COVID-19 and the Disproportionate Impact Seen on the BIPOC Community A literature Review
Notice bibliographique
Résumé
Objectives: To highlight the ongoing health inequities experienced by the BIPOC community in Canada through the data collected from the COVID-19 pandemic. To demonstrate the disproportionate effect of COVID-19 on the BIPOC community, through the negative outcomes such as infection rates, hospitalization, ICU admission, and death. To correlate which non-medical factors contributed to the outcomes seen and what needs to be accomplished to mitigate future health crises. Methods: Literature review using the platform PubMed. Key terms used included “COVID-19 pandemic outcomes, COVID-19 and the BIPOC community, disproportionate outcomes of BIPOC community COVID-19, social determinants of health and COVID-19, healthy inequity and COVID-19.” Subsequently, 11 articles were deemed suitable for use in this review. Studies were focused on North American studies, particularly in Canada, but were not restricted to such. Results: The literature review identified that BIPOC individuals experienced disproportionate outcomes during the COVID-19 pandemic. They held greater infection rates, hospitalizations, and death compared to the white population of Canada. The non-medical factors which contributed to the poor outcomes seen during the pandemic included employment, neighbourhood, SES, and systemic racism in health care practices. Conclusions: The social determinants of health associated with the negative outcomes seen during the COVID-19 pandemic highlight changes that need to be taken to protect vulnerable communities. Negative outcomes can be prevented through collaborative measures to create safer employment strategies, safer neighbourhoods, and safer health care practices with the goal of eliminating systemic racism and creating health equity.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».