1 days, respectively, standardized difference 0.819). ConclusionThe COVID-19 pandemic has disproportionately impacted nursing homes across Canada. Our findings suggest that nursing homes with low rates of prescribing of end-of-life medications prior to the pandemic had even lower prescribing rates during the pandemic. These homes were also harder hit by COVID-19 infections and 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 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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».