County-Level Influenza-Attributable Emergency Department Visits and Their Spatial Correlates in the United States: Cross-Sectional Observational Study
Notice bibliographique
Résumé
Background The burden of seasonal influenza on emergency department (ED) visits is poorly quantified due to case ascertainment and data availability challenges. This study estimates county-level respiratory ED visits attributable to influenza using time-series models and examines spatial heterogeneity in county-level burden in 3 states. Objective This study aimed to estimate the county-level respiratory ED visits attributable to influenza using time-series models and examine spatial heterogeneity in county-level burden in 3 states. Methods We used daily hospital discharge records to measure community-level influenza activity in California (2005-2018), Georgia (2010-2018), and New York (2005-2018). County-level respiratory ED visit rates attributable to influenza were estimated by quasi-Poisson time-series models, adjusting for temporal trends and environmental factors. Bayesian spatial models were used to assess associations with county-level socioeconomic status, environmental exposures, and chronic health condition prevalence. Results Influenza-attributable respiratory ED visit rates per 100,000 population were 226 (95% CI 206-246) in New York, 232 (95% CI 206-259) in California, and 547 (95% CI 506-589) in Georgia. A 10% increase in county-level poverty and uninsured rates was associated with higher influenza burden, increasing influenza-attributable respiratory ED visit rates by 160 (95% credible interval [CrI] 127-196) and 217 (95% CrI 168-265), respectively. Long-term PM2.5 (fine particulate matter ≤2.5 µm), humidity, and temperature also exhibited positive associations. Chronic conditions also increased ED visit rates by 1476/100,000 (95% CrI 1167-1778), 588/100,000 (95% CrI 400-747), and 488/100,000 (95% CrI 402-574) per 10% increase in stroke, chronic obstructive pulmonary disease, and diabetes prevalence, respectively. These associations weakened after adjusting for socioeconomic status. Conclusions Influenza-attributable respiratory ED visit rates exhibit significant spatial heterogeneity that is associated with county-level socioeconomic factors, environmental exposures, and chronic disease prevalence.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».