COVID-19's intra-urban inequalities and social vulnerability in a medium-sized city
Notice bibliographique
Résumé
BACKGROUND: Social conditions are related to the impact of epidemics on human populations. This study aimed to investigate the spatial distribution of cases, hospitalizations, and deaths from COVID-19 and its association with social vulnerability. METHODS: An ecological study was conducted in 81 urban regions (UR) of Juiz de Fora from March to November 2020. Exposure was measured using the Health Vulnerability Index (HVI), a synthetic indicator that combines socioeconomic and environmental variables from the Demographic Census 2010. Regression models were estimated for counting data with overdispersion (negative binomial generalized linear model) using Bayesian methods, with observed frequencies as the outcome, expected frequencies as the offset variable, and HVI as the explanatory variable. Unstructured random-effects (to capture the effect of unmeasured factors) and spatially structured effects (to capture the spatial correlation between observations) were included in the models. The models were estimated for the entire period and quarter. RESULTS: There were 30,071 suspected cases, 8,063 confirmed cases, 1,186 hospitalizations, and 376 COVID-19 deaths. In the second quarter of the epidemic, compared to the low vulnerability URs, the high vulnerability URs had a lower risk of confirmed cases (RR=0.61; CI95% 0.49-0.76) and a higher risk of hospitalizations (RR=1.65; CI95% 1.23-2.22) and deaths (RR=1.73; CI95% 1.08-2.75). CONCLUSIONS: The lower risk of confirmed cases in the most vulnerable UR probably reflected lower access to confirmatory tests, while the higher risk of hospitalizations and deaths must have been related to the greater severity of the epidemic in the city's poorest regions.
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 | 0,009 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».