Did the socioeconomic inequalities in avoidable and unavoidable mortality worsen during the first year of the COVID-19 pandemic in Korea?
Notice bibliographique
Résumé
OBJECTIVES: This study examined changes in socioeconomic inequalities in mortality in Korea before and after the outbreak of coronavirus disease 2019 (COVID-19). METHODS: From 2017 to 2020, age-standardized mortality rates were calculated for all-cause deaths, avoidable deaths (preventable deaths, treatable deaths), and unavoidable deaths using National Health Insurance claims data and Statistics Korea's cause of death data. In addition, the slope index of inequality (SII) and the relative index of inequality (RII) by six income levels (Medical Aid beneficiary group and quintile of health insurance premiums) were computed to analyze the magnitude and change of mortality inequalities. RESULTS: All-cause and avoidable mortality rates decreased steadily between 2017 and 2020, whereas unavoidable mortality remained relatively stable. In the case of mortality inequalities, the disparity in all-cause mortality between income classes was exacerbated in 2020 compared to 2019, with the SII increasing from 185.44 to 189.22 and the RII increasing from 3.99 to 4.29. In particular, the preventable and unavoidable mortality rates showed an apparent increase in inequality, as both the SII (preventable: 91.31 to 92.01, unavoidable: 69.99 to 75.38) and RII (preventable: 3.42 to 3.66, unavoidable: 5.02 to 5.89) increased. CONCLUSIONS: In the first year of the COVID-19 pandemic, mortality inequality continued to increase, although there was no sign of exacerbation. It is necessary to continuously evaluate mortality inequalities, particularly for preventable and unavoidable deaths.
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 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 | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».