医学论文发表-调查美国COVID-19死亡率与人口水平健康和社会经济指标之间的关联：建模研究
· 萨西基兰·坎杜拉
· 杰弗里·沙曼
· 发布时间： 2021年7月13日
抽象
背景
随着2019年多种冠状病毒病（COVID-19）疫苗的供应以及预计近期供应短缺，有必要以尽量减少严重后果，特别是死亡的方式分配疫苗。迄今为止，美国的疫苗接种战略侧重于年龄和职业等个别特征。在这里，我们评估人口一级健康和社会经济指标的效用，作为疫苗地理分配的额外标准。
方法和发现
从公共数据来源提取了与COVID-19死亡率有关的14项指标的县级估计数。单个指标的效果估计是用不变的模型计算的。空间自相关系的存在是利用莫兰的I统计建立的。空间同步自动报复（SAR）模型，在响应和预测中占空间自成关系，用于评估（一） 县级COVID-19死亡率差异的比例，可由已确定的健康/社会经济指标（R）解释2);和（二）每个预测器的效果估计。
根据病例率进行调整，所选指标单独解释了死亡率变化的 24% - 29%。慢性肾病的流行率和居住在疗养院的人口比例最高2.死亡率估计每千居民增加43人（95%CI：37-49;p < 0.001）， 慢性肾脏疾病患病率上升 1%， 每千人死亡 39 例 （95% CI： 34–44;p < 0.001）， 住在疗养院的人口增加了 1% 。SAR模型使用多种健康/社会经济指标解释了美国各州COVID-19死亡率变化的43%，并根据病例率进行调整。R2被发现对SAR模型形式的选择不敏感。研究限制包括使用未标准化的死亡率、不捕捉县际间人流的空间副学矩阵以及预测者之间的相互作用考虑不足。
结论
美国COVID-19死亡率存在显著的空间自相关系，人口健康/社会经济指标在县级死亡率中占相当大的差异。在美国和全球推广疫苗的背景下，国家和次国家对疾病负担的估计可以为疫苗的最佳地理分配提供信息。
作者摘要
为什么会进行这项研究？
· 我们有兴趣评估2019年冠状病毒病（COVID-19）疫苗的最佳地理分布战略。医学论文发表-
· 我们假设，一个地点的健康和社会经济指标可用于模拟COVID-19死亡率的差异风险，从而为疫苗优先战略提供信息。
研究人员做了什么和发现什么？
· 我们使用空间同时自动回归 （SAR） 模型和美国各州的小区域流行率估计，我们发现 COVID-19 死亡率变化的 43% 可以通过考虑的健康和社会经济指标来解释。
· 慢性肾脏疾病的流行率和疗养院居民的比例是个人影响估计数最大的。
· 还检测到COVID-19死亡率具有很强的空间自相关系，COVID-19–相关健康状况中存在相当大的线性。
这些发现意味着什么？
· 我们的发现重申，不同人群中COVID-19严重后果的差别风险取决于发生疫情的结构和环境。
· 国家和次国家社会经济指标和疾病估计负担有可能被利用来最佳分配疫苗，减少COVID-19的严重后果。
引文：Kandula S， 沙曼 J （2021） 调查 COVID-19 死亡率与美国人口水平健康和社会经济指标之间的关联：建模研究。PLoS Med 18 （7）： e1003693.https://doi.org/10.1371/journal.pmed.1003693
学术编辑：理查德·特纳，普洛斯医学，英国
收到：2021年2月1日：接受：2021年6月12日：已发布：2021年7月13日
版权所有：2021年?，沙曼坎杜拉。这是一个开放访问文章，根据《知识共享归属许可证》的条款分发，允许在任何媒体上不受限制地使用、分发和复制，前提是原始作者和来源得到记分。
数据可用性：研究结果的基础数据可从原始数据提供商获得：1. 纽约时报县：https://github.com/nytimes/covid-19-data/blob/master/live/us-counties.csv 2.CDC 计划项目 https://chronicdata.cdc.gov/500-Cities-Places/PLACES-County-Data-GIS-Friendly-Format-2020-releas/i46a-9kgh 3。CDC 社会脆弱性排名，2018年 https://www.atsdr.cdc.gov/placeandhealth/svi/data_documentation_download.html 4。美国事实 ? 案医学论文发表-例： https://static.usafacts.org/public/data/covid-19/covid_confirmed_usafacts.csv ? 死亡： https://static.usafacts.org/public/data/covid-19/covid_deaths_usafacts.csv 5。县健康排名 ? 数据：https://www.countyhealthrankings.org/sites/default/files/media/document/analytic_data2020_0.csv ? 文档等： https://www.countyhealthrankings.org/explore-health-rankings/rankings-data-documentation 6 。美国人口普查局2010年十年人口普查" – 表P42从data.census.gov：https://data.census.gov/cedsci/table?q=P42&g=0100000US.050000&tid=DECENNIALSF12010。P42.
