Increasing concentration of COVID-19 by socioeconomic determinants and geography in Toronto, Canada: an observational study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,007 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 découle