Les facteurs institutionnels associés aux infections et à la mortalité COVID-19 en centre d’hébergement pendant la première vague : une analyse de 17 CHSLD à Montréal
Notice bibliographique
Résumé
Contexte : Partout dans le monde, la population âgée en hébergement a été la plus lourdement affectée par la pandémie de COVID-19, du point de vue des infections et des décès. Or, ces mêmes personnes ont été exclues d’une grande partie de la littérature scientifique. Ce mémoire décrit l’évolution des éclosions dans 17 CHSLD publics de Montréal, dont certains ont été fortement atteints alors que d’autres ont été épargnés pendant la première vague (23 février au 11 juillet 2020), en cherchant à élucider les facteurs associés à l’incidence et à la létalité de la COVID-19. Méthodes : Des données institutionnelles ont été recueillies sur les 17 CHSLD du CIUSSS Centre-Sud-de-l'Île-de-Montréal et des données individuelles ont été obtenues grâce à une révision des 1197 dossiers de patients atteints de la COVID-19 en première vague. Dans l’analyse ARIMA, des séries chronologiques ont été construites pour les cas incidents bruts chez les résidents en CHSLD et dans la ville de Montréal, afin d’évaluer l’impact de deux interventions, soit le port généralisé du masque de procédure et le dépistage élargi des résidents et des employés. Dans l’analyse des infections par CHSLD, des modèles de régression de type binomial négatif ont été construits pour estimer l’effet des facteurs de risque institutionnels sur l’incidence de la COVID-19 chez les résidents. Dans l’analyse de surmortalité, les excès de décès durant la période de février à juillet ont été évalués avec des tests t et des ratios de taux entre l’année 2020 et la moyenne des quatre années précédentes (2016-2019). Enfin, pour l’analyse de mortalité dans la cohorte rétrospective de résidents atteints de la COVID-19, des modèles de régression logistique à effets mixtes ont été utilisés pour évaluer les facteurs institutionnels et les traitements associés à la mortalité dans les 30 jours suivant un diagnostic de COVID-19, en contrôlant pour les facteurs de risque individuels. Résultats : Dans l’analyse de série chronologique ARIMA, chaque augmentation d’un cas incident quotidien par 100 000 à Montréal était associée avec une augmentation de 0,051 (IC95% 0,044 à 0,058) fois l’incidence quotidienne en CHSLD la semaine suivante, chez les résidents à risque. De plus, en contrôlant pour la transmission communautaire, chaque palier d’intensification du dépistage était associé à une diminution de l’incidence de 11,8 fois (IC95% -15,1 à -8,5) dans les deux semaines suivantes, chez les résidents à risque. Dans le modèle explicatif des infections au niveau des CHSLD, la pénurie sévère d’infirmières auxiliaires (IRR 3,2; IC95% 1,4 à 7,2), la mauvaise performance aux audits ministériels (IRR 3,0; IC95% 1,1 à 7,8) et un score moyen d’autonomie plus faible (IRR 2,1; IC95% 1,4 à 3,1) étaient associés au taux d’incidence par centre. En revanche, la présence de zone chaude dédiée aux patients COVID-19 (IRR; 0,56 IC95% 0,34 à 0,92) était protectrice. Pour l’ensemble des 17 CHSLD avec 2670 lits, l’excès de décès de février à juillet 2020 était de 428 (IC95% 409 à 447). Comparé aux quatre années précédentes, il y a eu plus que le double (IRR 2,3; IC95% 2,1 à 2,5) de décès en 2020 pendant la période de la première vague. Pour 12 CHSLD qui ont vécu des éclosions importantes, les excès de décès en 2020 variaient de 5,2 à 41,9 décès par 100 lits, avec une surmortalité par rapport aux années précédentes allant de 1,9 à 3,8. Selon l’analyse de mortalité dans la cohorte rétrospective, les facteurs individuels associés à la mortalité dans les 30 jours suivant le diagnostic de COVID-19 étaient l’âge (OR 1,58; IC95% 1,35 à 1,85 par tranche additionnelle de 10 ans), le sexe masculin (OR 2,37; IC95% 1,70 à 3,32), la perte d’autonomie (OR 1,12; IC95% 1,05 à 1,20 pour chaque augmentation d’un point à l’Iso-SMAF), le niveau d’intervention médicale C (OR 3,43; IC95% 1,57 à 7,51) et D (OR 3,61; IC95% 1,47 à 8,89) comparé au niveau A, ainsi que les diagnostics de trouble neurocognitif (OR 1,54; IC95% 1,04 à 2,29) et d’insuffisance cardiaque (OR 2,36; IC95% 1,45 à 3,85). Le traitement avec une thromboprophylaxie (OR 0,42; IC95% 0,29 à 0,63) et l’infection tardive après le 20 avril 2020 (OR 0,46; IC95% 0,33 à 0,65) étaient associés à la survie à 30 jours. Pour les facteurs institutionnels, la pénurie sévère de 25% ou plus d’infirmières auxiliaires (OR 1,91; IC95% 1,14 à 3,21 par rapport à une pénurie légère < 15%) et la taille du centre (OR 1,77; IC95% 1,17 à 2,68 pour chaque 100 lits additionnels) étaient associés au décès dans les 30 jours. Conclusion : Ce mémoire a relevé plusieurs facteurs de risque modifiables au niveau institutionnel associés aux infections et aux décès COVID-19, dont le dépistage, l’adhérence aux directives ministérielles de prévention et contrôle des infections, la pénurie d’infirmières auxiliaires et le nombre de lits par centre. Ces enjeux cruciaux devront être au cœur des futures orientations et politiques touchant les centres d’hébergement, pour cette pandémie et au-delà.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».