United States County-level COVID-19 Death Rates and Case Fatality Rates Vary by Region and Urban Status
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
COVID-19 is a global pandemic with uncertain death rates. We examined county-level population morality rates (per 100,000) and case fatality rates by US region and rural-urban classification, while controlling for demographic, socioeconomic, and hospital variables. We found that population mortality rates and case fatality rates were significantly different across region, rural-urban classification, and their interaction. All significant comparisons had p < 0.001. Northeast counties had the highest population mortality rates (27.4) but had similar case fatality rates (5.9%) compared to other regions except the Southeast, which had significantly lower rates (4.1%). Population mortality rates were highest in urban counties but conversely, case fatality rates were highest in rural counties. Death rates in the Northeast were driven by urban areas (e.g., small, East Coast states), while case fatality rates tended to be highest in the most rural counties for all regions, especially the Southwest. However, on further inspection, high case fatality rate percentages in the Southwest, as well as in overall US counties, were driven by a low case number. This makes it hard to distinguish genuinely higher mortality or an artifact of a small sample size. In summary, coronavirus deaths are not homogenous across the United States but instead vary by region and population and highlight the importance of fine-scale analysis.
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.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle