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 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 | 0,001 | 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) | 0,001 | 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 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 ».