Individual and social determinants of SARS-CoV-2 testing and positivity in Ontario, Canada: a population-wide study
Notice bibliographique
Résumé
BACKGROUND: Optimizing the public health response to reduce the burden of COVID-19 necessitates characterizing population-level heterogeneity of risks for the disease. However, heterogeneity in SARS-CoV-2 testing may introduce biased estimates depending on analytic design. We aimed to explore the potential for collider bias in a large study of disease determinants, and evaluate individual, environmental and social determinants associated with SARS-CoV-2 testing and diagnosis among residents of Ontario, Canada. METHODS: We explored the potential for collider bias and characterized individual, environmental and social determinants of being tested and testing positive for SARS-CoV-2 infection using cross-sectional analyses among 14.7 million community-dwelling people in Ontario, Canada. Among those with a diagnosis, we used separate analytic designs to compare predictors of people testing positive versus negative; symptomatic people testing positive versus testing negative; and people testing positive versus people not testing positive (i.e., testing negative or not being tested). Our analyses included tests conducted between Mar. 1 and June 20, 2020. RESULTS: Of 14 695 579 people, we found that 758 691 were tested for SARS-CoV-2, of whom 25 030 (3.3%) had a positive test result. The further the odds of testing from the null, the more variability we generally observed in the odds of diagnosis across analytic design, particularly among individual factors. We found that there was less variability in testing by social determinants across analytic designs. Residing in areas with the highest household density (adjusted odds ratio [OR] 1.86, 95% confidence interval [CI] 1.75-1.98), highest proportion of essential workers (adjusted OR 1.58, 95% CI 1.48-1.69), lowest educational attainment (adjusted OR 1.33, 95% CI 1.26-1.41) and highest proportion of recent immigrants (adjusted OR 1.10, 95% CI 1.05-1.15) were consistently related to increased odds of SARS-CoV-2 diagnosis regardless of analytic design. INTERPRETATION: Where testing is limited, our results suggest that risk factors may be better estimated using population comparators rather than test-negative comparators. Optimizing COVID-19 responses necessitates investment in and sufficient coverage of structural interventions tailored to heterogeneity in social determinants of risk, including household crowding, occupation and structural racism.
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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».