The Effect of the COVID-19 Pandemic on the Elderly: Population Fatality Rates, COVID Mortality Percentage, and Life Expectancy Loss.
Notice bibliographique
Résumé
The COVID-19 pandemic has disproportionately affected the elderly. This Article provides a detailed analysis of those effects, drawing primarily on individual-level mortality data covering almost three million persons aged 65+ in three Midwest states (Indiana, Illinois, and Wisconsin). We report sometimes surprising findings on population fatality rates ("PFR"), the ratio of COVID to non-COVID deaths, reported as a percentage, which we call the "Covid Mortality Percentage," and mean life expectancy loss ("LEL"). We examine how these COVID-19 outcomes vary with age, gender, race/ethnicity, socio-economic status, and time period during the pandemic. For all persons in the three Midwest areas, COVID PFR through year-end 2021 was 0.22%, mean years of life lost ("YLL") was 13.0 years, the COVID Mortality Percentage was 12.4%, and LEL was 0.028 years (eleven days). In contrast, for the elderly, PFR was 1.03%; YLL was 8.8 years, the COVID Mortality Percentage was 13.2%, and LEL was 0.091 years (thirty-four days). Controlling for gender, PFR and LEL were substantially higher for Blacks and Hispanics than for Whites at all ages. Racial/ethnic disparities for the elderly were large early in the pandemic but diminished later. Although COVID-19 mortality was much higher for the elderly, the COVID Mortality Percentage over the full pandemic period was only modestly higher for the elderly, at 13.2%, than for non-elderly adults aged 25-64, at 11.1%. Indeed, in 2021, this ratio was lower for the elderly than for the middle-aged, reflecting higher elderly vaccination rates.
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 | 0,001 |
| 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 | 0,001 | 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 ».