Determinants of COVID-19 Incidence and Mortality in the US: Spatial Analysis
Notice bibliographique
Résumé
ABSTRACT OBJECTIVES The US continues to account for the highest proportion of the global Coronavirus Disease-2019 (COVID-19) cases and deaths. Currently, it is important to contextualize the spread and success of mitigation efforts. The objective of this study was to assess the ecological determinants (policy, health behaviors, socio-economic, physical environment, and clinical care) of COVID-19 incidence and mortality in the US. METHODS Data from the New York Times’ COVID-19 repository (01/21/2020-10/27/2020), 2020 County Health Rankings, 2016 County Presidential Election Returns, and 2018-2019 Area Health Resource File were used. County-level logged incidence and mortality rate/million were modeled using the Spatial Autoregressive Combined model and spatial lag model. RESULTS Counties with higher proportions of racial minorities (African American β= 0.007, Native Americans β= 0.008, Hispanics β= 0.015), non-English speakers (β= 0.010), population density ([logged] β= 0.028), and air pollution (β= 0.062) were significantly associated with high COVID-19 incidence rates. Subsequently, counties with higher Republican voters (β= 0.017), excessive drinkers (β= 0.107), children in single-parent households (β= 0.018), uninsured adults (β= 0.038), racial minorities (African American β= 0.032, Native Americans β= 0.034, Hispanics β= 0.037), females (β= 0.101), and population density ([logged] β= 0.270), air pollution (β= 0.130), and non-Whites/Whites’ residential segregation (β= 0.014) were significantly associated with high COVID-19 mortality rates. Additionally, longer state-level restrictions were associated with lower COVID-19 incidence and mortality rates. CONCLUSIONS The spatial models identified longer state-level restrictions, population density, air pollution, uninsured rate, and race/ethnicity as important determinants of the geographic disparities in COVID-19 incidence and mortality.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».