资金：这项工作的部分资金来自国家科学基金会（DMS-2027369）的赠款和莫里斯-辛格基金会送给JS的礼物。资助者在研究设计、分析或出版决定方面没有作用。
竞争利益：我读过该杂志的政策，本手稿的作者有以下相互竞争的兴趣：JS和哥伦比亚大学披露SK分析的所有权，JS披露来自BNI（国际商业网络）的个人费用。为SK分析咨询SK。
缩写：ACS，美国社区调查;行为风险因素监测系统：疾病预防控制中心，疾病控制和预防中心;人权，县卫生排名;慢性阻塞性肺病，慢性阻塞性肺病：COVID-19， 冠状病毒病 2019;人力资源、危险比：LM，拉格朗日乘数;LMIC，低收入和中等收入国家：OLS，普通最不平方：或者，赔率比率;地点、人口水平分析和社区估计;RR，相对风险;SAR，同时自动回归：加强流行病学观察研究报告：SVI，社会脆弱性指数
介绍
到2020年底，2019年冠状病毒病（COVID-19）大流行已导致全球8 150万例有案可查的病例和180万人死亡[1]。美国已经贡献了近四分之一的此类病例，每1000名居民中就有1人因COVID-19[2]而丧生。疫情已经影响到美国所有州，但在个别疫情的轨迹和严重程度上存在相当大的差异。除了这种国家间和国家内部的地理差异外，据报告，感染者出现不良后果的可能性与个人的年龄、性别、种族/族裔以及基本健康状况有关[3-6]。据估计，全球22%的人口和28%的美国有1种或更多基本条件，这些条件增加了COVID-19[7]产生严重后果的风险。
在武汉首次大规模爆发后，中国报告了COVID-19严重结果的早期临床特征研究[5，8]，随后英国、法国、美国和其他地方也发表了一致估计[3、4、9-12]。关和同事[8]报告说，在中国最早的1，100例COVID-19实验室确诊病例中，糖尿病、高血压和慢性阻塞性肺病（COPD）等合并症在那些有严重结果（进入ICU，需要机械通风或死亡）的人中更为普遍，而且男性的风险略有上升，而且随着年龄的增长，现在已确立的风险也越来越高。邓和他的同事（5）利用45，000例的较大数据样本报告说，死亡率（相对风险（RR）或危险比（HR）与心血管疾病（RR =6.75，95%CI=5.40至8.43）、高血压（HR=4.48） 相关。 95% CI = 3.69 至 5.45）、糖尿病 （RR = 4.43、95% CI = 3.49 至 5.61），呼吸系统疾病 （RR = 3.43， 95% CI = 2.42 至 4.87、p < 0.001）。在意大利，格拉塞利及其同事[13]报告了与慢性阻塞性肺病（人力资源=1.68; 95% CI = 1.28 至 2.19），高胆醇血症 （HR = 1.25; 95% CI = 1.02 至 1.52），糖尿病 （HR = 1.18; 95% CI = 1.01 至 1.39）。与之相关的是，Palmieri及其同事报告了意大利大流行前两波（2020年3月至5月和6月至8月）中年轻（<65岁）和65岁以上（65岁以上）死亡者（14岁）以及前2波（2020年3月至5月和6月至8月）的合并患病率差异[15]。
后来，英国一项更广泛的研究[9]将1700万例病例与11，000例死亡联系起来，还发现COVID-19死亡与肾脏疾病之间有联系（HR = 2.5， 95% CI = 2.3 至 2.7）、糖尿病 （HR = 1.95、95% CI = 1.8 至 2.1）、极端肥胖（HR = 1.9、95% CI = 1.7 至 2.1）和其他几种合并症。波普金及其同事（11）对来自多个国家的75项研究进行了综合分析，总结出肥胖者死亡风险增加（赔率比[OR]=1.48; 95% CI = 1.22 至 1.80），住院（OR = 2.13;95% CI = 1.74 至 2.60），ICU 入院（或 = 1.74;95% CI = 1.46 至 2.08）。根据这些发现和大流行出现前人群中已知的合并症流行率，据估计，在美国[16]和几个国家，有发生严重COVID-19结果风险的人口[7]。其他研究还研究了社会经济特征的关联，包括贫穷、收入和种族/族裔[17-19]。
在过去的一年里，公共卫生试图减少传播主要集中在非药物干预，如社会疏远，面罩和手部卫生。在美国，这些干预措施收效甚微，部分失败源于它们对集体遵守的依赖。最近高效疫苗的提供为个人提供了保护自己的额外工具（疫苗供应许可），而且重要的是，不需要集体公众的合作。医学论文发表-
疫苗的提供还意味着有机会通过优先考虑那些有更高严重结果风险的人接种疫苗，重新调整我们从减少感染到减少严重后果的努力。迄今为止，这种战略在很大程度上以年龄和职业等个别特征为指导。我们假设人口水平特征也可以在地理上指导疫苗的最佳分配和分配。这指出了一种潜在的两层方法，即首先确定高风险社区，在这种社区中，高风险个人可以被优先考虑。
在这里，我们评估了这种方法的第一部分的可行性，并评估了美国死亡率的地理变化程度，可以用流行前的人口特征来解释。我们感兴趣的结果是，在县决议中COVID-19–相关死亡率，我们试图将之作为人口健康和社会经济指标的函数进行建模。同行评审研究报告了与COVID-19死亡率有关的初步指标，并查明了估计这些指标的数据来源。根据变量与其对响应的独立影响之间的相关性，选择了较小的变量子集。
传统的回归模型假定观测结果彼此独立，在空间数据的情况下，这转化为假设附近地点的观测与远地点的观测没有比远地点更密切的关系。鉴于COVID-19的传播动态，附近的县很可能有类似的病例和死亡率，空间依赖而不是空间独立是一个更恰当的假设。这种空间依赖还延伸到健康和社会经济指标以及影响死亡率的潜在潜在和无法观察到的特征。
空间同步自动回归 （SAR） 模型提供了一种简约的方法，可增强不同位置（20）之间的空间依赖性的基本回归模型，并且是一个广泛研究的分析方法系列，应用范围从计量经济学、环境研究和健康科学[21-23]。在目前的研究中，我们首先确定了空间自焦在响应和解释变量中的存在，从而激发了空间模型的需求。我们应用了 3 种 SAR 模型，表明它们解释死亡率变化的比例高于线性模型，并报告每个模型的效果估计值。
