The Relationship Between Demographic, Socioeconomic, and Health-Related Parameters and the Impact of COVID-19 on 24 Regions in India: Exploratory Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: The impact of the COVID-19 pandemic has varied widely across nations and even in different regions of the same nation. Some of this variability may be due to the interplay of pre-existing demographic, socioeconomic, and health-related factors in a given population. OBJECTIVE: The aim of this study was to examine the statistical associations between the statewise prevalence, mortality rate, and case fatality rate of COVID-19 in 24 regions in India (23 states and Delhi), as well as key demographic, socioeconomic, and health-related indices. METHODS: Data on disease prevalence, crude mortality, and case fatality were obtained from statistics provided by the Government of India for 24 regions, as of June 30, 2020. The relationship between these parameters and the demographic, socioeconomic, and health-related indices of the regions under study was examined using both bivariate and multivariate analyses. RESULTS: COVID-19 prevalence was negatively associated with male-to-female sex ratio (defined as the number of females per 1000 male population) and positively associated with the presence of an international airport in a particular state. The crude mortality rate for COVID-19 was negatively associated with sex ratio and the statewise burden of diarrheal disease, and positively associated with the statewise burden of ischemic heart disease. Multivariate analyses demonstrated that the COVID-19 crude mortality rate was significantly and negatively associated with sex ratio. CONCLUSIONS: These results suggest that the transmission and impact of COVID-19 in a given population may be influenced by a number of variables, with demographic factors showing the most consistent association.
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 | 0,006 | 0,004 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».