The Impact of Comorbidities among Ethnic Minorities on COVID-19 Severity and Mortality in Canada and the USA: A Scoping Review
Notice bibliographique
Résumé
(1) Current literature on ethnic minorities, comorbidities, and COVID-19 tends to investigate these factors separately, leaving gaps in our understanding about their interactions. Our review seeks to identify a relationship between ethnicity, comorbidities, and severe COVID-19 outcomes (ICU admission and mortality). We hope to enhance our understanding of the various factors that exacerbate COVID-19 severity and mortality in ethnic minorities in Canada and the USA. (2) All articles were received from PubMed, Scopus, CINAHL, and Ovid EMBASE from November 2020 to June 2022. Included articles contain information regarding comorbidities among ethnic minorities in relation to COVID-19 severity and mortality. (3) A total of 59 articles were included that examined various ethnic groups, including Black/African American, Asian, Hispanic, White/Caucasian, and Indigenous people. We found that the most examined comorbidities were diabetes, hypertension, obesity, and chronic kidney disease. A total of 76.9% of the articles (40 out of 52) found a significant association between different races and COVID-19 mortality, whereas 21.2% of the articles (11 out of 52) did not. (4) COVID-19 ICU admissions and mortality affect various ethnic groups differently, with Black patients generally having the most adverse outcomes. These outcomes may also interact with sex and age, though more research is needed assessing these variables together with ethnicity.
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 | 0,005 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,013 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».