COVID-19 Cases Among Congregate Care Facility Staff by Neighborhood of Residence and Social and Structural Determinants: Observational Study
Notice bibliographique
Résumé
BACKGROUND: Disproportionate risks of COVID-19 in congregate care facilities including long-term care homes, retirement homes, and shelters both affect and are affected by SARS-CoV-2 infections among facility staff. In cities across Canada, there has been a consistent trend of geographic clustering of COVID-19 cases. However, there is limited information on how COVID-19 among facility staff reflects urban neighborhood disparities, particularly when stratified by the social and structural determinants of community-level transmission. OBJECTIVE: This study aimed to compare the concentration of cumulative cases by geography and social and structural determinants across 3 mutually exclusive subgroups in the Greater Toronto Area (population: 7.1 million): community, facility staff, and health care workers (HCWs) in other settings. METHODS: We conducted a retrospective, observational study using surveillance data on laboratory-confirmed COVID-19 cases (January 23 to December 13, 2020; prior to vaccination rollout). We derived neighborhood-level social and structural determinants from census data and generated Lorenz curves, Gini coefficients, and the Hoover index to visualize and quantify inequalities in cases. RESULTS: The hardest-hit neighborhoods (comprising 20% of the population) accounted for 53.87% (44,937/83,419) of community cases, 48.59% (2356/4849) of facility staff cases, and 42.34% (1669/3942) of other HCW cases. Compared with other HCWs, cases among facility staff reflected the distribution of community cases more closely. Cases among facility staff reflected greater social and structural inequalities (larger Gini coefficients) than those of other HCWs across all determinants. Facility staff cases were also more likely than community cases to be concentrated in lower-income neighborhoods (Gini 0.24, 95% CI 0.15-0.38 vs 0.14, 95% CI 0.08-0.21) with a higher household density (Gini 0.23, 95% CI 0.17-0.29 vs 0.17, 95% CI 0.12-0.22) and with a greater proportion working in other essential services (Gini 0.29, 95% CI 0.21-0.40 vs 0.22, 95% CI 0.17-0.28). CONCLUSIONS: COVID-19 cases among facility staff largely reflect neighborhood-level heterogeneity and disparities, even more so than cases among other HCWs. The findings signal the importance of interventions prioritized and tailored to the home geographies of facility staff in addition to workplace measures, including prioritization and reach of vaccination at home (neighborhood level) and at work.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».