Reprise du retard en chirurgie causé par la COVID-19 en Ontario : étude de modélisation de séries chronologiques
Bibliographic record
Abstract
CONTEXTE: Pour limiter la propagation de la maladie à coronavirus 2019 (COVID-19), de nombreux pays ont décidé de réduire le nombre d’interventions chirurgicales non urgentes, ce qui a créé des retards en chirurgie partout dans le monde. Notre objectif était d’évaluer l’ampleur du retard pour ce type d’interventions en Ontario, au Canada, ainsi que le temps et les ressources nécessaires pour y remédier. MÉTHODES: Nous avons consulté 6 bases de données administratives décrivant la population ontarienne et canadienne pour dégager la distribution du volume chirurgical et de la cadence des salles d’opération pour chaque type d’interventions et chaque région, et connaître la durée d’occupation d’un lit d’hôpital et d’un lit de soins intensifs. Les données utilisées concernent l’ensemble ou une partie de la période du 1er janvier 2017 au 13 juin 2020. Nous avons estimé l’ampleur du retard accumulé et prédit le temps nécessaire pour le reprendre dans un scénario avec capacité d’appoint de + 10 % (ajout d’un jour à 50 % de la capacité par semaine) à l’aide de modèles de séries chronologiques, de modèles de files d’attente et d’une analyse de sensibilité probabiliste. RÉSULTATS: Entre le 15 mars et le 13 juin 2020, le retard en chirurgie à l’échelle de l’Ontario s’est accru de 148 364 opérations (intervalle de prévision à 95 % 124 508–174 589) au total, et en moyenne de 11 413 opérations par semaine. Pour reprendre le retard accumulé, il faudra environ 84 semaines (intervalle de confiance [IC] à 95 % 46–145) et une cadence hebdomadaire de 717 patients (IC à 95 % 326–1367), qui elle demande 719 heures passées au bloc opératoire (IC à 95 % 431–1038), 265 lits d’hôpital (IC à 95 % 87–678) et 9 lits de soins intensifs (IC à 95 % 4–20) par semaine. INTERPRÉTATION: L’ampleur du retard en chirurgie dû à la COVID-19 laisse entrevoir de graves conséquences pour la phase de reprise en Ontario. Le cadre qui nous a servi à modéliser la reprise du retard peut être adapté ailleurs, avec des données locales, pour faciliter la planification.
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 | 0.007 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".