Higher risk of death from COVID-19 in low-income and non-White populations of São Paulo, Brazil
Notice bibliographique
Résumé
Introduction Little evidence exists on the differential health effects of COVID-19 on disadvantaged population groups. Here we characterise the differential risk of hospitalisation and death in São Paulo state, Brazil, and show how vulnerability to COVID-19 is shaped by socioeconomic inequalities. Methods We conducted a cross-sectional study using hospitalised severe acute respiratory infections notified from March to August 2020 in the Sistema de Monitoramento Inteligente de São Paulo database. We examined the risk of hospitalisation and death by race and socioeconomic status using multiple data sets for individual-level and spatiotemporal analyses. We explained these inequalities according to differences in daily mobility from mobile phone data, teleworking behaviour and comorbidities. Results Throughout the study period, patients living in the 40% poorest areas were more likely to die when compared with patients living in the 5% wealthiest areas (OR: 1.60, 95% CI 1.48 to 1.74) and were more likely to be hospitalised between April and July 2020 (OR: 1.08, 95% CI 1.04 to 1.12). Black and Pardo individuals were more likely to be hospitalised when compared with White individuals (OR: 1.41, 95% CI 1.37 to 1.46; OR: 1.26, 95% CI 1.23 to 1.28, respectively), and were more likely to die (OR: 1.13, 95% CI 1.07 to 1.19; 1.07, 95% CI 1.04 to 1.10, respectively) between April and July 2020. Once hospitalised, patients treated in public hospitals were more likely to die than patients in private hospitals (OR: 1.40%, 95% CI 1.34% to 1.46%). Black individuals and those with low education attainment were more likely to have one or more comorbidities, respectively (OR: 1.29, 95% CI 1.19 to 1.39; 1.36, 95% CI 1.27 to 1.45). Conclusions Low-income and Black and Pardo communities are more likely to die with COVID-19. This is associated with differential access to quality healthcare, ability to self-isolate and the higher prevalence of comorbidities.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».