Primary care utilization for patients with newly diagnosed cancer during the COVID-19 pandemic: a population-based study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic greatly impacted primary care and cancer care. We studied how primary care utilization in Ontario, Canada changed for patients who were newly diagnosed with cancer just prior to the COVID-19 pandemic compared to those diagnosed in non-pandemic years. METHODS: This population-based, retrospective cohort study used linked healthcare databases to compare outcomes for patients with a new malignancy diagnosed within the year prior to the COVID-19 pandemic, between July 1 and September 30, 2019 (COVID-19 cohort) to those diagnosed in the same months in 2018 and 2017 (pre-pandemic cohort). We used Poisson regression models to compare rates of in-person and virtual visits to patients' usual primary care physician (PCP), emergency department (ED) visits, and hospitalizations, all reported per person-year of follow-up. RESULTS: In-person visits to usual PCPs decreased from 4.07/person-year in the pre-pandemic cohort to 2.58 in the COVID-19 cohort (p < 0.0001). Virtual visits to usual PCPs increased from 0.00 to 1.53 (p < 0.0001). Combined in-person and virtual visits to patients' usual PCPs was unchanged from 4.07 to 4.12 (p = 0.89). The rate of ED visits decreased from 0.99/person-year to 0.88 (p < 0.0001). Non-elective hospitalizations remained unchanged, from 0.49/person-year to 0.47 (p = 0.1675). CONCLUSION: There was a sizeable shift in primary care visits for cancer patients from in-person to virtual during the pandemic, although there was no resultant increase in hospitalizations. This suggests that early in the pandemic, virtual care allowed for continuity in utilization of primary care, though further studies are required to confirm this persisted later in the pandemic.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».