PREreviews de Influence of social determinants of health and county vaccination rates on machine learning models to predict COVID-19 case growth in Tennessee | PREreview

Aller directement aux détails du preprint Aller directement aux PREreviews

Influence of social determinants of health and county vaccination rates on machine learning models to predict COVID-19 case growth in Tennessee

par Lukasz S. Wylezinski, Coleman R. Harris, Cody N. Heiser, Jamieson D. Gray et Charles F. Spurlock

Publié: 30 juillet 2021
Serveur de preprints: medRxiv
DOI: 10.1101/2021.07.28.21260814

Résumé

The SARS-CoV-2 (COVID-19) pandemic has exposed health disparities throughout the United States, particularly among racial and ethnic minorities. As a result, there is a need for data-driven approaches to pinpoint the unique constellation of clinical and social determinants of health (SDOH) risk factors that give rise to poor patient outcomes following infection in US communities.

We combined county-level COVID-19 testing data, COVID-19 vaccination rates, and SDOH information in Tennessee. Between February-May 2021, we trained machine learning models on a semi-monthly basis using these datasets to predict COVID-19 incidence in Tennessee counties. We then analyzed SDOH data features at each time point to rank the impact of each feature on model performance.

Our results indicate that COVID-19 vaccination rates play a crucial role in determining future COVID-19 disease risk. Beginning in mid-March 2021, higher vaccination rates significantly correlated with lower COVID-19 case growth predictions. Further, as the relative importance of COVID-19 vaccination data features grew, demographic SDOH features such as age, race, and ethnicity decreased while the impact of socioeconomic and environmental factors, including access to healthcare and transportation, increased.

Incorporating a data framework to track the evolving patterns of community-level SDOH risk factors could provide policymakers with additional data resources to improve health equity and resilience to future public health emergencies.

Lire le preprint

6 PREreviews rapides

par Daniela Saderi, Lime Crow, Erfan Pourshahri, Yellowgreen Otter, Cole Brashaw et Robin Elise Champieux

Où puis-je remplir un Rapid PREreview ?

Nous avons récemment remplacé les PREreviews rapides par des PREreviews structurées.

Vous pouvez écrire une PREreview structurée maintenant.

Nous mettrons bientôt à jour d’anciens PREreviews rapides comme ceux-ci.

PREreviews rapides agrégées
Question	Oui	Incertain	N/A	Non
Les résultats sont-ils nouveaux ?	83 %	17 %	0 %	0 %
Les résultats sont-ils susceptibles de mener à des recherches futures?	100 %	0 %	0 %	0 %
Les détails suffisants sont-ils fournis pour permettre la reproduction de l'étude?	0 %	0 %	0 %	100 %
Les méthodes et les statistiques sont-elles adaptées à l’analyse ?	17 %	67 %	0 %	17 %
Les principales conclusions sont-elles étayées par les données et l’analyse ?	83 %	17 %	0 %	0 %
Le manuscrit aborde-t-il les limites?	17 %	0 %	0 %	83 %
Les auteurs ont-ils suffisamment discuté des préoccupations éthiques?	17 %	0 %	0 %	83 %
Le manuscrit contient-il de nouvelles données?	33 %	0 %	0 %	67 %
Les données utilisées dans le manuscrit sont-elles disponibles ?	50 %	33 %	17 %	0 %
Le code utilisé dans le manuscrit est-il disponible ?	0 %	17 %	0 %	83 %
Recommanderiez-vous ce manuscrit aux autres?	83 %	0 %	17 %	0 %
Recommandez-vous ce manuscrit pour évaluation par les pairs ?	100 %	0 %	0 %	0 %

1 PREreview

Rédigez un PREreview Demander une PREreview

PREreview par Daniela Saderi et al.

Rédigé par Daniela Saderi, Katrina Murphy, Leire Abalde-Atristain, Cole Brashaw, Robin Elise Champieux et Yellowgreen Otter

This review is the result of a virtual, live-streamed preprint journal club organized and hosted by PREreview and OHSU’s BioData Club. The discussion was joined by 9 people, including OHSU researchers and the event organizing team.

Wylezinski et al. investigated the impact of clinical and social…

Lire la PREreview de Daniela Saderi et al.