Impact of social and demographic factors on the spread of the SARS-CoV-2 epidemic in the town of Nice
Notice bibliographique
Résumé
Abstract Introduction Socio-demographic factors are known to influence epidemic dynamics. The town of Nice, France, displays major socio-economic inequalities, according to the National Institute of Statistics and Economic Studies (INSEE), 10% of the population is considered to live below the poverty threshold, i.e. 60% of the median standard of living. Objective To identify socio-economic factors related to the incidence of SARS-CoV-2 in Nice, France. Methods The study included residents of Nice with a first positive SARS-CoV-2 test (January 4-February 14, 2021). Laboratory data were provided by the National information system for Coronavirus Disease (COVID-19) screening (SIDEP) and socio-economic data were obtained from INSEE. Each case’s address was allocated to a census block to which we assigned a social deprivation index (French Deprivation index, FDep) divided into 5 categories. For each category, we computed the incidence rate per age and per week and its mean weekly variation. A standardized incidence ratio (SIR) was calculated to investigate a potential excess of cases in the most deprived population category (FDep5), compared to the other categories. Pearson’s correlation coefficient was computed and a Generalized Linear Model (GLM) applied to analyse the number of cases and socio-economic variables per census blocks. Results We included 10,078 cases. The highest incidence rate was observed in the most socially deprived category (4001/100,000 inhabitants vs 2782/100,000 inhabitants for the other categories of FDep). The number of observed cases in the most social deprivated category (FDep5: N = 2019) was significantly higher than in the others (N = 1384); SIR = 1.46 [95% CI:1.40–1.52; p < 0.001]. Socio-economic variables related to poor housing, harsh working conditions and low income were correlated with the new cases of SARS-CoV-2. Conclusion Social deprivation was correlated with a higher incidence of SARS-CoV-2 during the 2021 epidemic in Nice. Local surveillance of epidemics provides complementary data to national and regional surveillance. Mapping socio-economic vulnerability indicators at the census block level and correlating these with incidence could prove highly useful to guide political decisions in public health.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».