Neighbourhood-level risk factors of COVID-19 incidence and mortality
Notice bibliographique
Résumé
Abstract Background Racialized and low income communities face disproportionally high rates of coronavirus 2019 (COVID-19) infection and death. However, data on inequities in COVID-19 across granular categories of socio-demographic characteristics is more sparse. Methods Neighbourhood-level counts of COVID-19 cases and deaths in Ontario, Canada recorded as of July 28 th , 2020 were extracted from provincial and local reportable infectious disease surveillance systems. Associations between COVID-19 incidence and mortality and 18 neighbourhood-level measures of immigration, race, housing and socio-economic characteristics were estimated with Poisson generalized linear mixed models. Housing characteristic variables were subsequently added to models to explore if housing may have a confounding influence on the relationships between immigration, race, and socio-economic status and COVID-19 incidence. Results There were large inequities in COVID-19 incidence and mortality across the socio-demographic variables examined. Neighbourhoods having a higher proportion immigrants, racialized populations, large households and low socio-economic status were associated with COVID-19 risk. Adjusting for housing characteristics, especially unsuitably crowded housing, attenuated COVID-19 risks. However persistent risk remained for neighbourhoods having high proportions of immigrants, racialized populations, and proportion of Black, Latin American, and South Asian residents. Conclusions Socio-demographic factors account for some of the neighbourhood-level differences in COVID-19 across Ontario. Housing characteristics account for a portion, but not all, of the excess burden of COVID-19 experienced by immigrant, racialized, low income and low education populations.
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 | 0,003 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 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 ».