Hospital discharges for substance-related injuries before and during the COVID-19 pandemic: a descriptive surveillance study using administrative data
Notice bibliographique
Résumé
Background: The COVID-19 pandemic and associated behavioural changes have contributed to an increase in substance-related hospital discharges, and has altered the injury epidemiology landscape in Canada. We sought to evaluate hospital discharges for substance-related injuries during the pandemic compared with prepandemic and to identify subpopulations that have been greatly affected by substance-related injuries during the first year of the pandemic. Methods: We compared data on hospital discharges in Canada from before the pandemic (March 2019–February 2020) with discharges during the first year of the pandemic (March 2020–February 2021) using the Discharge Abstract Database. We identified discharges for substance-related injuries using codes from the International Statistical Classification of Diseases and Related Health Problems, 10th Revision. We calculated percent changes, age-standardized rates and age-specific rates of discharges for substance-related injuries. Results: Hospital discharges for substance-related injuries increased by 7.1% during the first year of the pandemic. Discharges for intentional injuries decreased by 6.3%, whereas unintentional substance-related injuries increased by 15.1% during this period. Male patients accounted for 95.6% of the increase in hospital discharges for substance-related injuries during the first year of the pandemic. We observed a percent increase among discharges for injuries related to alcohol, opioid, cannabinoid, hallucinogen, tobacco, volatile solvents, other psychoactive substances and polysubstance use. Interpretation: We observed an increase in hospital discharges for substance-related injuries during the first year of the COVID-19 pandemic, compared with the same time period before the pandemic. This work will provide useful insight into the ongoing management of the COVID-19 pandemic, as well as future policy and health care planning related to substance use in Canada.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».