The COVID-19 Mortality Rate Is Associated with Illiteracy, Age, and Air Pollution in Urban Neighborhoods: A Spatiotemporal Cross-Sectional Analysis
Notice bibliographique
Résumé
There are different area-based factors affecting the COVID-19 mortality rate in urban areas. This research aims to examine COVID-19 mortality rates and their geographical association with various socioeconomic and ecological determinants in 350 of Tehran’s neighborhoods as a big city. All deaths related to COVID-19 are included from December 2019 to July 2021. Spatial techniques, such as Kulldorff’s SatScan, geographically weighted regression (GWR), and multi-scale GWR (MGWR), were used to investigate the spatially varying correlations between COVID-19 mortality rates and predictors, including air pollutant factors, socioeconomic status, built environment factors, and public transportation infrastructure. The city’s downtown and northern areas were found to be significantly clustered in terms of spatial and temporal high-risk areas for COVID-19 mortality. The MGWR regression model outperformed the OLS and GWR regression models with an adjusted R2 of 0.67. Furthermore, the mortality rate was found to be associated with air quality (e.g., NO2, PM10, and O3); as air pollution increased, so did mortality. Additionally, the aging and illiteracy rates of urban neighborhoods were positively associated with COVID-19 mortality rates. Our approach in this study could be implemented to study potential associations of area-based factors with other emerging infectious diseases worldwide.
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 | 0,001 |
| 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 | 0,000 | 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 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 ».