数据和方法
县级人口健康状况和社会状况指标是从公共来源（包括美国人口普查和大规模人口调查）中检索到的。在县决议中无法获得调查数据的情况下，使用了以前关于小区域估计数的研究数据。我们试图限制来源依赖的数量，当从多个来源获得替代估计值时，我们更喜欢美国疾病控制和预防中心 （CDC） 的估计值。有关每个变量的来源和描述列表，请参阅表 1;图 1表示汇总统计。
· 原始图像
图1。小提琴情节分布在美国各州之间，以及中间（四分间范围）在蓝色和平均（标准偏差）在绿色。
https://doi.org/10.1371/journal.pmed.1003693.g001
表1。研究中包含的变量的描述和来源。
https://doi.org/10.1371/journal.pmed.1003693.t001
纽约时报
从《纽约时报》公共存储库[24]中检索到到2020年12月31日的累计病例和死亡人数。这些数据包括美国县级确诊和可能的病例和死亡病例，并基于《泰晤士报》对新闻发布会、数据发布和与政府官员沟通的监测和分析。根据国务委员会和领土流行病学家[25]的立场声明所阐述的定义，确定确诊或可能的病例和死亡。但是，由于申请可能因当地机构而异，因此，我们相同地对待确诊和可能的类别，并使用总病例和死亡。病例和死亡率占居民的比例基于2014年至2018年美国社区调查（ACS）[26]的县人口估计。
纽约市5个县的县特定数据是从USAFACTS[27]检索的，因为《泰晤士报》的数据源被发现将这5个县的计数合并为一个实体。图2显示报告的县病例和死亡率的地图。
图 2.到 2020 年 12 月 31 日，美国各州的 COVID-19 病例（每 100，000 名居民）和死亡病例（每 1，000 名居民）。
使用USMAP R 包生成的地图[28]。COVID-19，冠状病毒病2019年。
https://doi.org/10.1371/journal.pmed.1003693.g002
人口水平分析和社区估计（地点）
根据美国疾病预防控制中心与罗伯特·伍德·约翰逊基金会合作进行的"地方"研究[29]，对人口健康和行为指标的估计被检索到。这些以县决议方式对美国各地人口健康结果的小区域估计是利用通过行为风险因素监测系统 （BRFSS）[30]、美国 2010 年十年人口普查和 ACS 收集的数据生成的，采用多层次的回归和分层后方法[31，32]。
在《地方》提供的27项指标中，我们提取了5项衡量人口水平健康状况流行率的指标，这些指标据报与COVID-19结果有个别水平关联，即肥胖、糖尿病、慢性阻塞性肺病以及慢性心脏和肾脏疾病。此外，还包括3项相关健康指标、高血压和高胆固醇的流行率以及未参保居民的比例。医学论文发表-
社会脆弱性指数
CDC 的社会脆弱性指数 （SVI） 是衡量一个县对危险事件的相对脆弱性的指标[33，34]，旨在帮助政府官员和规划人员更好地为此类事件做好准备。总体而言，县级排名基于 ACS 收集的 15 项社会经济指标。SVI中的三个因素，即县人口密度、人均收入中位数和65岁以上人口比例，被假定为与COVID-19死亡率有关[17、18、35、36]。由于 SVI 和 COVID-19 中的其他变量之间的关联不确定，因此我们仅限于这 3 个变量的原始估计，而忽略了 SVI 和整体索引中的其他变量。
县卫生排名
从ACS 2014年到2018年，通过县健康排名（CHR）[37]获得的另外两个变量被假定为衡量一个县社会经济差距的指标，并列入这项研究：作为衡量收入不平等的衡量标准，将第80个百分位数收入与20个百分位数的比例，以及非白人与白人居民的比例作为衡量种族多样性的指标。我们观察到，这些变量的估计比例很小（大约为1.5%）县失踪，并使用以下三步过程来计算缺失值：（a） 具有估计值的邻近（在后部分定义）县的平均值：（b） 如果没有有估计数的邻居，则该州所有可估计的县的中位数：和 （c） 如果一个州的所有县都缺少估计值， 则美国所有可用估计的县的中位数。
美国2010年人口普查
另据报道，COVID-19集群发生在人们居住在群体宿舍的设施中，这些设施的生活条件（例如，在教养设施或大学校园中难以达到社会距离）或居民（有基本健康状况的疗养院中的老年人）的特点，可能会增加脆弱性[38，39]。由于COVID-19的死亡率在年轻人群中不太可能发生，因此我们转而关注居住在群体宿舍中的老年人。本分析（表1）包括了每个县疗养院或护理技术熟练设施的人口比例估计数（表1）。
由于此处使用的所有数据都是常规收集的聚合监控数据，因此认为此研究无需道德批准。尚未提交预先指定的分析计划：加强流行病学观察研究报告 （STROBE） 清单可作为支持信息（S1 斯特罗布清单） 提供。
方法概述
我们首先为每个预测器建立了以县级COVID-19死亡率为结果的线性不变模型，根据县病例率进行调整。这些模型既说明了这些预测因素所解释的个体影响，也说明了死亡率差异的比例。我们遵循了线性多变率模型，再次调整案例速率。在不变和多变量模型中，观测独立性是不适当的，因为响应和预测因素都有空间自相关性。我们通过对多变量模型残留物的标准测试来验证这一点。我们最终构建了空间 SAR 模型并报告了效果估计值。
空间重量矩阵和空间自相关性
如前一节所介绍的，标准普通最小平方（OLS）回归模型中的一个关键假设是观测结果的独立性，因为一个县的COVID-19病例和死亡与其他县（空间依赖）和通常毗邻的县（空间自动关系）的病例和死亡有关。不考虑空间依赖性和自相关性的模型显示有膨胀的 I 型错误[23，40]。
为了建立美国各州的同步性，我们定义了一个简单的空间 n x n矩阵，W，使用形状文件，列出县边界作为一组有序的地理编码参考点[41]。县相统性由女王共性（至少 1 个共享边界点）定义，空间重量矩阵是行标准化的，即每个县i的权重链接到县j， w伊杰，是i的邻居数量的反向，如果j是毗邻i，和0否则：∑jw伊杰=1.一个县被认为是不是自己的邻居，即伊杰 =0当我=j。
