Estimation de l’épuisement des ressources hospitalières attribuable à la COVID-19 en Ontario, au Canada
Bibliographic record
Abstract
RÉSUMÉ CONTEXTE: La propagation à l’échelle planétaire de la maladie à coronavirus 2019 (COVID-2019) se poursuit dans plusieurs pays, mettant à rude épreuve les systèmes de santé. Cette étude avait pour but de prédire les répercussions de la pandémie sur les issues des patients et l’utilisation des ressources hospitalières en Ontario (Canada). MÉTHODES: Nous avons conçu un modèle de simulation axé sur les personnes illustrant le flux de patients atteints de la COVID-19 dans les hôpitaux ontariens. Nous avons simulé diverses combinaisons de trajectoires épidémiques et de capacités de soins hospitaliers. Les paramètres à l’étude étaient le nombre de patients devant être admis au service d’hospitalisation ou à l’unité des soins intensifs (USI) —avec ou sans respirateur mécanique —, le nombre de jours jusqu’à l’épuisement des ressources, le nombre de patients en attente de ressources et le nombre de décès. RÉSULTATS: Nous avons constaté que la mise en place rapide de mesures de santé publique efficaces éviterait l’épuisement des ressources hospitalières. Les simulations dans lesquelles les mesures d’éloignement sanitaire étaient inefficaces ou adoptées tardivement ont montré que l’épuisement des ressources prendrait de 14 à 26 jours et qu’il y aurait, dans le pire des cas, 13 321 décès de personnes en attente de ressources. Cet épuisement pourrait être évité ou retardé par la mise en place de mesures rigoureuses visant à améliorer la capacité des hôpitaux en matière de soins intensifs, de respirateurs mécaniques et de soins hospitaliers. INTERPRÉTATION: Sans l’adoption de mesures d’éloignement sanitaire rigoureuses, le système de santé ontarien n’aurait pas eu les ressources nécessaires pour prendre en charge le nombre attendu de patients atteints de la COVID-19, même en cas d’augmentation rapide de sa capacité hospitalière. Les pénuries auraient fait augmenter le taux de mortalité. En ralentissant la transmission de la maladie par la mise en place de mesures de santé publique et l’augmentation de la capacité des hôpitaux, l’Ontario a probablement évité que ces derniers subissent une pression catastrophique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".