Immediate and Ongoing Impact of COVID-19 on Chlamydia Treatment in Australia
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has impacted the sexual health and well-being of individuals, directly through risk of contracting COVID-19, and indirectly through government lockdowns. Government restrictions were especially strict and long-lasting in Australia, they also varied by state, offering an interesting opportunity to study the impacts of varying restrictions. This study compares the impact of the COVID-19 pandemic and resulting restrictions on chlamydia treatment prescriptions during 2020, through to July 2021 between different states and demographic groups in Australia. METHODS: The rate of prescriptions per 100,000 population filled each month from January 2017 to July 2021 from Australia's Pharmaceutical Benefits Scheme for Azithromycin with a restricted indication to treat Chlamydia trachomatis was used to measure chlamydia treatment. The impact of COVID-19 lockdowns was modeled using an interrupted time-series Poisson regression model. RESULTS: The data included 520,025 prescriptions to treat chlamydia, averaging 37.5 prescriptions per month per 100,000 population. Prescriptions declined 26% in April to May 2020 when initial COVID-19 lockdowns began in Australia; prescriptions increased in the following months but remained on average 21% below prepandemic (2017-2019) levels through to July 2021. Prescriptions declined the most in 1 Australian state, Victoria, both in the initial lockdown and the following period; generally, states with more COVID-19 cases saw bigger reductions in prescriptions. CONCLUSIONS: This is the first study to examine how treatment for chlamydia in Australia was impacted by the COVID-19 pandemic and restrictions not only in the immediate-term, but also ongoing up to July 2021, providing important information for planning for sexual health services in future pandemics.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 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 ».