The impact of the COVID-19 pandemic on rehabilitation care of post-stroke users in the province of Québec
Bibliographic record
Abstract
Contexte: Lors de pandémie de COVID-19, des centres de réadaptation désignés COVID-19 ont été établis, où des zones chaudes et froides ont été créées pour minimiser la transmission de la maladie. Des mesures telles que la distanciation physique, d’isolement, et l’utilisation d'équipement de protection individuelle ont été mises en place. Il y a aussi eu une capacité limitée de la main-d'œuvre. Tous ces facteurs ont potentiellement eu une incidence négative sur les soins de réadaptation post-AVC. Cette étude visait à déterminer l'impact de la pandémie de COVID-19 sur les indicateurs de soins de réadaptation, basés sur le cadre de réadaptation de qualité des soins post-aigus (PAC), des usagers post-AVC infectés (COV+) ou non (COV-) par la COVID-19 dans les centres de réadaptation désignés COVID-19 dans la province de Québec lors des deux premières vagues par rapport à ceux admis l'année précédente (préCOV). Méthode: Une analyse rétrospective de 292 dossiers médicaux d'usagers post-AVC a été réalisée dans trois centres de réadaptation désignés COVID-19. Les caractéristiques démographiques ont été recueillies (ex. : âge, sexe et comorbidités). La durée du séjour en soins aigus et en réadaptation, les admissions et/ou intubation en unité de soins intensifs (USI), les épisodes de réhospitalisation en soins aigus et le nombre de séances de physio/ergothérapie (Pht/Erg) ont été répertoriés. Le principal indicateur de soins de réadaptation, la mesure de l'indépendance fonctionnelle (MIF), a été extrait à l'admission (MIF début) et au congé (MIF fin) du centre de réadaptation. Des tests statistiques non-paramétriques, soient la somme des rangs de Wilcoxon (pour les variables numériques) et le chi carré (pour les variables catégorielles) ont été utilisés pour comparer les variables entre les trois groupes. Une régression linéaire multiple a été effectuée pour explorer les facteurs influençant la MIF au congé, en tenant compte du statut COVID. Résultats: Les usagers COV+ étaient plus âgés (79/74/73 ans, p <0.01) et avaient une prévalence d'obésité plus faible que ceux COV- et préCOV, (7/21/24%, p <0.01), et étaient plus atteints à l’admission en réadaptation (MIF début: 6/78/75, p <0.01). Ils présentaient des séjours plus longs en soins aigus (23/14/14 jours, p <0.001) et un taux plus élevé d'admission en USI (14/8/2%, p <0.001) et réhospitalisation (35/21/27%, p <0.002). Malgré des séjours en réadaptation plus longs (65/37/48, p <0.001) et plus de séances de Pht/Erg (Pht: 31/21/27, p <0.007; Erg: 30/22/25, p <0.02), le groupe COV+ est resté plus atteint au congé (MIF fin: 100/111/106, p <0.002). D'autre part, les usagers COV- ont montré des indicateurs de soins de réadaptation similaires à ceux d'avant la pandémie, mais ont passé moins de temps en réadaptation. Ils ont atteint un statut fonctionnel similaire au congé en réadaptation que les usagers préCOV. Le modèle de régression linéaire multiple a montré que la MIF au congé, par rapport au préCOV, était influencé par le statut COVID et des prédicteurs tels que l'âge, la durée du séjour en réadaptation, la réhospitalisation, le nombre de séances d'OT et le score MIF à l’admission. Conclusion: Le fait d'avoir été COV+ post-AVC a eu un impact négatif sur la MIF au congé. Cela peut être attribué à la détérioration de l’état de santé à la suite d’une infection à la COVID-19 et de mesures strictes de contrôle des infections. Contrairement à notre hypothèse, le fait d'avoir été COV- ne semble pas avoir d'impact sur la récupération fonctionnelle au congé. Cela suggère que la mise en œuvre de mesures de contrôle des infections moins restrictives n’a pas affecté les soins de réadaptation prodigués à cette clientèle. Par conséquent, il est important de reconnaître les défis auxquels ont été confrontés les usagers COV+ afin d'allouer les ressources appropriées pour maximiser leur récupération fonctionnelle lors de futures pandémies ou restrictions socio-sanitaires similaires
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 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".