Social inequalities in COVID-19 death by area-level income in 11.2 million people in Ontario, Canada: patterns over time and the mediating role of vaccination
Notice bibliographique
Résumé
Knowledge of patterns in COVID-19 deaths by area-level income over time and the mediating role of vaccination in inequality patterns remains limited. We used data from a population-based retrospective cohort of 11 248 572 adults in Ontario, Canada. Cause-specific hazard models were used examine the relationship between income (2016 Census at the dissemination area level) and COVID-19 deaths between March 1, 2020 and January 30, 2022, stratified by wave. We used regression-based causal mediation analyses to examine the mediating role of vaccination in the relationship between income and COVID-19 deaths during waves 4 and 5. After accounting for demographics, baseline health, and other social determinants of health, inequalities in COVID-19 deaths by income persisted over time (HR [95% CI] comparing lowest income vs highest income quintiles were 1.37 [0.98-1.92] for wave 1, 1.21 [0.99-1.48] for wave 2, 1.55 [1.22-1.96] for wave 3, and 1.57 [1.15-2.15] for waves 4 and 5). By the start of wave 4, 7 534 259 (67.7%) of those alive were vaccinated, with lower odds of vaccination in the lowest income vs highest income quintiles (0.71 [0.70-0.71]). This inequality in vaccination accounted for 56.9% [22.5%-91.3%] of inequalities in COVID-19 deaths between individuals in the lowest income vs highest income quintiles. Efforts are needed to address vaccination gaps and residual heightened risks associated with lower income to improve health equity in COVID-19 outcomes.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».