COVID-19 vaccination in medical practices in Germany

Steiger, Edgar; Rass, Simon; Seidel, Anja; Kroll, Lars Eric; Czihal, Thomas

doi:10.3238/arztebl.m2021.0354

Cited by 6 publications

(6 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Hence, these results underline the abovementioned literature, describing a higher vulnerability of cancer patients to SARS-CoV-2 infection [5-7, 14, 15]. Second, in-hospital mortality decreased during the time of the pandemic, likely related to different virus types [17], start of vaccination in December 2020 in Germany [18,19] and continuous improvements in treatment of the disease [20,21]. Focusing solely on the different phases of the pandemic, our results demonstrate that in-hospital mortality decreased significantly in all patients during Omicron phase, compared to wild-type to Delta phase.…”

Section: Discussionsupporting

confidence: 78%

High In-Hospital Mortality in SARS-CoV-2-Infected Patients with Active Cancer Disease during Omicron Phase of the Pandemic: Insights from the CORONA Germany Study

Konermann¹,

Geßler²,

Wohlmuth³

et al. 2023

Oncol Res Treat

View full text Add to dashboard Cite

Introduction: SARS-CoV-2 infected patients with cancer have a worse outcome including a significant higher mortality, compared to non-cancer patients. However, limited data are available regarding in-hospital mortality during the Omicron phase of the pandemic. Therefore, the aim of the study was the comparison of mortality in patients with history of cancer and patients with active cancer disease during the different phases of the COVID-19 pandemic, focusing on the current Omicron variant of concern. Methods: We conducted a multicenter, observational, epidemiological cohort study at 45 hospitals in Germany. Until July 20, 2022, all adult hospitalized SARS-CoV-2 positive patients were included. The primary endpoint was in-hospital mortality regarding cancer status (history of cancer and active cancer disease) and SARS-CoV-2 virus type. Results: From March 11 2020 to July 20 2022, a total of 27,490 adult SARS-CoV-2 positive patients were included into the study. 2,578 patients (9.4%) had diagnosis of cancer, of whom 1,065 (41.3%) had history of cancer, whereas 1,513 (58.7%) had active cancer disease. Overall 3,749 out of the total of 27,490 patients (13.6%) died during the hospital stay. Patients with active cancer disease had a significantly higher mortality compared to patients without cancer diagnosis, in both phases of the pandemic (wild-type to Delta: OR 1.940 [1.646-2.285]); Omicron: 2.864 [2.354-3.486]). After adjustment to co-variables, SARS-CoV-2 infected patients with active cancer disease had the highest risk for in-hospital mortality compared to the other groups, in both phases of the pandemic. Conclusion: The CORONA Germany study indicates that hospitalized patients with active cancer disease are at high risk of death during a SARS-CoV-2 infection. Mortality of patients with history of cancer improved to nearly the level of non-cancer patients during Omicron phase.

show abstract

Section: Discussionsupporting

confidence: 78%

High In-Hospital Mortality in SARS-CoV-2-Infected Patients with Active Cancer Disease during Omicron Phase of the Pandemic: Insights from the CORONA Germany Study

Konermann¹,

Geßler²,

Wohlmuth³

et al. 2023

Oncol Res Treat

View full text Add to dashboard Cite

show abstract

“…Müssen alternative Impfmöglichkeiten geschaffen werden? Das Zentralinstitut für die kassenärztliche Versorgung in Deutschland (ZI) hat zu dieser Thematik Meldungen der Praxen an die Kassenärztliche Bundesvereinigung (KBV) ausgewertet 3 . Die Analysen ergaben, dass zwar weniger als die Hälfte aller Praxen impften, dass aber 94,6% der Hausärzt:innen solche Impfungen durchführten und dass 76,9% aller Praxis-basierten Impfungen durch diese Hausärzt:innen erfolgten.…”

Section: Anwendungsbereiche Und Beispieleunclassified

“…nicht nur die fallbezogenen Unterschiede (Alter, Geschlecht, Risikofaktoren), sondern auch die Varianz der Versorgungskompetenz bei den Einrichtungen adressieren.Die folgenden exemplarischen Anwendungen von Analysen mit versorgungsnahen Daten verdeutlichen, dass eine Reihe von Fra-ten geschaffen werden? Das Zentralinstitut für die kassenärztliche Versorgung in Deutschland (ZI) hat zu dieser Thematik Meldungen der Praxen an die Kassenärztliche Bundesvereinigung (KBV) ausgewertet[3]. Die Analysen ergaben, dass zwar weniger als die Hälfte aller Praxen impften, dass aber 94,6 % der Hausärzt:innen solche Impfungen durchführten und dass 76,9 % aller Praxis-basierten Impfungen durch diese Hausärzt:innen erfolgten.…”

unclassified

Versorgungsnahe Daten für Versorgungsanalysen – Teil 3 des Manuals

et al. 2022

View full text Add to dashboard Cite

ZusammenfassungAnalysen zur Gesundheits- und Krankenversorgung (im Folgenden „Versorgungsanalysen“) haben meist das Ziel, die Strukturen, Prozesse, Ergebnisse und Wirkzusammenhänge von Versorgung transparent zu machen und den Zielerreichungsgrad von Gesundheitssystemen und ihrer Akteure zu erfassen. Versorgungsnahe Daten sind für viele Versorgungsanalysen eine unverzichtbare Datenquelle. Voraussetzung für die Überprüfung eines Zielerreichungsgrads ist zunächst eine Einigung auf diejenigen Ziele, die vom System erreicht werden sollen, sowie die Identifikation der Determinanten der Zielerreichung. Es geht vor allem darum zu prüfen, wie sicher, effektiv und patient:innenzentriert Systeme, Einrichtungen und Leistungserbringer arbeiten. Dabei werden auch Fragen des Bedarfs, der Zugänglichkeit, Inanspruchnahme, Rechtzeitigkeit, Angemessenheit, Patient:innensicherheit, Koordination, Kontinuität sowie gesundheitsökonomischen Effizienz und Gerechtigkeit der Gesundheitsversorgung thematisiert. Die Ergebnisse der Gesundheitsversorgung bzw. der Systemkomponenten umfassen einerseits Systemleistungen (Outputs) und andererseits Ergebnisse (Outcomes). Dabei sind die selbst berichteten Ergebnisse (patient-reported outcomes, PROs) und Erfahrungen (patient-reported experiences, PREs) von besonderer Bedeutung. Konkret geht es um die Grundfragen: wer macht was, wann, wie, warum und mit welchen Ressourcen und Effekten in der gesundheitlichen Routineversorgung. Versorgungsanalysen stellen die notwendigen Erkenntnisse und Kennzahlen bereit, um Gesundheitsversorgung weiterentwickeln und die Qualität der Versorgung verbessern zu können. Die Anwendungsgebiete reichen von Kapazitätsanalysen über Innovationsbegleitung bis hin zum Konzept des Monitoring regionaler und überregionaler Systemqualität. Angesichts der zunehmenden Digitalisierung im Gesundheitswesen stehen künftig versorgungsnahe Daten vermehrt für Versorgungsanalysen zur Verfügung. Gezielt und methodisch korrekt eingesetzt können diese die Versorgenden erheblich unterstützen und damit die Versorgungsqualität für die Patient:innen entscheidend verbessern helfen. Versorgungsnahe Daten haben ein großes Potential. Ihre Anwendung bedarf aber der gleichen wissenschaftlichen Akribie, die auch für andere Formen wissenschaftlicher Studien gilt.

show abstract

“…Social distancing has been approved as an effective way to prevent the pandemic, a pivotal countermeasure to control the spread of COVID-19 (Hu et al 2022). Also, the emergence of the COVID-19 vaccine has significantly reduced the mortality rate (Steiger et al 2021). The effectiveness of the COVID-19 vaccines in preventing severe illness, hospitalizations, and deaths has been a monumental achievement in public health.…”

Section: Introductionmentioning

confidence: 99%

Geographical and temporal weighted regression: examining spatial variations of COVID-19 mortality pattern using mobility and multi-source data

Hu,

Zhang,

Duffield

et al. 2024

Comput.Urban Sci.

View full text Add to dashboard Cite

The COVID-19 pandemic has had profound adverse effects on public health and society, with increased mobility contributing to the spread of the virus and vulnerable populations, such as those with pre-existing health conditions, at a higher risk of COVID-19 mortality. However, the specific spatial and temporal impacts of health conditions and mobility on COVID-19 mortality have yet to be fully understood. In this study, we utilized the Geographical and Temporal Weighted Regression (GTWR) model to assess the influence of mobility and health-related factors on COVID-19 mortality in the United States. The model examined several significant factors, including demographic and health-related factors, and was compared with the Multiscale Geographically Weighted Regression (MGWR) model to evaluate its performance. Our findings from the GTWR model reveal that human mobility and health conditions have a significant spatial impact on COVID-19 mortality. Additionally, our study identified different patterns in the association between COVID-19 and the explanatory variables, providing insights to policymakers for effective decision-making.

show abstract

COVID-19 vaccination in medical practices in Germany

Cited by 6 publications

References 0 publications

High In-Hospital Mortality in SARS-CoV-2-Infected Patients with Active Cancer Disease during Omicron Phase of the Pandemic: Insights from the CORONA Germany Study

High In-Hospital Mortality in SARS-CoV-2-Infected Patients with Active Cancer Disease during Omicron Phase of the Pandemic: Insights from the CORONA Germany Study

Versorgungsnahe Daten für Versorgungsanalysen – Teil 3 des Manuals

Geographical and temporal weighted regression: examining spatial variations of COVID-19 mortality pattern using mobility and multi-source data

Contact Info

Product

Resources

About