莫兰的I[42，43]，一种常用的全球空间自动关系测量方法，计算如下：n是县数，x
我是县i的利益变量，是所有县的平均值，和W伊杰由空间重量矩阵W定义。在这里，由于W是行标准化的，∑我∑jw伊杰 = n和上述方程可以简化。该统计学的重要性是在随机假设（即x）下测试的我是从随机分布中提取的，并且没有空间关联。还估计了一项相关措施，以确定研究区域内表现出空间自相关系的特定区域，即当地莫兰的I。图3显示莫兰的I和县与显着[44]本地莫兰的I为每个预测和结果。
图 3.本地莫兰的 I 统计空间自相关系的所有措施和结果。
仅显示统计数据显著的县（p < 0.05）。根据安塞林[44]给出的 Pr [I] E （I） / Var （I） 测试意义。Global Moran 的 I 统计数据由每个子面板中的标签表示，并发现对所有变量具有统计学意义。使用USMAP R 包生成的地图[28]。
https://doi.org/10.1371/journal.pmed.1003693.g003
我们还有兴趣确定空间自相关关系（如果存在）是存在于响应中还是存在于残留物中，因为这也为空间模型的选择提供信息。为了识别这一点，我们使用了强大的拉格朗日乘数 （LM） 测试，可以在省略滞后响应的情况下检测可能的自动相关残留物，反之亦然[45，46]。这里报告的统计数据来自spdep [43， 47]R[48]库中这些测试的实施情况。
可变修剪
由于选择包含的变量相关，我们计算了斯皮尔曼变量对之间的相关性（图 4），并发现某些变量具有非常高的相关性。因此，将这些对组合在模型中是不合适的。我们使用不变分析的结果来帮助可变选择，仅保留那些与较高 R 变量相关性小于 0.75 的变量2.这导致消除了5个变量——糖尿病、心脏病、高血压（所有与肾脏疾病高度线性）、高胆固醇（与慢性阻塞性肺病的结肠线）和人均收入中位数的患病率指标。线性多变量模型和空间模型是使用这组较小的预测器（n = 9）构建的。
图4。对齐表面图（对角线以下）、斯皮尔曼相关性（对角线上方）以及研究中使用的结果和测量的密度（对角线）。
*表示相关性统计意义水平：p <0.001（***）：0.001≤ p < 0.01 （**）：0.01≤ p < 0.05 （*）。
https://doi.org/10.1371/journal.pmed.1003693.g004
空间同步自动退步模型
空间统计中自动递减模型的一般形式由[20、 23、49]给出： y是响应变量的n x 1矢量， X是n县 k 预测器的 n x k矩阵，W是n x n空间重量矩阵，ρ是 SAR滞后系数和空间误差系数λ，并且分别β、u系数和误差矢量。 当λ =0 时，假设自动递减过程仅在响应中发生（由ρW捕获），模型称为空间滞后模型。当ρ =0 时，假设自动递减过程仅发生在错误（由λW捕获）和模型（称为空间错误模型）中。模型实现是每个空间注册[47，49，50]库在 R.
结果
不变分析的结果表明，所选变量单独解释了死亡率变化的24%至29%，并根据病例率进行调整。死亡率估计每千居民增加43人（95%CI：37至49：p < 0.001） 慢性肾脏疾病患病率每增加 1%，增加 10.4 （95% CI： 8 至 13;p < 0.001） 慢性心脏病， 7.4 （95% CI： 6 至 8;p < 0.001） 糖尿病， 4.4 （95% CI： 3 至 5.8;p < 0.001） 用于慢性阻塞性肺病， 3.7 （95% CI： 2.6 至 5.8;p < 0.001） 高胆固醇， 2.8 （95% CI： 2.2 至 3.3;p < 0.001） 用于高血压，2.6 （95% CI： 2 至 3.2：p < 0.001） 肥胖患病率分别为 （图 5） 。这些健康指标也解释了28%，25.5%，27.5%，24.6%，24.6%，25.9%，和25.3%的变异性。医学论文发表-
·
图 5.以死亡率为结果的线性不变模型中健康和社会经济指标的估计值（95%CI），并根据COVID-19病例率进行调整。
标签表示调整后的 R2.插集放大了较小估计值的选定变量。COVID， 冠状病毒病 2019.
https://doi.org/10.1371/journal.pmed.1003693.g005
在社会经济指标中，与疗养院变量（调整后的R）关联最大2: 29%)估计每千人增加39人死亡（95%CI：34至44人;p < 0.001） 住在疗养院的百分之一增加。死亡率估计增加2.8（95%CI：2.3至3.4：p < 0.001） 和 2.4 （95% CI： 2 至 2.9;p < 0.001） 老年人（65岁以上）和未参保的 18 至 64 岁人口比例每增加 1%。相比之下，死亡率估计下降1.5（95%CI：1.05至1.87：p < 0.001） 人均收入每增加一千美元。平均而言，R2社会经济指标的估计值低于健康指标。
在可变修剪以纠正线性之后，多变量模型解释了死亡率变化的 38%，并进行了一些有效估计变化。肥胖症的关联在肾病的存在下没有统计学意义，COPD的关联是违反直觉的阴性（表2）。
下载：
·
· PPT
表2。多变量分析的结果与线性模型，调整案例速率。
https://doi.org/10.1371/journal.pmed.1003693.t002
莫兰的I测试空间自焦在上述模型的残留物被发现具有统计学意义（18.4，p<0.001）。 发现两个强大的 LM 测试都显著表明错误（28.7，p < 0.001）和响应（33.5，p < 0.001）中可能存在自焦关系。 因此，尝试了3种模型形式，即一般SAR模型、空间滞后模型和空间误差模型。
SAR 模型解释的变异性比例比线性模型（图 6）高约 14%。空间错误模型具有纳格尔克尔克 R2 [51= 43.5%， 估计自焦误差系数 （λ） 为 0.418 （95% CI： 0.37 至 0.46;p < 0.001）。空间滞后模型和一般模型被观察到具有 R2几乎与错误模型相同。响应（ρ）的自焦系数为0.347（95%CI：0.31至0.39：p < 0.001） 用于空间模型，但当在一般模型中同时估计两个系数时，发现滞后系数并不显著：λ = 0.336 （95% CI： 0.244 至 0.429：p < 0.001）;ρ = 0.083 （95% CI： ?0.007 至 0.174;p = 0.07）。
