The Magnitude of Black/Hispanic Disparity in COVID-19 Mortality Across United States Counties During the First Waves of the COVID-19 Pandemic
Notice bibliographique
Résumé
Objectives:To quantify the Black/Hispanic disparity in COVID-19 mortality in the United States (US). Methods:COVID-19 deaths in all US counties nationwide were analyzed to estimate COVID-19 mortality rate ratios by county-level proportions of Black/Hispanic residents, using mixed-effects Poisson regression. Excess COVID-19 mortality counts, relative to predicted under a counterfactual scenario of no racial/ethnic disparity gradient, were estimated. Results:County-level COVID-19 mortality rates increased monotonically with county-level proportions of Black and Hispanic residents, up to 5.4-fold (≥43% Black) and 11.6-fold (≥55% Hispanic) higher compared to counties with <5% Black and <15% Hispanic residents, respectively, controlling for county-level poverty, age, and urbanization level. Had this disparity gradient not existed, the US COVID-19 death count would have been 92.1% lower (177,672 fewer deaths), making the rate comparable to other high-income countries with substantially lower COVID-19 death counts. Conclusion:During the first 8 months of the SARS-CoV-2 pandemic, the US experienced the highest number of COVID-19 deaths. This COVID-19 mortality burden is strongly associated with county-level racial/ethnic diversity, explaining most US COVID-19 deaths.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».