Are Neighborhood Features Associated With Premature Mortality in Toronto Neighborhoods?
Notice bibliographique
Résumé
Objective: The relationship between neighborhood social and economic features and the residents’ premature mortality rate is a controversial topic that has brought concerns from many local governments. The purpose of this paper was to determine the impacts of three indicators, including numbers of health providers, numbers of drug arrests, and neighborhood equity scores on premature mortality in the 140 neighborhoods in the City of Toronto. Methods: Conducting regression analysis by using the data from January 2018 to December 2018 obtained from OpenData Toronto. The number of health providers, which shows how many medical service sectors the local community has is generated into a dummy variable (<1.5 or ≥1.5 health providers per 1000 people), and all datasets are cleaned into the same unit, which is per thousand people. Both single regressions and multiple regression are used to compare the change in premature mortality rate, which means the deaths occurred before 70 years old. Results: Taking all indicators into weighted consideration, the empirical evidence shows that the premature mortality rate increased by 4% on average with every one additional drug arrest incident occurring per thousand people while with every additional health provider per one thousand citizens, the premature mortality rate will decrease by 10% on average; In terms of neighborhood equity score, one point increase is associated with a roughly 1% decrease in premature mortality rate on average. Conclusion: Social and economic factors are closely associated with the local premature mortality rate and actively improving the local living conditions can decrease the premature mortality rate while preventing serious issues before it actually occurs.
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 | 0,002 | 0,000 |
| 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 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 ».