图6。线性和 3 个空间回归模型的变量估计值。p-值表示当p>0.05时。
阿杰.rsq：调整后的R2; 兰姆达和罗分别表示空间误差和空间滞后系数。
https://doi.org/10.1371/journal.pmed.1003693.g006
图6表明，SAR模型的效果估计通常小于线性模型，即空间自动关系的核算降低了关联的大小。以空间滞后模型为重点，最密切相关的健康和社会经济指标是慢性肾脏疾病的流行率（49：95%CI：37至61：p < 0.001） 和疗养院居民的比例 （38： 95% CI： 33 至 43;p < 0.001），分别与不变的分析一致。在不变模型中也观察到慢性阻塞性肺病与空间模型的负关联。另一方面，不平等和肥胖在不变的模型中有着显著的联系，但是，在考虑到空间自相关系并存在其他指标之后，它们的关联往往不再显著（第0.05页>）。
Global Moran对所有3种型号残留物的测试没有发现显著的空间自相关系（第0.05页>）。图 7显示了空间滞后模型的拟合和残留物。测试模型 R 的灵敏度2对于可变修剪方法，我们使用 0.5、0.65 和 0.85 的替代矛人相关阈值进一步子集变量，并构建了每个变量和空间模型。图8显示R2对阈值不敏感，空间模型具有一贯较高的 R2比线性模型。
· 原始图像
图 7.观察到的死亡率（如图2），模型适合，空间滞后模型的残余。使用USMAP R 包生成的地图[28]。
https://doi.org/10.1371/journal.pmed.1003693.g007
图 8.调整后的 R 的敏感性2用于可变修剪的斯皮尔曼相关阈值。
https://doi.org/10.1371/journal.pmed.1003693.g008
讨论
我们建立了模型，估计特定病例率、人口健康和社会经济特征的COVID-19死亡率。我们的结果表明，这些指标可以解释43%的美国县死亡率的变化，当空间自动关系被考虑在内。我们发现，在所考虑的健康指标中，慢性肾脏疾病的流行率和社会经济指标中，住在疗养院中的比例与死亡率有关的最大。
应对疫情的控制战略的选择和及时性确实会影响其进展和病例数量。我们在这里的发现表明，在人群中，COVID-19严重后果的差别风险可以部分地从疫情发生的结构和背景来估计，例如，一个人群的健康质量、获得医疗保健的机会以及其中的差异。随着疫苗的提供，这些人口水平指标可以作为优先分配疫苗的标准。
这些发现可能也与低收入和中等收入国家有关。据报道，到2021年底，辉瑞-BioNTech和现代疫苗的几乎所有剂量都已购买，并保留在美国、加拿大、英国和欧盟[52，53]分发。在截至2021年1月初已推出疫苗的42个国家中，只有6个是中等收入国家，没有一个是低收入国家[54]。COVAX倡议由几个LMIC国家、世卫组织和伙伴非政府组织参加，旨在通过一个共同的疫苗购买和分配框架[55]，在全球实现公平和负担得起的疫苗使用。当分配决定需要跨越多个国家时，国家和次国家的社会经济指标和疾病估计负担有可能被利用来降低COVID-19严重后果的总体风险，正如我们的发现所表明的那样。
这项研究有几个局限性。在研究期结束后一周内检索到病例和死亡计数。鉴于数据报告的滞后，特别是死亡，研究期结束时发生的事件可能没有记录下来，所使用的比率被低估了。同样，在研究期接近尾声时记录的病例可能还不知道结果。此外，本研究中使用的病例和死亡率是粗率，没有考虑到县人口年龄分布的差异。根据美国全国年龄分布标准，县级比率将更为适当，但由于年龄分层病例和县级死亡率没有公开，因此无法实现年龄标准化。然而，一项补充分析（S1文本和S1文本中的无花果A+D）使用州一级的特定年龄率作为县费率的代理，表明这里介绍的结果可能是有力的，除了与年龄直接相关的2项指标（疗养院人口比例和65岁以上比例）。
其次，本研究中使用的基于副位的空间重量矩阵没有充分捕获COVID-19的扩散。发生在县内的案件不仅与地理相邻的县有关，而且与人口混合性强的县有关：例如，有大都市中心的县，通勤者从郊区或主要机场的县前往。捕获移动模式的空间重量矩阵可能更合适，并导致更好的空间模型。同样，可以明确解释预测器中空间自动关系的方法仍有待探索。
最后，所呈现的模型结构在预测器的数量上可能并不吝相近。虽然我们丢弃了最初考虑的预测因素的三分之一（以纠正观测到的线性），但具有较小小子集独立变量的模型形式可能会产生接近相同的 R2需要探索空间模型中包含的一些预测器缺乏意义，这也使情况变得不为所为。一种方法可以从一组最小预测器开始，并逐步添加预测器，同时评估每次迭代中生成模型的美好程度，并在改进低于阈值时终止。同样，上述讨论的可变修剪是临时的：模型中包含的变量可能与模型性能仅略有变化的废弃变量可互换。探索指标之间的相互作用和将重大相互作用纳入 SAR 模型可能是对所介绍分析的潜在延伸。
支持信息
Checklist for STROBE guidelines for observational studies.
Showing 1/2: pmed.1003693.s001.doc
Skip to figshare navigation
S1 表
.斯特罗布清单
项目
不
建议
部分
段
标题和摘要
1医学论文发表-
(
一
）用标题或摘要中常用的术语表示研究的设计
标题
;
抽象
， 第 2 段
(
乙
）在摘要中提供所做工作和发现内容的信息和平衡的摘要
抽象
， 第 2 段
介绍
背景/理由
2
解释报告调查的科学背景和理由
介绍
，第2-4段
目标
3
国家具体目标，包括任何预先指定的假设
介绍
，第5-6段
方法
研究设计
4
本文早期研究设计的关键要素
介绍
第7-8段：
数据和方法
， 第 1 段
设置
5
描述设置、地点和相关日期，包括招聘、曝光、跟进期间、
