Increasing concentration of COVID-19 by socioeconomic determinants and geography in Toronto, Canada: an observational study
Notice bibliographique
Résumé
BACKGROUND: Inequities in the burden of COVID-19 were observed early in Canada and around the world, suggesting economically marginalized communities faced disproportionate risks. However, there has been limited systematic assessment of how heterogeneity in risks has evolved in large urban centers over time. PURPOSE: To address this gap, we quantified the magnitude of risk heterogeneity in Toronto, Ontario from January to November 2020 using a retrospective, population-based observational study using surveillance data. METHODS: We generated epidemic curves by social determinants of health (SDOH) and crude Lorenz curves by neighbourhoods to visualize inequities in the distribution of COVID-19 and estimated Gini coefficients. We examined the correlation between SDOH using Pearson-correlation coefficients. RESULTS: Gini coefficient of cumulative cases by population size was 0.41 (95% confidence interval [CI]:0.36-0.47) and estimated for: household income (0.20, 95%CI: 0.14-0.28); visible minority (0.21, 95%CI:0.16-0.28); recent immigration (0.12, 95%CI:0.09-0.16); suitable housing (0.21, 95%CI:0.14-0.30); multigenerational households (0.19, 95%CI:0.15-0.23); and essential workers (0.28, 95%CI:0.23-0.34). CONCLUSIONS: There was rapid epidemiologic transition from higher- to lower-income neighborhoods with Lorenz curve transitioning from below to above the line of equality across SDOH. Moving forward necessitates integrating programs and policies addressing socioeconomic inequities and structural racism into COVID-19 prevention and vaccination programs.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».