MétaCan
Menu
Retour à la cohorte
Enregistrement W4402348328 · doi:10.7326/m24-0869

Association Between Hospital Type and Resilience During COVID-19 Caseload Stress

2024· article· en· W4402348328 sur OpenAlexaff
Maniraj Neupane, Sarah Warner, Alex Mancera, Junfeng Sun, Christina Yek, Sadia Sarzynski, Roxana Amirahmadi, Mary Richert, Emad A. Chishti, Morgan Walker, Bruce Swihart, Steven H. Mitchell, John L. Hick, Bram Rochwerg, Eddy Fan, Cumhur Y. Demirkale, Sameer S. Kadri

Notice bibliographique

RevueAnnals of Internal Medicine · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensUniversity of TorontoMcMaster UniversityImpact
Organismes subventionnairesnon disponible
Mots-clésMedicineCoronavirus disease 2019 (COVID-19)Resilience (materials science)2019-20 coronavirus outbreakStress (linguistics)PandemicAssociation (psychology)Emergency medicineInternal medicineOutbreakDiseaseVirology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Imbalances between hospital caseload and care resources that strained U.S. hospitals during the pandemic have persisted after the pandemic amid ongoing staff shortages. Understanding which hospital types were more resilient to pandemic overcrowding-related excess deaths may prioritize patient safety during future crises. OBJECTIVE: To determine whether hospital type classified by capabilities and resources (that is, extracorporeal membrane oxygenation [ECMO] capability, multiplicity of intensive care unit [ICU] types, and large or small hospital) influenced COVID-19 volume-outcome relationships during Delta wave surges. DESIGN: Retrospective cohort study. SETTING: 620 U.S. hospitals in the PINC AI Healthcare Database. PARTICIPANTS: Adult inpatients with COVID-19 admitted July to November 2021. MEASUREMENTS: Hospital-months were ranked by previously validated surge index (severity-weighted COVID-19 inpatient caseload relative to hospital bed capacity) percentiles. Hierarchical models were used to evaluate the effect of log-transformed surge index on the marginally adjusted probability of in-hospital mortality or discharge to hospice. Effect modification was assessed for by 4 mutually exclusive hospital types. RESULTS: = 0.32) in log surge index-mortality relationship across 4 hospital types. Results were consistent after excluding transferred patients, restricting to patients with acute respiratory failure and mechanical ventilation, and using alternative strain metrics. LIMITATION: Residual confounding. CONCLUSION: Comparably detrimental relationships between COVID-19 caseload and survival were seen across all hospital types, including highly advanced centers, and well beyond the pandemic's learning curve. These lessons from the pandemic heighten the need to minimize caseload surges and their effects across all hospital types during public health and staffing crises. PRIMARY FUNDING SOURCE: Intramural Research Program of the National Institutes of Health Clinical Center.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,078
Score d'incertitude au seuil0,361

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,084
Tête enseignante GPT0,476
Écart entre enseignants0,392 · 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

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of Internal MedicineMême sujetDisaster Response and ManagementTravaux en français237 207