和数据收集
数据和方法
段落
1-2
参与者
6
(
一
)
队列研究
——给出资格标准、参与者的来源和选择方法。
描述后续方法
病例控制研究
——给出资格标准、案件认定的来源和方法
控制选择。给出案例和控件选择的理由
横截面研究
——给出资格标准、参与者的来源和选择方法
不适用
(
乙
)
队列研究
-对于匹配的研究，给出匹配的标准和暴露和未曝光的数量
病例控制研究
-对于匹配的研究，给出匹配的标准和每个案例的控制数
不适用
变量
7
明确定义所有结果、暴露、预测因素、潜在混淆和效果修饰符。给
诊断标准（如果适用）
数据和方法
段落
2-8;表1
数据来源/
测量
8
*
对于每个兴趣变量，提供数据来源和评估方法（测量）的详细信息。
如果有多个组，则描述评估方法的可比性
数据和方法
段落
2-8;表1
偏见
9
描述任何解决潜在偏见来源的努力
不适用
研究规模
10
解释研究规模是如何得出的
人口水平分析;
研究规模由
感染
定量变量
11
解释分析中如何处理定量变量。如果适用，描述哪个分组
被选中，为什么
不适用
1
统计方法
12
(
一
）描述所有统计方法，包括用于控制混淆的方法
数据和方法
段落
11, 12, 14
(
乙
） 描述用于检查子组和相互作用的任何方法
人口水平分析;不
亚 群
(
c
）解释如何解决丢失的数据
源中没有缺失数据
(
d
)
队列研究
——如果适用，请解释如何解决后续损失问题
病例控制研究
-如果适用，请解释如何处理案例和控件的匹配
横截面研究
——如果适用，则根据抽样策略描述分析方法
不适用
(
戊
）描述任何敏感性分析
结果
， 第 7 段
结果
参与者
13
*
（a） 每个研究阶段的个人报告人数：例如可能有资格审查资格的数字，
确认合格，包括在研究中，完成后续工作，并分析
不适用
（b） 说明每个阶段不参与的理由
不适用
（c） 考虑使用流程图
不适用
描述性数据
14
*
（a） 提供研究参与者的特点（如人口统计学、临床、社会）和暴露信息以及
潜在的混淆
结果
，图1
（b） 表示每个兴趣变量缺少数据的参与者人数
无缺失数据
（c）
队列研究
-总结跟进时间（例如，平均和总金额）
不适用
结果数据
15
*
队列研究
-随着时间的推移，报告结果事件或摘要措施的数量
人口水平分析
案例控制研究——
每个暴露类别中的报告数字，或暴露的摘要衡量指标
不适用
横截面研究—
结果事件或摘要措施的报告数
不适用
主要结果
16
(
一
）给出未经调整的估计值，如果适用，则给出经过混淆的调整估计及其精度（例如，95%）
置信区间）。明确哪些混淆者进行了调整，以及为什么包括它们
结果
，第1、2、5段
(
乙
）在对连续变量进行分类时报告类别边界
不适用
(
c
）如果相关，请考虑在有意义的时间段内将相对风险的估计值转换为绝对风险
其他分析
17
报告完成的其他分析，例如对子组和相互作用的分析，以及敏感性分析
结果
， 第 7 段
讨论
关键结果
18
参考研究目标总结关键成果
讨论
，第1段
局限性
19
考虑到潜在的偏见或不精确的来源，讨论研究的局限性。讨论两个方向
和任何潜在偏见的规模
讨论
，段落4-6
2
解释
20
考虑目标、局限性、分析的多重性、结果，对结果进行谨慎的整体解释
从类似的研究，和其他相关的证据
讨论
段落2-3
通用性
21
讨论研究结果的可通用性（外部有效性）
讨论
段落2-3
其他信息
资金
22
为本研究提供资金来源和资助者的作用，并在适用时为原始研究提供资金来源和作用。
本文基于以下内容
资金
3
1 / 2
Download
figshare
加强流行病学观察研究报告。
https://doi.org/10.1371/journal.pmed.1003693.s001
（文档）
S1 文本。补充分析，以检查模型效应估计的变化与大致年龄标准化的死亡率。
图 A：美国各州8个年龄组的粗COVID-19死亡率（每千居民死亡）分布情况。每个数据点表示一个美国状态，而边界区域表示分布。请注意，y轴位于日志上10规模。图 B：分散地段原油（y轴）和年龄标准化（x轴）死亡率在美国各州。对角线以下的状态（黑色虚线）表示标准化后死亡率会上升。图 C：效果估计 （95% CI） 使用线性不变的线性模型，使用粗死亡率（红色）和年龄分层死亡率（绿色）作为响应变量。标签表示调整后的 R2.插集放大了较小估计值的选定变量。所有估计值都很重要（p < 0.05）。此处与原油价格的估计值与主要文本的图5之间的轻微差异是由于使用了不同的数据源（主文本中的纽约时报和NCHS 临时计数此处）。图 D：使用粗（橙色）和年龄标准化（棕色）速率构建的空间滞后模型的变量估计值作为响应变量。p-值表示当p>0.05时。阿杰.rsq：调整后的R2; 罗：空间滞后系数。COVID， 冠状病毒病 2019.
https://doi.org/10.1371/journal.pmed.1003693.s002
（文档）
引用
00001. 1.世卫组织冠状病毒病（COVID-19） 仪表板 2020 [1/11/2021].提供自： https://covid19.who.int/.
00002. 2.CDC 案例工作队。2021年美国COVID-19病例和死亡病例[01/11/2021]。提供自： https://data.cdc.gov/Case-Surveillance/United-States-COVID-19-Cases-and-Deaths-by-State-o/9mfq-cb36.
· 查看文章
· 谷歌学者
00003. 3.周 N， 弗莱明 - 杜特拉 K， 吉尔克 R， 大厅 A， 休斯 M， 皮利什维利 T， 等等。2019年2月12日-2020年3月28日，美国，冠状病毒病患者中选定基本健康状况的流行率的初步估计。2020.
· 查看文章
· 谷歌学者
00004. 4.CDC. 冠状病毒病 2019 （COVID-19）.用于更新增加患者患 COVID-19 严重疾病风险的基本医疗条件列表的证据。2020.
