Do COVID-19 Infectious Disease Models Incorporate the Social Determinants of Health? A Systematic Review
Notice bibliographique
Résumé
Objectives: To identify COVID-19 infectious disease models that accounted for social determinants of health (SDH). Methods: We searched MEDLINE, EMBASE, Cochrane Library, medRxiv, and the Web of Science from December 2019 to August 2020. We included mathematical modelling studies focused on humans investigating COVID-19 impact and including at least one SDH. We abstracted study characteristics (e.g., country, model type, social determinants of health) and appraised study quality using best practices guidelines. Results: 83 studies were included. Most pertained to multiple countries (n = 15), the United States (n = 12), or China (n = 7). Most models were compartmental (n = 45) and agent-based (n = 7). Age was the most incorporated SDH (n = 74), followed by gender (n = 15), race/ethnicity (n = 7) and remote/rural location (n = 6). Most models reflected the dynamic nature of infectious disease spread (n = 51, 61%) but few reported on internal (n = 10, 12%) or external (n = 31, 37%) model validation. Conclusion: Few models published early in the pandemic accounted for SDH other than age. Neglect of SDH in mathematical models of disease spread may result in foregone opportunities to understand differential impacts of the pandemic and to assess targeted interventions. Systematic Review Registration: [https://www.crd.york.ac.uk/prospero/display_record.php?ID=CRD42020207706], PROSPERO, CRD42020207706.
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 | 0,016 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,012 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».