Changes in reasons for visits to primary care after the start of the COVID-19 pandemic: An international comparative study by the International Consortium of Primary Care Big Data Researchers (INTRePID)
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has reshaped healthcare delivery worldwide. OBJECTIVE: To explore potential changes in the reasons for visits and modality of care in primary care settings through the International Consortium of Primary Care Big Data Researchers (INTRePID). METHODS: We conducted a cross-sectional, retrospective study from 2018-2021. We examined visit volume, modality, and reasons for visits to primary care in Argentina, Australia, Canada, China, Peru, Norway, Singapore, Sweden, and the USA. The analysis involved a comparison between the pre-pandemic and pandemic periods. RESULTS: There were more than 215 million visits from over 38 million patients during the study period in INTRePID primary care settings. Most INTRePID countries experienced a decline in monthly visit rates during the first year of the pandemic, with rate ratios (RR) and 95% confidence intervals (CI) ranging from RR:0.57 (95%CI:0.49-0.66) to RR:0.90 (95%CI:0.83-0.98), except for in Canada (RR:0.99, 95%CI:0.94-1.05) and Norway (RR:1.00, 95%CI:0.92-1.10), where rates remained stable and in Australia where rates increased (RR:1.19, 95%CI:1.11-1.28). Argentina, China, and Singapore had limited or no adoption of virtual care, whereas the remaining INTRePID countries varied in the extent of virtual care utilization. In Peru, virtual visits accounted for 7.34% (95%CI:7.33%-7.35%) of all interactions in the initial year of the pandemic, dipping to 5.22% (95%CI:5.21%-5.23%) in the subsequent year. However, in Canada 75.30% (95%CI:75.20%-75.40%) of the visits in the first year were virtual, decreasing to 62.77% (95%CI:62.66%-62.88%) in the second year. Diabetes, hypertension and/or hyperlipidemia and general health exams were in the top 10 reasons for visits in 2019 for all countries. Anxiety, depression and/or other mental health related reasons were among the top 10 reasons for virtual visits in all countries that had virtual care. CONCLUSIONS: The pandemic resulted in changes in reasons for visits to primary care, with virtual care mitigating visit volume disruptions in many countries.
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 | 0,007 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».