Understanding how social determinants of health shape Long COVID outcomes: a rapid review of evidence
Notice bibliographique
Résumé
BACKGROUND: Long COVID affects over 65 million people worldwide, yet the impact of social determinants of health (SDoH), such as socioeconomic status, race/ethnicity, education, occupation, and geography, remains poorly understood. To evaluate the association between SDoH and the risk and severity of Long COVID. METHODS: A rapid review of observational studies was conducted using MEDLINE, Embase, and Web of Science (up to September 29, 2024). Studies reporting original data on SDoH and Long COVID outcomes were included. Data were extracted on study characteristics, population demographics, Long COVID definitions, and SDoH-related findings. Study quality was assessed using the Newcastle-Ottawa Scale. RESULTS: Seventy-one studies (43 cohort, 28 cross-sectional) were included. Definitions of Long COVID varied. Commonly studied SDoH included age, sex, race/ethnicity, education, financial security, employment, and geography. Female sex and older age were consistently associated with increased risk and severity of Long COVID. Black and Hispanic individuals were more likely to experience Long COVID. Lower education and financial insecurity were also linked to greater prevalence and symptom burden. Frontline and essential workers were found to be at increased risk. Geographic disparities were evident but varied across rural and urban residence. CONCLUSIONS: SDoH play a key role in shaping Long COVID outcomes. Addressing these disparities requires targeted public health efforts and standardized case definitions.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».