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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».