New Diagnoses of Juvenile Idiopathic Arthritis Early in the COVID-19 Pandemic
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVE: Little is known about the rates of rheumatic disease diagnosis among children during the COVID-19 pandemic. We examined the impact of the pandemic on the diagnosis of juvenile idiopathic arthritis (JIA) in the United States. METHODS: We performed a historical cohort study using US commercial insurance data (2016-2021) to identify children aged <18 years without prior JIA diagnosis or treatment in the prior ≥12 months. New JIA diagnoses were identified using a combination of ICD-10-CM diagnosis codes, location, and timing of medical services. Crude rates with 95% confidence intervals (CIs) of JIA diagnosis per 100,000 enrolled children per quarter were estimated and stratified by age group, sex, region, JIA type, and uveitis. The incidence rate ratio (95% CI) for JIA diagnosis was estimated using Poisson regression, adjusted for various demographic variables. RESULTS: From 2018-2021, 643 children were diagnosed with JIA. Crude new JIA diagnoses per 100,000 children per quarter dropped from 2.62 (95% CI, 2.39-2.87) prepandemic to 1.94 (95% CI, 1.66-2.25) during the pandemic. Declines in JIA diagnosis were more apparent in the US Northeast and West regions and among children aged 6-11 years. After adjustment for covariates, JIA diagnoses fell by 30% during the pandemic compared with the prior 3 years (IRR, 0.70; 95% CI, 0.59-0.83). CONCLUSIONS: Compared with the prepandemic period, JIA was diagnosed 30% less often during the early pandemic among commercially insured children in the United States. More research is needed to understand the underlying reasons for these changes in JIA diagnosis and more recent trends.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».