Differences in COVID-19 testing and adverse outcomes by race, ethnicity, sex, and health system setting in a large diverse US cohort
Notice bibliographique
Résumé
Background Racial/ethnic disparities during the first six months of the COVID-19 pandemic led to differences in COVID-19 testing and adverse outcomes. We examine differences in testing and adverse outcomes by race/ethnicity and sex across a geographically diverse and system-based COVID-19 cohort collaboration. Methods Observational study among adults (≥18 years) within six US cohorts from March 1, 2020 to August 31, 2020 using data from electronic health record and patient reporting. Race/ethnicity and sex as risk factors were primary exposures, with health system type (integrated health system, academic health system, or interval cohort) as secondary. Proportions measured SARS-CoV-2 testing and positivity; attributed hospitalization and death related to COVID-19. Relative risk ratios (RR) with 95% confidence intervals quantified associations between exposures and main outcomes. Results 5,958,908 patients were included. Hispanic patients had the highest proportions of SARS-CoV-2 testing (16%) and positivity (18%), while Asian/Pacific Islander patients had the lowest portions tested (11%) and White patients had the lowest positivity rates (5%). Men had a lower likelihood of testing (RR = 0.90 [0.89–0.90]) and a higher positivity risk (RR = 1.16 [1.14–1.18]) compared to women. Black patients were more likely to have COVID-19-related hospitalizations (RR = 1.36 [1.28–1.44]) and death (RR = 1.17 [1.03–1.32]) compared with White patients. Men were more likely to be hospitalized (RR = 1.30 [1.16–1.22]) or die (RR = 1.70 [1.53–1.89]) compared to women. These racial/ethnic and sex differences were reflected in both health system types. Conclusions This study supports evidence of disparities by race/ethnicity and sex during the COVID-19 pandemic that persisted even in healthcare settings with reduced barriers to accessing care. Further research is needed to understand and prevent the drivers that resulted in higher burdens of morbidity among certain Black patients and men.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,001 | 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 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 ».