Morbid and Mortal Inequities among Indigenous People in Canada and the United States during the COVID-19 Pandemic Critical Review of Relative Risks and Protections
Notice bibliographique
Résumé
The COVID-19 pandemic focused the world’s attention on gross racialized health inequities and injustices. For political and scientific reasons much less is known about the plight of Indigenous peoples than about other ethnic groups. In fact, some of the early pandemic evidence suggested that Indigenous peoples, while clearly experiencing prevalent structural violence probably also experience certain cultural protections. Aiming to begin to clarify their relative risks and protections, we conducted a rapid critical research review and sample-weighted synthesis or meta-analysis of the publishedand gray literature on four COVID-19-relevant outcomes in Canada and the United States between January 1, 2020 and August 1, 2021: vaccination, infection, severe infection, and death rates. Twenty-nine Indigenous-non-Indigenous comparative surveys or cohorts that observed 33, typically age-standardized, incidence or mortality rates or their proxies were included. Consistent with structural violence theory, we found that Indigenous peoples were significantly more likely to be infected, to experience severe COVID-19 illness, or to die as a result of their illness, Indigenous mortal risks (RR = 2.45) being significantly greater than Indigenous morbid risks (RR = 1.40). Consistent with cultural strengths theory, vaccinations seemed equitably distributed (RR = 1.02) with a suggestion of greater vaccine willingness among Indigenous peoples in some places. Clearly, much work remains to be done to decolonize Indigenous research and ultimately practices and policies in North America. Indigenous knowledge user-researcher teams and their allies have much to teach about cultural and ultimately, policy protections.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».