Global, Regional, National, and Local Burden of COVID‐19 With Inequality Analysis Across 920 Locations, 2020–2021
Notice bibliographique
Résumé
ABSTRACT Although the COVID‐19 pandemic has profoundly reshaped global health systems, a comprehensive and standardized quantification of its direct health burden across multiple spatial scales, particularly during its initial and most severe phases in 2020 and 2021, has remained lacking. Here, we present the first global‐to‐local estimation of the direct COVID‐19 burden during this period based on a repeated cross‐sectional design and secondary analysis of population‐level data using the Global Burden of Disease (GBD) 2021 analytical framework. We evaluated key measures of health burden for each year separately and assessed temporal changes to capture evolving patterns and disparities across 920 locations spanning five spatial hierarchies: global, regional, national, subnational, and local. The analysis includes 204 countries and territories, 77 international regions (e.g., the Commonwealth), 20 subnational regions (e.g., North England), and 618 local units (e.g., London). By integrating coarse‐grained (e.g., global and regional) and fine‐grained (e.g., national and local) estimates, we identified substantial spatial and socioeconomic inequalities in incidence, prevalence, mortality, disability‐adjusted life years (DALYs), years lived with disability (YLDs), and years of life lost (YLLs). Both age‐standardized and age‐, sex‐, and location‐specific estimates were generated. Leveraging the robust epidemiological modeling capabilities of the GBD framework, along with inequality metrics, including the slope index of inequality (SII) and the concentration index of inequality (CII), we uncovered pronounced disparities not only across countries and regions but also within them. Our findings underscore that aggregated regional data could mask potentially substantial cross‐national disparities and national aggregates could similarly obscure subnational and local differences. This has profound implications for understanding the distribution of long COVID risk, improving pandemic preparedness, and guiding equitable public health policy. Ultimately, this study provides an unprecedented evidence base to inform global‐to‐local health system strengthening and support data‐driven equity‐focused responses to future public health emergencies.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».