Gini coefficient, GDP per capita and COVID-19 mortality: a systematic review of ecologic studies
Notice bibliographique
Résumé
BACKGROUND: Since December 2019, when Wuhan officially reported COVID-19, the disease has spread globally, revealing significant variations in mortality rates influenced by socio-economic factors and health policies. This study aims to identify two predictors of COVID-19 mortality differences-GDP (Gross Domestic Product), and Gini Coefficient index-across various countries through a systematic review. METHODS: The study was a systematic review conducted according to PRISMA guidelines. The search strategy was searched in the titles and abstracts of the articles in three main databases: PubMed, Scopus, and Web of Science. Gini Coefficients and the Gross Domestic Product (GDP) of the countries were used as mortality predictors. The initial search yielded 331 articles, which were assessed for quality using the Newcastle Ottawa Scale (NOS). Ultimately, 31 articles were included in the final synthesis. RESULTS: Most studies analyzed data from multiple countries, with only ten of the thirty-one articles focusing on a single nation. Initial research in 2020 aimed to understand the immediate socioeconomic factors affecting COVID-19 outcomes. Later studies in 2021 and 2022 explored more complex interactions between the pandemic and socioeconomic factors, while long-term outcomes were published in 2023 and 2024. Some studies found a paradoxical relationship between GDP and COVID-19 mortality rates, whereas most indicated a positive correlation between COVID-19 mortality rates and the Gini index. CONCLUSION: Both income inequality and GDP significantly influence COVID-19 mortality rates. While a higher GDP can provide some protective benefits, it does not completely shield countries from high mortality, especially when considering economic activity and demographics. Researchers consistently identify income inequality as a predictor of poorer health outcomes, highlighting the need for equitable health and social policies to mitigate vulnerabilities in future pandemics.
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 | 0,011 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,019 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».