Big data evidence of the impact of COVID-19 hospitalizations on mortality rates of non-COVID-19 critically ill patients
Notice bibliographique
Résumé
The COVID-19 virus caused a global pandemic leading to a swift policy response. While this response was designed to prevent the spread of the virus and support those with COVID-19, there is growing evidence regarding measurable impacts on non-COVID-19 patients. The paper uses a large dataset from administrative records of the Brazilian public health system (SUS) to estimate pandemic spillover effects in critically ill health care delivery, i.e. the additional mortality risk that COVID-19 ICU hospitalizations generate on non-COVID-19 patients receiving intensive care. The data contain the universe of ICU hospitalizations in SUS from February 26, 2020 to December 31, 2021. Spillover estimates are obtained from high-dimensional fixed effects regression models that control for a number of unobservable confounders. Our findings indicate that, on average, the pandemic increased the mortality risk of non-COVID-19 ICU patients by 1.296 percentage points, 95% CI 1.145-1.448. The spillover mortality risk is larger for non-COVID patients receiving intensive care due to diseases of the respiratory system, diseases of the skin and subcutaneous tissue, and infectious and parasitic diseases. As of July 2023, the WHO reports more than 6.9 million global deaths due to COVID-19 infection. However, our estimates of spillover effects suggest that the pandemic's total death toll is much higher.
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 | 0,009 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».