Ethnic disparities in COVID-19 outcomes: a multinational cohort study of 20 million individuals from England and Canada
Notice bibliographique
Résumé
Abstract Background Heterogeneous studies have demonstrated ethnic inequalities in the risk of SARS-CoV-2 infection and adverse COVID-19 outcomes. This study evaluates the association between ethnicity and COVID-19 outcomes in two large population-based cohorts from England and Canada and investigates potential explanatory factors for ethnic patterning of severe outcomes. Methods We identified adults aged 18 to 99 years in the QResearch primary care (England) and Ontario (Canada) healthcare administrative population-based datasets (start of follow-up: 24th and 25th Jan 2020 in England and Canada, respectively; end of follow-up: 31st Oct and 30th Sept 2020, respectively). We harmonised the definitions and the design of two cohorts to investigate associations between ethnicity and COVID-19-related death, hospitalisation, and intensive care (ICU) admission, adjusted for confounders, and combined the estimates obtained from survival analyses. We calculated the ‘percentage of excess risk mediated’ by these risk factors in the QResearch cohort. Results There were 9.83 million adults in the QResearch cohort (11,597 deaths; 21,917 hospitalisations; 2932 ICU admissions) and 10.27 million adults in the Ontario cohort (951 deaths; 5132 hospitalisations; 1191 ICU admissions). Compared to the general population, pooled random-effects estimates showed that South Asian ethnicity was associated with an increased risk of COVID-19 death (hazard ratio: 1.63, 95% CI: 1.09-2.44), hospitalisation (1.53; 1.32-1.76), and ICU admission (1.67; 1.23-2.28). Associations with ethnic groups were consistent across levels of deprivation. In QResearch, sociodemographic, lifestyle, and clinical factors accounted for 42.9% (South Asian) and 39.4% (Black) of the excess risk of COVID-19 death. Conclusion International population-level analyses demonstrate clear ethnic inequalities in COVID-19 risks. Policymakers should be cognisant of the increased risks in some ethnic populations and design equitable health policy as the pandemic continues.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».