Complex differences in infection rates between ethnic groups in Scotland: a retrospective, national census-linked cohort study of 1.65 million cases
Notice bibliographique
Résumé
BACKGROUND: Ethnicity can influence susceptibility to infection, as COVID-19 has shown. Few countries have systematically investigated ethnic variations in infection. METHODS: We linked the Scotland 2001 Census, including ethnic group, to national databases of hospitalizations/deaths and serological diagnoses of bloodborne viruses for 2001-2013. We calculated age-adjusted rate ratios (RRs) in 12 ethnic groups for all infections combined, 15 infection categories, and human immunodeficiency virus (HIV), hepatitis B (HBV) and hepatitis C (HCV) viruses. RESULTS: We analysed over 1.65 million infection-related hospitalisations/deaths. Compared with White Scottish, RRs for all infections combined were 0.8 or lower for Other White British, Other White and Chinese males and females, and 1.2-1.4 for Pakistani and African males and females. Adjustment for socioeconomic status or birthplace had little effect. RRs for specific infection categories followed similar patterns with striking exceptions. For HIV, RRs were 136 in African females and 14 in males; for HBV, 125 in Chinese females and 59 in males, 55 in African females and 24 in males; and for HCV, 2.3-3.1 in Pakistanis and Africans. CONCLUSIONS: Ethnic differences were found in overall rates and many infection categories, suggesting multiple causative pathways. We recommend census linkage as a powerful method for studying the disproportionate impact of COVID-19.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».