Measuring Regional Variations in US Population-Level Health-Related Quality of Life During COVID-19 Using the EQ-5D-5L
Notice bibliographique
Résumé
Abstract Regional variations in coronavirus disease 2019 (COVID-19) suggest non-uniform impacts on health-related quality-of-life (HRQoL) across the US. This study measured regional variations in US population-level HRQoL during COVID-19. HRQoL was measured by the EQ-5D-5L in a three-wave cross-sectional online survey (spring 2020, summer 2020, winter 2021). Adjusted likelihood of any problems in EQ-5D-5L domains and adjusted mean utility and EQ-VAS were estimated and compared between US Census Bureau-designated region-divisions and waves. Regional variations were significant ( p < 0.05) in all domains except Pain/Discomfort in spring 2020, Mobility in summer 2020, and Anxiety/Depression in winter 2021. In spring 2020, East South Central (ESC) had the most Mobility (38%) and Usual Activities (66%) problems, while Self-Care problems were greatest in Mountain (53%), and Anxiety/Depression greatest in East North Central (ENC, 72%) and West North Central (80%). In summer 2020, Self-Care problems were again greatest in Mountain (62%), while ENC saw the most Usual Activities (69%), Pain/Discomfort (67%), and Anxiety/Depression (83%) problems. By winter 2021, ESC had the most problems in Mobility (52%), Self-Care (79%), and Pain/Discomfort (79%), with Usual Activities (68%) only second to Middle Atlantic (69%). Both mean utility and EQ-VAS were significantly lowest in ESC in spring 2020 and winter 2021. Otherwise, utility and EQ-VAS trends generally disagreed. HRQoL varied considerably across regions, often worst in ESC. Variation was likely driven by multiple factors including case rates, policies, and preexisting vulnerabilities; these relationships should be explored in future research. Findings support the need for region-specific health interventions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,040 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».