Impact of Risk Stacking on COVID-19–Related Healthcare Utilization: A Real-World Retrospective Cohort Study
Notice bibliographique
Résumé
INTRODUCTION: This study evaluated the impact of "risk stacking" on COVID-19-related hospitalizations, emergency department/urgent care (ED/UC) visits, and outpatient visits among non-immunocompromised individuals aged 18-49 and 50-64 years compared with immunocompromised individuals and those ≥ 65 years. METHODS: data, adults were assigned to ≥ 1 category based on underlying CDC-categorized high-risk (HR) conditions: HR-Conclusive (from which immunocompromising conditions were separated), HR-Suggestive, Mixed Evidence, No HR Conditions. The impact of multimorbidity quantities and HR categories on COVID-19 healthcare resource utilization (HCRU) was evaluated. RESULTS: Overall (n = 10,631,427), the most prevalent conditions were hypertension (HTN; 47.4%), obesity/overweight (31.9%), chronic heart disease (CHD; 28.1%), and diabetes (DBT; 20.3%). COVID-19 HCRU was higher for CHD with DBT, CHD with obesity, and HTN with obesity than for immunocompromised individuals and highest among those aged ≥ 65 years. Multimorbidity across multiple HR categories resulted in greater adjusted risk for COVID-19 HCRU for all ages. CONCLUSION: Younger adults with multiple non-immunocompromising comorbidities had greater risk of COVID-19-related HCRU than those with immunocompromising conditions or ≥ 65 years without multimorbidity. Stacking HR comorbidities increased the risk of HCRU. Ensuring broad vaccination and treatment recommendations and access is critical to mitigating severe COVID-19 in HR groups of any age.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».