Pre- and during -COVID-19 pandemic mortality trends and drivers in rural, coastal Kenya: findings from the Kaloleni–Rabai Health and Demographic Surveillance System
Notice bibliographique
Résumé
BACKGROUND: There is contradicting information regarding the effect of COVID-19 on mortality in African settings. Knowledge of the complete direct and indirect burden of COVID-19 on mortality is heavily reliant on the availability of a population-based surveillance system. Here we provide robust data on the effect of COVID-19 on mortality trends in a rural, coastal, Kenyan community. METHODS: A historical cohort study using data from the Kaloleni Rabai Health and Demographic Surveillance System was conducted with special focus on two discernible time periods representing the pre-COVID-19 (2018-2019) and COVID-19 (2020-2021) periods. Mortality rates were estimated as the total number of deaths divided by the person-time (years) at risk, accounting for attrition, and calculated separately for the two periods. A cox proportional hazards model was used to estimate the impact of COVID-19 on mortality. RESULTS: 1191 deaths occurred between 2018 and 2021. There was no significant change in overall mortality rates between pre-COVID-19 and COVID-19 periods (3.7 and 3.6 per 1000 person years at risk respectively, p = 0.74). Older age was significantly associated with mortality (a_HR: 1.05, 95% CI: 1.05-1.06; p < 0.001). However, an interaction term between age and time-period appeared to reverse this association (a_HR: 0.99, 95% CI: 0.99-1.00; p < 0.001). CONCLUSIONS: Our findings suggest that although overall COVID-19 did not directly impact mortality rates within this rural population, the onset of the pandemic did appear to reverse and/or attenuate the impact of several risk factors on mortality. It is possible that COVID-19 brought health and wellness into sharp focus, making people more vigilant about their health, hygiene and associated preventive measures.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».