Drivers of COVID-19 Outcomes in Long-Term Care Facilities Using Multi-Level Analysis: A Systematic Review
Notice bibliographique
Résumé
This study aimed to identify the individual, organizational, and environmental factors which contributed to COVID-19-related outcomes in long-term care facilities (LTCFs). A systematic review was conducted to summarize and synthesize empirical studies using a multi-level analysis approach to address the identified influential factors. Five databases were searched on 23 May 2023. To be included in the review, studies had to be published in peer-reviewed journals or as grey literature containing relevant statistical data. The Joanna Briggs Institute critical appraisal tool was employed to assess the methodological quality of each article included in this study. Of 2137 citations identified after exclusions, 99 records met the inclusion criteria. The predominant individual, organizational, and environmental factors that were most frequently found associated with the COVID-19 outbreak comprised older age, higher dependency level; lower staffing levels and lower star and subset domain ratings for the facility; and occupancy metrics and co-occurrences of outbreaks in counties and communities where the LTCFs were located, respectively. The primary individual, organizational, and environmental factors frequently linked to COVID-19-related deaths comprised age, and male sex; higher percentages of racial and ethnic minorities in LTCFs, as well as ownership types (including private, for-profit, and chain membership); and higher occupancy metrics and LTCF's size and bed capacity, respectively. Unfolding the risk factors collectively may mitigate the risk of outbreaks and pandemic-related mortality in LTCFs during future endemic and pandemics through developing and improving interventions that address those significant factors.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».