The effect of the COVID-19 pandemic on hospital admissions and outpatient visits in Ontario, Canada
Notice bibliographique
Résumé
INTRODUCTION: The wave-over-wave effect of the COVID-19 pandemic on hospital visits for non-COVID-19-related diagnoses in Ontario, Canada remains unknown. METHODS: We compared the rates of acute care hospitalizations (Discharge Abstract Database), emergency department (ED) visits, and day surgery visits (National Ambulatory Care Reporting System) during the first five "waves" of Ontario's COVID-19 pandemic with prepandemic rates (since January 1, 2017) across a spectrum of diagnostic classifications. RESULTS: Patients admitted in the COVID-19 era were less likely to reside in long-term-care facilities (OR 0.68 [0.67-0.69]), more likely to reside in supportive housing (OR 1.66 [1.63-1.68]), arrive by ambulance (OR 1.20 [1.20-1.21]) or be admitted urgently (OR 1.10 [1.09-1.11]). Since the start of the COVID-19 pandemic (February 26, 2020), there were an estimated 124,987 fewer emergency admissions than expected based on prepandemic seasonal trends, representing reductions from baseline of 14% during Wave 1, 10.1% in Wave 2, 4.6% in Wave 3, 2.4% in Wave 4, and 10% in Wave 5. There were 27,616 fewer medical admissions to acute care, 82,193 fewer surgical admissions, 2,018,816 fewer ED visits, and 667,919 fewer day-surgery visits than expected. Volumes declined below expected rates for most diagnosis groups, with emergency admissions and ED visits associated with respiratory disorders exhibiting the greatest reduction; mental health and addictions was a notable exception, where admissions to acute care following Wave 2 increased above prepandemic levels. CONCLUSIONS: Hospital visits across all diagnostic categories and visit types were reduced at the onset of the COVID-19 pandemic in Ontario, followed by varying degrees of recovery.
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 | 0,002 | 0,011 |
| 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 | 0,000 | 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) | 0,000 | 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 ».