· 查看文章
· 谷歌学者
00005. 5.邓G、殷M、陈X、曾F.临床决定44，672名COVID-19患者的死亡。克里特护理。2020;24(1):1–3.pmid：31898531
· 查看文章
· 酒吧/国家比
· 谷歌学者
00006. 6.斯托克斯 · 埃克、赞布拉诺 ·LD、安德森 · 克恩、马德 · 埃普、拉兹 · 克姆、费利克斯 · 塞布等人。冠状病毒病2019病例监测——美国，2020年1月22日-5月30日。莫布·莫塔尔·沃克利众议员 2020;69 （24）：759.pmid：32555134
· 查看文章
· 酒吧/国家比
· 谷歌学者
00007. 7.克拉克 A， 吉特 M， 沃伦 - 加什 C， 古斯里 B， 王 Hh， 美世 Sw， 等等。2020年，全球、区域和国家对由于基本健康状况而面临严重COVID-19风险的人口的估计：一项建模研究。柳叶刀球健康。2020;8(8）：e1003–e17。pmid：32553130
· 查看文章
· 酒吧/国家比
· 谷歌学者
00008. 8.关 W - j 、 倪 Z - y 、 胡 Y 、 梁 W - h 、 欧 C - q 、何 J - x 等。2019年中国冠状病毒病临床特征。N Engl J Med. 2020;382 （18）：1708–20.pmid：32109013
· 查看文章
· 酒吧/国家比
· 谷歌学者
00009. 9.威廉姆森 · 埃杰、沃克 · 阿杰、巴斯卡兰 K 、培根 S 、贝茨 C 、莫顿 · 塞等人。使用开放安全与 COVID-19 相关死亡的因素。自然界。2020;584(7821):430–6.pmid：32640463医学论文发表-
· 查看文章
· 酒吧/国家比
· 谷歌学者
00010. 10.西蒙内特 A， 切特邦 M， 波西 J， 拉弗迪 V， 努莱特 J， 杜哈梅尔 A， 等等。严重急性呼吸系统综合症冠状病毒-2（SARS-CoV-2）肥胖症的高流行率，需要侵入性机械通气。肥胖。2020;28(7):1195–9.pmid：32271993
· 查看文章
· 酒吧/国家比
· 谷歌学者
00011. 11.波普金 Bm， 杜 S， 绿色 Wd， 贝克马， 藻类 T， 赫布斯特 Ch， 等等。肥胖和COVID-19患者：流行病学和生物关系的全球视角。奥贝斯修订版 2020;21 （11）： e13128.下午：32845580
· 查看文章
· 酒吧/国家比
· 谷歌学者
00012. 12.多彻蒂 Ab， 哈里森 Em， 格林卡， 哈德威克赫， 皮乌斯 R， 诺曼 L， 等等。20 133名英国患者在医院使用ISARIC世卫组织临床特征协议的特点：前瞻性观察队列研究。宝马。2020：369：m1985.下午：32444460
· 查看文章
· 酒吧/国家比
· 谷歌学者
00013. 13.格拉塞利 G， 格雷科 M， 扎内拉 A， 阿尔巴诺 G， 安东内利 M， 贝拉尼 G， 等等。意大利伦巴第重症监护病房COVID-19患者死亡率相关的风险因素。JAMA 实习生 Med. 2020;180 （10）： 1345–55.下午：32667669
· 查看文章
· 酒吧/国家比
· 谷歌学者
00014. 14.帕尔米耶里 L， 瓦纳科 N， 唐弗朗切斯科 C， 洛诺塞 C， 卡内韦利 M， 蓬佐 O， 等等。在意大利，按年龄组分的住院患者死于COVID-19的临床特征。J 杰龙托尔 A 比奥尔科学医学科学 2020：75 （9）： 1796–800.pmid：32506122
· 查看文章
· 酒吧/国家比
· 谷歌学者
00015. 15.帕尔米耶里 L， 帕尔默 K， 诺塞 Cl， 梅利 P， 朱利亚诺 M， 弗洛里迪亚 M， 等等。COVID-19患者在大流行不同阶段在医院死亡的临床特征的差异：来自意大利的国家数据。老化克林Exp Res. 2020：1–7.pmid：33345291
· 查看文章
· 酒吧/国家比
· 谷歌学者
00016. 16.拉扎吉 H， 王 Y， 卢 H， 马歇尔 Ke， 道林 Nf， 帕斯贝利 G， 等等。与严重 COVID-19 疾病风险增加相关的选定基础疾病的县级流行率估计 - 美国，2018 年。莫布·莫塔尔·沃克利众议员 2020：69 （29）：945.pmid：32701937
· 查看文章
· 酒吧/国家比
· 谷歌学者
00017. 17.阿迪卡里 S， 潘塔莱奥 Np， 费尔德曼 Jm， 奥格德贝 O， 索普 L， 特罗塞尔 Ab. 评估社区层面的差异在冠状病毒疾病 2019 （COVID-19） 感染和死亡在美国大都市地区.贾玛网通。2020：3 （7）： e2016938– 下午：32721027
· 查看文章
· 酒吧/国家比
· 谷歌学者
00018. 18.贝纳- 德兹 Jm、 巴罗佐 M、 科尔代罗 - 科埃略 · 西、迪亚斯 · Jl、Grau M. COVID - 19 疫情对收入的影响： 打击最贫困的人最重。J 公共卫生。2020;42(4):698–703.pmid：32776102
· 查看文章
· 酒吧/国家比
· 谷歌学者
00019. 19.汤森 Mj， 凯尔 Tk， 斯坦福 Fc 。COVID-19的结果：肥胖和种族/种族的差异。纳特·普布尔集团2020:1807–9.
00020. 20.莱萨奇 · 杰普空间计量经济学的介绍。2008(123):19–44.
· 查看文章
· 谷歌学者
00021. 21.费舍尔MM，Getis A. 应用空间分析手册：软件工具、方法和应用：斯普林格科学与商业媒体;2009.
00022. 22.莱萨奇 JP， 佩斯 Rk 。空间计量经济学模型。应用空间分析手册：斯普林格：2010年，第355-76页。
00023. 23.多曼 Cf， 麦克弗森 Jm， 阿拉霍 Mb， 比万德 R， 博利格 J， 卡尔 G， 等等。物种分布数据分析中空间自相关性考虑的方法：回顾。生态学。2007;30(5):609–28.
· 查看文章
· 谷歌学者
00024. 24.美国冠状病毒 （Covid-19） 数据 [互联网] 。2020 [引用 1/11/2021]。提供自： https://github.com/nytimes/covid-19-data.
00025. 25.国务委员会和领土流行病学家。冠状病毒病 2019 （COVID-19） 2020 中期病例定义 [1/11/2021].提供自： https://wwwn.cdc.gov/nndss/conditions/coronavirus-disease-2019-covid-19/case-definition/2020/08/05/.
00026. 26.美国人口普查局。2014–2018年美国社区调查5年公共使用微数据样本2019 [1/7/2021]。提供自： https://www.census.gov/programs-surveys/acs/microdata/access.2018.html.
00027. 27.美国事实。冠状病毒数据资源 [1/12/2021].提供自： https://usafacts.org/visualizations/coronavirus-covid-19-spread-map/.
