National Profiles of Coronavirus Disease 2019 Mortality Risks by Age Structure and Preexisting Health Conditions
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Although individual age and preexisting health conditions are well-documented risk factors for coronavirus disease 2019 (COVID-19) mortality, it is unclear whether these 2 factors capture unique dimensions of risk for epidemic severity at the national level. In addition, no studies have examined whether national distributions of these factors are associated with epidemic experiences to date. RESEARCH DESIGN AND METHODS: Drawing on surveys of older adults from 42 countries and estimated case fatality ratios by age and preexisting health conditions, we document and compare national profiles of COVID-19 mortality risks among older adults. We develop 2 measures of national risk profiles: one based on age structures and another based on distributions of preexisting health conditions. Our analysis compares these constructs and documents their associations with national COVID-19 mortality rates. RESULTS: National profiles of COVID-19 mortality risk based on age structure and preexisting health conditions are moderately uncorrelated, capturing different aspects of risk. Both types of national risk profiles correlate meaningfully with countries' COVID-19 mortality experiences to date. DISCUSSION AND IMPLICATIONS: Measures of population age structure are readily available for every country in the world, while cross-national measures of older adult population health are more limited. In the COVID-19 crisis, these factors give different pictures of the countries with high and low risks of COVID-19 mortality. Moreover, our results suggest that both types of national risk profiles based on population health reflect current COVID-19 mortality severity in several countries, highlighting the need for more cross-national comparative data on older adult population health.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 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 ».