A spatio-temporal modelling of Covid-19 infections in Toronto’s neighbourhoods
Notice bibliographique
Résumé
Introduction & Objective: Besides age and sex as established risk factors of COVID-19 infection, social factor is found to be a determinant, with people of lower socioeconomic status suffer disproportionately from the disease. The city of Toronto has one of the highest COVID-19 infection rates in Canada. This analysis aims to explore the socioeconomic correlates associated with COVID-19 infection and the temporal trends among different age groups in Toronto using geospatial modeling.
 Methods: A Bayesian spatio-temporal analysis was conducted using public COVID-19 cases data for Toronto. The case data were modeled using the Besag-York-Mollie (BYM) model, implemented in R-INLA. The model adjusted for age, sex, neighbourhood-level socioeconomic factors, crime rates, and population density. Random effects were included to account for neighbourhood-level variation and for spatial autocorrelation. Temporal trends of COVID-19 cases were modelled using second-order random walks to allow non-parametric estimations.
 Results: The model estimates showed that men are at higher risk of COVID-19 infection. Among neighbourhood factors, higher home prices, education level, and population density are at lower risks, while belonging to an improvement area showed elevated risks. The temporal trends differed by age, with ages 20-59 showed increased risks over time, compared to the youngest and older age groups. Model predictions showed that northwest Toronto has higher risk compared to the rest of Toronto.
 Conclusion: The higher COVID-19 infection risks in the Northwest will require increase public health effort to control disease spread in this area. The ecological correlates identified in this analysis will also help to guide the ongoing vaccination plans.
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 | 0,004 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».