00028. 28.迪洛伦佐 P. usmap： 美国地图， 包括阿拉斯加和夏威夷。2018.
· 查看文章
· 谷歌学者
00029. 29.疾病控制和预防中心。地方项目 [1/11/2021].提供自： https://www.cdc.gov/places.
00030. 30.雷明顿PL，史密斯MY，威廉姆森DF，安达RF，绅士EM，霍格林GC.基于国家的行为风险因素监控的设计、特征和有用性：1981–87。公共卫生代表 1988;103 （4）：366.pmid：2841712
· 查看文章
· 酒吧/国家比
· 谷歌学者
00031. 31.张 X 、霍尔特 Jb 、陆 H 、惠顿股份公司、福特 Es 、格林隆德 Kj 等。小区域估计人口健康结果的多层次回归和后施拉：使用行为危险因素监测系统对慢性阻塞性肺病流行情况进行个案研究。我是J流行病。2014;179(8):1025–33.pmid：24598867
· 查看文章
· 酒吧/国家比
· 谷歌学者
00032. 32.张 X ，霍尔特 JB ，云 S ，陆 H ，格林伦德 KJ ，克罗夫特 JB 。从行为危险因素监测系统对健康指标进行小面积估计的多层次回归和后施拉法的验证。我是J流行病。2015;182(2):127–37.pmid：25957312
· 查看文章
· 酒吧/国家比
· 谷歌学者
00033. 33.弗拉纳根 · 贝， 格雷戈里 · 埃夫， 哈利西 · 埃杰， 海特格德 · 杰尔， 刘易斯 · 巴。灾害管理的社会脆弱性指数。J 荷马安全埃默格管理。2011;8(1).
· 查看文章
· 谷歌学者
00034. 34.疾病控制和预防中心。社会脆弱性指数 [1/11/2021]。提供自： https://www.atsdr.cdc.gov/placeandhealth/svi/index.html.
00035. 35.兰姆先生，坎杜拉S，沙曼J.差异COVID-19案件积极在纽约市社区：社会经济因素和流动性。流感其他呼吸病毒。2021;15(2):209–17.下午：33280263
· 查看文章
· 酒吧/国家比
· 谷歌学者
00036. 36.桑尼格拉希 S， 皮拉 F， 巴苏 B， 巴苏阿斯， 莫尔特 A. 使用空间回归方法研究欧洲区域社会人口构成与 COVID-19 死亡之间的关联。维持城市协会 2020;62：102418.下午：32834939
· 查看文章
· 酒吧/国家比
· 谷歌学者
00037. 37.雷明顿PL，卡特林BB，根努索KP。县卫生排名：理由和方法。民众健康指标。2015;13(1):11.pmid：25931988
· 查看文章
· 酒吧/国家比
· 谷歌学者
00038. 38.艾布拉姆斯人力资源部，卢默L，甘地A，格拉博夫斯基DC。具有COVID-19病例的美国疗养院的特点。J 阿姆杰里亚特袜队 2020;68 （8）： 653–6.
· 查看文章
· 谷歌学者
00039. 39.巴奈特 · 姆尔， 格拉博夫斯基 Dc疗养院是COVID-19大流行零点。贾玛健康论坛。2020. pmid：33728420
· 查看文章
· 酒吧/国家比
· 谷歌学者
00040. 40.安塞林 L.在空间回归模型的规范和解释中出现罩问题。农业经济 2002;27 （3）： 247–67.
· 查看文章
· 谷歌学者
00041. 41.美国人口普查局。目录边界文件 - 形状文件 2018 [1/11/2021].提供自：https://www.census.gov/geographies/mapping-files/time-series/geo/carto-boundary-file.html。
00042. 42.悬崖广告，奥德JK。空间过程：模型和应用程序：泰勒和弗朗西斯;1981.
00043. 43.比万德 · 尔斯， 黄 Dw 。比较空间关联的全球和地方指标的实施情况。测试。2018;27(3):716–48.
· 查看文章
· 谷歌学者
00044. 44.安塞林L.空间关联的本地指标——LISA。乔治·肛马 1995;27 （2）： 93–115.
· 查看文章
· 谷歌学者
00045. 45.安塞林 L. 空间计量经济学： 方法和模型： 斯普林格科学与商业媒体;2013.
00046. 46.安塞林 L， 贝拉阿克， 弗洛拉克斯 R， 永 Mj 。用于空间依赖的简单诊断测试。区域科学城市经济学。1996;26(1):77–104.
· 查看文章
· 谷歌学者
00047. 47.比万德 · Rs， 佩贝斯马 · 埃杰， 戈麦斯 - 鲁比奥五世， 佩贝斯马 · 埃杰。应用空间数据分析与R：斯普林格：2008. https://doi.org/10.1016/j.trstmh.2008.11.012 pmid：19117584
00048. 48.R 核心团队。统计计算的语言环境。R 统计计算基础：版本。2018;5(0):3.
00049. 49.比万德 R， 皮拉斯 G. 比较空间计量经济学估计方法的实施情况。J 统计软。2015;63(18).
· 查看文章
· 谷歌学者
00050. 50.比万德 R， 豪克 J， 科索夫斯基 T. 计算 J acobian 在 G 奥西安空间自动逆向模型： 可用方法的插图比较。吉格尔肛马 2013：45 （2）： 150–79.
· 查看文章
· 谷歌学者
00051. 51.纳格尔克新泽西州关于确定系数一般定义的说明。比奥米特里卡1991;78(3):691–2.
· 查看文章
· 谷歌学者
00052. 52.拉弗拉尼埃 S， 托马斯 K， 韦兰 N. 特朗普政府官员通过时， 辉瑞几个月前提出向美国出售更多的疫苗剂量。纽约时报2020. 12/07/2020.
· 查看文章
· 谷歌学者
00053. 53.穆拉德 A.COVID疫苗是如何在世界各地分化的。2020 11/30/2020.
· 查看文章
· 谷歌学者
00054. 54.总干事在2021年1月19日至8日（互联网）媒体吹风会上致开幕词。2021年1月8日， 提供自： https://www.who.int/director-general/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19-8-january-2021.
00055. 55.科瓦克斯GAVI联盟 [1/15/2021]。提供自： https://www.gavi.org/covax-facility.