Health Equity Assessment Toolkit (HEAT and HEAT Plus): exploring inequalities in the COVID-19 pandemic era
Notice bibliographique
Résumé
BACKGROUND: The Sustainable Development Goals have helped to focus attention on the importance of reducing inequality and 'leaving no one behind'. Monitoring health inequalities is essential for providing evidence to inform policies, programmes and practices that can close existing gaps and achieve health equity. The Health Equity Assessment Toolkit (HEAT and HEAT Plus) software was developed by the World Health Organization to facilitate the assessment of within-country health inequalities. RESULTS: HEAT contains a built-in database of disaggregated health data, while HEAT Plus allows users to upload and analyze inequalities using their own datasets. Version 4.0 of the software incorporated enhancements to the toolkit's capacity for equity assessments. This includes a multilingual interface, interactive and downloadable visualizations, flexibility to analyze inequalities using any dataset of disaggregated data, and the built-in calculation of 19 summary measures of inequality. This paper outlines the improved features and functionalities of the HEAT and HEAT Plus software since their original release, highlighted through an example of how the toolkit can be used to assess inequalities in the COVID-19 pandemic era. CONCLUSIONS: The features of the HEAT and HEAT Plus software make it a valuable tool for analyzing and reporting inequalities related to the COVID-19 pandemic, as well as its indirect impacts on inequalities in other health and non-health areas, providing evidence to inform equity-oriented interventions and strategies.
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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,003 |
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 ».