The COVID-19 pandemic and healthcare utilization in Iran: evidence from an interrupted time series analysis
Notice bibliographique
Résumé
BACKGROUND: This study aimed to examine the effect of the coronavirus disease 2019 (COVID-19) outbreak on the hospitalization rate, emergency department (ED) visits, and outpatient clinic visits in western Iran. METHODS: We collected data on the monthly hospitalization rate, rate of patients referred to the ED, and rate of patients referred to outpatient clinics for a period of 40 months (23 months before and 17 months after the COVID-19 outbreak in Iran) from all 7 public hospitals in the city of Kermanshah. An interrupted time series analysis was conducted to examine the impact of COVID-19 on the outcome variables in this study. RESULTS: A statistically significant decrease of 38.11 hospitalizations per 10,000 population (95% confidence interval [CI], 24.93-51.29) was observed in the first month of the COVID-19 outbreak. The corresponding reductions in ED visits and outpatient visits per 10,000 population were 191.65 (95% CI, 166.63-216.66) and 168.57 (95% CI, 126.41-210.73), respectively. After the initial reduction, significant monthly increases in the hospitalization rate (an increase of 1.81 per 10,000 population), ED visits (an increase of 2.16 per 10,000 population), and outpatient clinic visits (an increase of 5.77 per 10,000 population) were observed during the COVID-19 pandemic. CONCLUSION: Our study showed that the utilization of outpatient and inpatient services in hospitals and clinics significantly declined after the COVID-19 outbreak, and use of these services did not return to pre-outbreak levels as of June 2021.
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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».