Residential Segregation and County-Level COVID-19 Booster Coverage in the Deep South: Surveillance Report and Ecological Study
Notice bibliographique
Résumé
BACKGROUND: COVID-19 had a greater impact in the Deep South compared with other regions in the United States. While vaccination remains a top priority for all eligible individuals, data regarding the progress of booster coverage in the Deep South and how the coverage varies by county and age are sparse. Despite existing evidence of racial and ethnic disparities in COVID-19 vaccinations at the individual level, there is an urgent need for evidence at the population level. Such information could highlight vulnerable communities and guide future health care policy-making and resource allocation. OBJECTIVE: We aimed to evaluate county-level COVID-19 booster coverage by age group in the Deep South and explore its association with residential segregation. METHODS: An ecological study was conducted at the population level by integrating COVID-19 vaccine surveillance data, residential segregation index, and county-level factors across the 418 counties of 5 Deep South states from December 15, 2021, to October 19, 2022. We analyzed the cumulative percentages of county-level COVID-19 booster uptake by age group (eg, 12 to 17 years, 18 to 64 years, and at least 65 years) by the end of the study period. The longitudinal relationships were examined between residential segregation, the interaction of time and residential segregation, and COVID-19 booster coverage using the Poisson model. RESULTS: As of October 19, 2022, among the 418 counties, the median of booster uptake was 40% (IQR 37.8%-43%). Compared with older adults (ie, at least 65 years; median 63.1%, IQR 59.5%-66.5%), youth (ie, 12 to 17 years; median 14.1%, IQR 11.3%-17.4%) and adults (ie, 18 to 64 years; median 33.4%, IQR 30.5%-36.5%) had lower percentages of booster uptake. There was geospatial heterogeneity in the county-level COVID-19 booster coverage. We found that higher segregated counties had lower percentages of booster coverage. Such relationships attenuated as time increased. The findings were consistent across the age groups. CONCLUSIONS: The progress of county-level COVID-19 booster coverage in the Deep South was slow and varied by age group. Residential segregation precluded the county-level COVID-19 booster coverage across age groups. Future efforts regarding vaccination strategies should focus on youth and adults. Health care facilities and resources are needed in racial and ethnic minority communities.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».