Strengthening the Collection and Use of Disaggregated Data to Understand and Monitor the Risk and Burden of COVID-19 Among Racialized Populations
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
There is growing evidence that the risk and burden of COVID-19 infections are not equally distributed across population subgroups and that racialized communities are experiencing disproportionately higher morbidity and mortality rates. However, due to the absence of large-scale race-based data, it is impossible to measure the extent to which immigrant and racialized communities are experiencing the pandemic and the impact of measures taken (or not) to mitigate these impacts, especially at a local level. To address this issue, the Ottawa Local Immigration Partnership partnered with the Collaborative Critical Research for Equity and Transformation in Health lab at the University of Ottawa and the Canadians of African Descent Health Organization to implement a project to build local organizational capacities to understand, monitor, and mitigate the impact of the COVID-19 pandemic on immigrant and racialized populations. This research note describes the working framework used for this project, proposed indicators for measuring the determinants of health among immigrant and racialized populations, and the data gaps we encountered. Recommendations are made to policymakers, and community and health stakeholders at all levels on how to collect and use data to address COVID-19 health inequities, including data collection strategies aimed at community engagement in the collection of disaggregated data, improving methods for collecting and analyzing data on immigrants and racialized groups and policies to enable and enhance data disaggregation. Résumé Des plus en plus d'études montrent que le risque et le fardeau des infections à la COVID-19 ne sont pas également répartis dans la population et que les communautés racialisées connaissent des taux de morbidité et de mortalité disproportionnellement plus élevés. Cependant, en raison de l'absence de données ventilés selon le statut ethnique, il est impossible de mesurer comment les communautés immigrantes et racialisées vivent la pandémie et quel est l'impact des mesures prises (ou non) pour atténuer ces effets, surtout à un niveau local. Pour résoudre ce problème, le Partenariat local pour l'immigration d'Ottawa (PLIO) s'est associé au Laboratoire de recherche critique collaborative pour l'équité et la transformation en santé (CO-CREATH) de l'Université d'Ottawa et l'Organisation de la santé des Canadiens d'ascendance africaine (CADHO) aux fins de mettre en œuvre un projet visant à renforcer les capacités organisationnelles locales pour comprendre, surveiller et atténuer l'impact de la pandémie de la COVID-19 sur les populations immigrantes et racialisées. Cette note de recherche décrit le cadre de travail utilisé pour ce projet, les indicateurs proposés pour mesurer les déterminants de la santé chez les populations immigrantes et racialisées, et les lacunes que nous avons identifiés dans les données existants. Des recommandations sont faites aux décideurs politiques et aux acteurs communautaires et de la santé à tous les niveaux sur comment collecter et utiliser les données pour remédier aux inégalités en matière de santé liées à la COVID-19. Ces recommandations font référence aux stratégies de collecte de données visant à impliquer les communautés, à l'amélioration des méthodes de collecte et d'analyse des données sur les immigrants et les groupes racialisés, et aux politiques nécessaires pour permettre et améliorer la désagrégation des données selon le statut ethnique.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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