Identifying gaps in COVID-19 health equity data reporting in Canada using a scorecard approach
Notice bibliographique
Résumé
Abstract Objective To assess thealth equity-oriented COVID-19 data reporting across Canadian provinces and territories, using a scorecard approach. Method A scan was performed of provincial and territorial reporting of five data elements (cumulative totals of tests, cases, hospitalizations, deaths and population size) across three units of aggregation (province or territory-level, health regions, and local areas) (15 “overall” indicators), and for two vulnerable settings (long term care and detention facilities) and six social markers (age, sex, immigration status, race/ethnicity, essential worker status, and income) (120 “equity-related” indicators). Per indicator, one point was awarded if case-delimited data were released, 0.7 points if only summary statistics were reported, and 0 if neither was provided. Results were presented using a scorecard approach. Results Overall, information on cases and deaths was more complete than for tests, hospitalizations and population size denominators needed for rate estimation. Information provided on jurisdictions and their regions, overall, tended to be more available (average score of 53%, “B”) than for equity-related indicators (average score of 21%, “D”). Only British Columbia and Alberta provided case-delimited data, and only Alberta provided information for local areas. No jurisdiction reported on outcomes according to patients’ individual-level immigration status, race, or income. Only Ontario and Quebec provided detailed information for long-term care settings and detention facilities. Conclusion Socially stratified reporting for COVID-19 outcomes is sparse in Canada. However, several “best practices” in health equity-oriented reporting were observed and set a relevant precedent for all jurisdictions to follow for this pandemic and future ones.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,003 |
| 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 ».