Geographic access to COVID-19 healthcare in Brazil using a balanced float catchment area approach
Notice bibliographique
Résumé
Abstract The rapid spread of the new coronavirus across the world has raised concerns about the responsiveness of cities and healthcare systems during pandemics. Recent studies try to model how the number of COVID-19 infections will likely grow and impact the demand for hospitalization services at national and regional levels. However, less attention has been paid to the geographic access to COVID-19 healthcare services and to the response capacity of hospitals at the local level, particularly in urban areas in the Global South. This paper shows how transport accessibility analysis can provide actionable information to help improve healthcare coverage and responsiveness. It analyzes accessibility to COVID-19 healthcare at high spatial resolution in the 20 largest cities of Brazil. Using network-distance metrics, we estimate the vulnerable population living in areas with poor access to healthcare facilities that could either screen or hospitalize COVID-19 patients. We then use a new balanced floating catchment area (BFCA) indicator to estimate spatial, income and racial inequalities in access to hospitals with intensive care unit (ICU) beds and mechanical ventilators while taking into account congestion effects. Based on this analysis, we identify substantial social and spatial inequalities in access to health services during the pandemic. The availability of ICU equipment varies considerably between cities and it is substantially lower among black and poor communities. The study maps territorial inequalities in healthcare access and reflects on different policy lessons that can be learned for other countries based on the Brazilian case.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».