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
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».