Racial and ethnic disparities post-hospitalization for COVID-19: barriers to access to care for survivors of COVID-19 acute respiratory distress syndrome
Notice bibliographique
Résumé
Racial and ethnic health disparities in the incidence and severity of Coronavirus Disease 2019 (COVID-19) have been observed globally and in the United States. Research has focused on transmission, hospitalization, and mortality among racial and ethnic minorities, but Long COVID-19 health disparities research is limited. This study retrospectively evaluated 195 adults who survived COVID-19 associated acute respiratory distress syndrome (C-ARDS) in New York City from March-April 2020. Among survivors, 54% met the criteria for Long COVID syndrome. Hispanic/Latinx patients, were more likely to be uninsured (p = 0.027) and were less frequently discharged to rehabilitation facilities (p < 0.001). A cross-sectional telephone survey and interview were conducted with a subset of survivors (n = 69). Among these, 11% reported a lack of follow-up primary care post-discharge and 38% had subsequent emergency room visits. Notably, 38% reported poor treatment within the health care system, with 67% attributing this to racial or ethnic bias. Thematic analysis of interviews identified four perceived challenges: decline in functional status, discrimination during hospitalization, healthcare system inequities, and non-healthcare-related structural barriers. Sources of resilience included survivorship, faith, and family support. This study highlights structural and healthcare-related barriers rooted in perceived racism and poverty as factors impacting post-COVID-19 care.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».