Racial disparities in COVID-19 vaccination in Canada: results from the cross-sectional Canadian Community Health Survey
Notice bibliographique
Résumé
BACKGROUND: Racial and ethnic disparities in COVID-19 vaccination coverage have been observed in Canada and in other countries. We aimed to compare vaccination coverage for at least 1 dose of a COVID-19 vaccine between First Nations people living off reserve and Métis, Black, Arab, Chinese, South Asian and White people. METHODS: We used data collected between June 2021 and June 2022 by Statistics Canada's Canadian Community Health Survey, a large, nationally representative cross-sectional study. The analysis included 64 722 participants aged 18 years or older from the 10 provinces. We used a multiple logistic regression model to determine associations between vaccination status and race, controlling for collection period, region of residence, age, gender and education. RESULTS: Nonvaccination against COVID-19 was more frequent in off-reserve First Nations people (adjusted odds ratio [OR] 1.8, 95% confidence interval [CI] 1.2-2.7) and Black people (adjusted OR 1.7, 95% CI 1.1-2.6), and less frequent among South Asian people (adjusted OR 0.3, 95% CI 0.1-0.7) compared to White people. INTERPRETATION: This analysis showed significant inequalities in COVID-19 vaccine uptake between racial/ethnic populations in Canada. Further research is needed to understand the sociocultural, structural and systemic facilitators of and barriers to vaccination across racial groups, and to identify strategies that may improve vaccination uptake among First Nations and Black people.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».