Neighbourhood-level socio-demographic characteristics and risk of COVID-19 incidence and mortality in Ontario, Canada: A population-based study
Notice bibliographique
Résumé
OBJECTIVES: We aimed to estimate associations between COVID-19 incidence and mortality with neighbourhood-level immigration, race, housing, and socio-economic characteristics. METHODS: We conducted a population-based study of 28,808 COVID-19 cases in the provincial reportable infectious disease surveillance systems (Public Health Case and Contact Management System) which includes all known COVID-19 infections and deaths from Ontario, Canada reported between January 23, 2020 and July 28, 2020. Residents of congregate settings, Indigenous communities living on reserves or small neighbourhoods with populations <1,000 were excluded. Comparing neighbourhoods in the 90th to the 10th percentiles of socio-demographic characteristics, we estimated the associations between 18 neighbourhood-level measures of immigration, race, housing and socio-economic characteristics and COVID-19 incidence and mortality using Poisson generalized linear mixed models. RESULTS: Neighbourhoods with the highest proportion of immigrants (relative risk (RR): 4.0, 95%CI:3.5-4.5) and visible minority residents (RR: 3.3, 95%CI:2.9-3.7) showed the strongest association with COVID-19 incidence in adjusted models. Among individual race groups, COVID-19 incidence was highest among neighbourhoods with the high proportions of Black (RR: 2.4, 95%CI:2.2-2.6), South Asian (RR: 1.9, 95%CI:1.8-2.1), Latin American (RR: 1.8, 95%CI:1.6-2.0) and Middle Eastern (RR: 1.2, 95%CI:1.1-1.3) residents. Neighbourhoods with the highest average household size (RR: 1.9, 95%CI:1.7-2.1), proportion of multigenerational families (RR: 1.8, 95%CI:1.7-2.0) and unsuitably crowded housing (RR: 2.1, 95%CI:2.0-2.3) were associated with COVID-19 incidence. Neighbourhoods with the highest proportion of residents with less than high school education (RR: 1.6, 95%CI:1.4-1.8), low income (RR: 1.4, 95%CI:1.2-1.5) and unaffordable housing (RR: 1.6, 95%CI:1.4-1.8) were associated with COVID-19 incidence. Similar inequities were observed across neighbourhood-level sociodemographic characteristics and COVID-19 mortality. CONCLUSIONS: Neighbourhood-level inequities in COVID-19 incidence and mortality were observed in Ontario, with excess burden experienced in neighbourhoods with a higher proportion of immigrants, racialized populations, large households and low socio-economic status.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».