COVID-19 Disparities Among Arab, Middle Eastern, and West Asian Populations in Toronto: Implications for Improving Health Equity Among Middle Eastern and North African Communities in the United States
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Equity-oriented efforts to mitigate and prevent COVID-related disparities are hindered due to methodological limitations of the categorization of racial and ethnic groups, including Arabs and Middle Eastern and North African (MENA) communities, which remain invisible in national data collection efforts. This study highlights the disparities in COVID-related outcomes in Toronto, Canada and supports ongoing calls to collect public health data among MENA communities in the United States. METHODS: Data on racial/ethnic identity and hospitalizations were collected by the Toronto Public Health (TPH) of the Ontario Ministry of Public Health Case between May 20, 2020, and September 30, 2021 from people with a confirmed or probable case of COVID-19. RESULTS: The reported COVID-19 infection rate for Arab, Middle Eastern, West Asians (i.e., categories used to self-identify as MENA in Canada) relative to Whites in Toronto was 3.51. The age-standardized hospitalization rate ratio between Arab, Middle Eastern, West Asians and Whites was 4.59. DISCUSSION: Data from Toronto highlight that Arab, Middle Eastern, and West Asians have higher rates of COVID-19 infections and hospitalizations than their White counterparts. Comparable studies are currently not possible in the United States due to lack of data that can disaggregate MENA individuals. This study underscores the critical need to collect data among MENA communities in the United States to advance our field's goal of promoting and advancing equity.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle