Impact of Pre-Existing Disability on Long-Term Health Care Use Following Hospitalization for COVID-19: A Population-Based Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Emerging evidence shows the lasting impact of SARS-CoV-2 infection on health care use and needs. Policy-makers require data on population-level service use to understand patient needs and health system impacts following hospitalization for COVID-19. OBJECTIVE: To compare health service use within 12 months following hospitalization for COVID-19 among people with and without pre-existing disabilities, and to determine the extent to which such use is related to disability and other risk factors. DESIGN: Population-based cohort study, Ontario, Canada. PARTICIPANTS: Adults with and without disabilities hospitalized for COVID-19, 01/25/2020-02/28/2022. MAIN MEASURES: We used Poisson regression to model adjusted rate ratios (aRR) of ambulatory care visits, diagnostic testing, emergency department (ED) visits, hospital admissions, and palliative care visits within 1-year post-discharge, comparing patients with and without disabilities. Models were adjusted sequentially for sociodemographic factors, comorbidities, and prior health service use. The importance of each set of covariates in its ability to explain observed associations was determined by calculating relative changes in disability parameter coefficients after each sequential risk-adjustment. KEY RESULTS: The cohort included 25,320 patients with disabilities and 15,953 without. In the year after hospitalization for COVID-19, people with disabilities had higher rates of ambulatory care visits, diagnostic tests, ED visits, hospital admissions, and palliative care visits. A significant proportion of these associations was explained by sociodemographic factors, comorbidities, and prior health service use. However, adjusted relative rates associated with disability remained elevated, even after adjustment, for ambulatory care visits (aRR 1.09, 95% CI 1.08, 1.10), diagnostic tests (aRR 1.14, 95% CI 1.12, 1.16), ED visits (aRR 1.25, 95% CI 1.21, 1.29), and hospital admissions (aRR 1.21, 95% CI 1.16, 1.29). CONCLUSIONS: These findings support the need to develop and evaluate models of care for the post-COVID-19 condition that address the needs of people with disabilities.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».