Uncovering SARS-COV-2 vaccine uptake and COVID-19 impacts among First Nations, Inuit and Métis Peoples living in Toronto and London, Ontario
Notice bibliographique
Résumé
BACKGROUND: First Nations, Inuit and Métis Peoples across geographies are at higher risk of SARS-CoV-2 infection and COVID-19 because of high rates of chronic disease, inadequate housing and barriers to accessing health services. Most Indigenous Peoples in Canada live in cities, where SARS-CoV-2 infection is concentrated. To address gaps in SARS-CoV-2 information for these urban populations, we partnered with Indigenous agencies and sought to generate rates of SARS-CoV-2 testing and vaccination, and incidence of infection for First Nations, Inuit and Métis living in 2 Ontario cities. METHODS: = 364), Ontario, who were recruited using respondent-driven sampling. We linked to ICES SARS-CoV-2 databases and prospectively monitored rates of SARS-CoV-2 testing, diagnosis and vaccination for First Nations, Inuit and Métis, and comparator city and Ontario populations. RESULTS: We found that SARS-CoV-2 testing rates among First Nations, Inuit and Métis were higher in Toronto (54.7%, 95% confidence interval [CI] 48.1% to 61.3%) and similar in London (44.5%, 95% CI 36.0% to 53.1%) compared with local and provincial rates. We determined that cumulative incidence of SARS-CoV-2 infection was not significantly different among First Nations, Inuit and Métis in Toronto (7364/100 000, 95% CI 2882 to 11 847) or London (7707/100 000, 95% CI 2215 to 13 200) compared with city rates. We found that rates of vaccination among First Nations, Inuit and Métis in Toronto (58.2%, 95% CI 51.4% to 64.9%) and London (61.5%, 95% CI 52.9% to 70.0%) were lower than the rates for the 2 cities and Ontario. INTERPRETATION: Although Ontario government policies prioritized Indigenous populations for SARS-CoV-2 vaccination, vaccine uptake was lower than in the general population for First Nations, Inuit and Métis Peoples in Toronto and London. Ongoing access to culturally safe testing and vaccinations is urgently required to avoid disproportionate hospital admisson and mortality related to COVID-19 in these communities.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 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) | 0,002 | 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 ».