MétaCan
Menu
Retour à la cohorte
Enregistrement W4388653592 · doi:10.1001/jamanetworkopen.2023.43318

Severe Respiratory Disease Among Children With and Without Medical Complexity During the COVID-19 Pandemic

2023· article· en· W4388653592 sur OpenAlexafffundabout
Christina Belza, Eleanor Pullenayegum, Katherine Nelson, Kazuyoshi Aoyama, Longdi Fu, Francine Buchanan, Sanober Diaz, Ori Goldberg, Astrid Guttmann, Charlotte Moore Hepburn, Sanjay Mahant, Rachel Martens, Apsara Ali Nathwani, Natasha Saunders, Eyal Cohen

Notice bibliographique

RevueJAMA Network Open · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensMcMaster UniversityInstitute for Clinical Evaluative SciencesUniversity of TorontoSickKids FoundationHospital for Sick ChildrenPublic Health Ontario
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicinePandemicRespiratory systemPopulationPediatricsCoronavirus disease 2019 (COVID-19)Emergency medicineDiseaseInternal medicineEnvironmental healthInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Importance: Severe respiratory disease declined during the COVID-19 pandemic, partially due to decreased circulation of respiratory pathogens. However, the outcomes of children with higher risk have not been described using population-based data. Objective: To compare respiratory-related hospitalizations, intensive care unit (ICU) admissions, and mortality during the pandemic vs prepandemic, among children with medical complexity (CMC) and without medical complexity (non-CMC). Design, Setting, and Participants: This population-based repeated cross-sectional study used Canadian health administrative data of children aged younger than 18 years in community and pediatric hospitals during a pandemic period (April 1, 2020, to February 28, 2022) compared with a 3-year prepandemic period (April 1, 2017, to March 31, 2020). The pandemic period was analyzed separately for year 1 (April 1, 2020, to March 31, 2021) and year 2 (April 1, 2021, to February 28, 2022). Statistical analysis was performed from October 2022 to April 2023. Main Outcomes and Measures: Respiratory-related hospitalizations, ICU admissions, and mortality before and during the pandemic among CMC and non-CMC. Results: A total of 139 078 respiratory hospitalizations (29 461 respiratory hospitalizations for CMC and 109 617 for non-CMC) occurred during the study period. Among CMC, there were fewer respiratory hospitalizations in both 2020 (rate ratio [RR], 0.44 [95% CI, 0.42-0.46]) and 2021 (RR, 0.55 [95% CI, 0.51-0.62]) compared with the prepandemic period. Among non-CMC, there was an even larger relative reduction in respiratory hospitalizations in 2020 (RR, 0.18 [95% CI, 0.17-0.19]) and a similar reduction in 2021 (RR, 0.55 [95% CI, 0.54-0.56]), compared with the prepandemic period. Reductions in ICU admissions for respiratory illness followed a similar pattern for CMC (2020: RR, 0.56 [95% CI, 0.53-0.59]; 2021: RR, 0.66 [95% CI, 0.63-0.70]) and non-CMC (2020: RR, 0.22 [95% CI, 0.20-0.24]; RR, 0.65 [95% CI, 0.61-0.69]). In-hospital mortality for these conditions decreased among CMC in both 2020 (RR, 0.63 [95% CI, 0.51-0.77]) and 2021 (RR, 0.72 [95% CI, 0.59-0.87]). Conclusions and Relevance: This cross-sectional study found a substantial decrease in severe respiratory disease resulting in hospitalizations, ICU admissions, and mortality during the first 2 years of the pandemic compared with the 3 prepandemic years. These findings suggest that future evaluations of the effect of public health interventions aimed at reducing circulating respiratory pathogens during nonpandemic periods of increased respiratory illness may be warranted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,761

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,128
Tête enseignante GPT0,327
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJAMA Network OpenMême sujetHealthcare Policy and ManagementTravaux en français237 207