Abstrait

Arrière-plan

La surmortalité de la maladie à coronavirus 2019 (COVID-19) fait référence à des augmentations de la mortalité par rapport à ce qui aurait été normalement attendu en l'absence de la pandémie de COVID-19. Plusieurs études antérieures ont calculé la surmortalité aux États-Unis, mais se limitaient au niveau national ou étatique, empêchant un examen de la variation au niveau de la région de la surmortalité et de la surmortalité non attribuée au COVID-19. Dans cette étude, nous tirons parti de la variation de la mortalité par COVID-19 au niveau des comtés pour estimer les décès supplémentaires associés à la pandémie et examiner comment l'étendue de la surmortalité non attribuée au COVID-19 varie d'un sous-ensemble de comtés définis par des caractéristiques sociodémographiques et sanitaires. .

Méthodes et résultats

Dans cette étude écologique et transversale, nous avons utilisé les données provisoires du National Center for Health Statistics (NCHS) sur le COVID-19 direct et la mortalité toutes causes confondues survenant dans les comtés américains du 1er janvier au 31 décembre 2020 et rapportés avant le 12 mars., 2021. Nous avons utilisé des données avec un décalage de 10 semaines entre le dernier jour où les décès sont survenus et le dernier jour où les décès ont pu être déclarés pour améliorer l'exhaustivité des données. Notre échantillon comprenait 2096 comtés avec au moins 20 décès dus au COVID-19. Le nombre total de résidents vivant dans ces comtés était de 319,1 millions. En moyenne, les comtés étaient 18,7% hispaniques, 12,7% noirs non hispaniques et 59,6% blancs non hispaniques. Au total, 15,9% de la population avait plus de 65 ans. Nous avons d'abord modélisé la relation entre la mortalité toutes causes confondues en 2020 et la mortalité par COVID-19 dans tous les comtés, puis nous avons produit des modèles entièrement stratifiés pour explorer les différences dans cette relation entre les strates de facteurs sociodémographiques et de santé. Dans l'ensemble, nous avons constaté que pour 100 décès attribués au COVID-19, 120 décès toutes causes sont survenus (IC à 95%, 116 à 124), ce qui implique que 17% (IC à 95%, 14% à 19%) des décès en excès étaient attribués à des causes de décès autres que le COVID-19 lui-même. Nos modèles stratifiés ont révélé que le pourcentage de décès excédentaires non attribués au COVID-19 était considérablement plus élevé parmi les comtés avec des revenus médians des ménages inférieurs et une éducation moins formelle, les comtés en moins bonne santé et plus de diabète, et les comtés du Sud et de l'Ouest. Les comtés comptant plus de résidents noirs non hispaniques, qui présentaient déjà un risque élevé de décès par COVID-19 sur la base des dénombrements directs, ont également signalé des pourcentages plus élevés de décès en excès non attribués au COVID-19. Les limites de l'étude comprennent l'utilisation de données provisoires qui peuvent être incomplètes et le manque de données désagrégées sur la mortalité au niveau du comté par âge, sexe, race / origine ethnique et caractéristiques sociodémographiques et sanitaires.

Conclusions

Dans cette étude, nous avons constaté que les décomptes directs de décès liés au COVID-19 aux États-Unis en 2020 sous-estimaient considérablement la surmortalité totale attribuable au COVID-19. Les inégalités raciales et socio-économiques dans la mortalité par COVID-19 ont également augmenté lorsque les décès en excès non attribués au COVID-19 étaient pris en compte. Nos résultats soulignent l'importance de tenir compte de l'équité en santé dans la réponse politique à la pandémie.

Résumé de l'auteur

Pourquoi cette étude a-t-elle été réalisée?

  • La pandémie de maladie à coronavirus 2019 (COVID-19) a entraîné une surmortalité qui ne se serait pas produite en l'absence de la pandémie
  • Les décès excessifs incluent les décès attribués au COVID-19 dans les statistiques officielles ainsi que les décès qui ne sont pas attribués au COVID-19 mais qui sont attribuables directement ou indirectement au COVID-19
  • Alors que des études antérieures ont identifié des inégalités raciales et socio-économiques significatives dans les décès attribués directement au COVID-19, peu d'études ont documenté comment la surmortalité en 2020 a différé selon les facteurs sociodémographiques ou de santé aux États-Unis

Qu'ont fait et trouvé les chercheurs?

  • En tirant parti des données de 2096 comtés sur le COVID-19 et la mortalité toutes causes confondues, nous avons évalué le pourcentage de décès en excès qui n'était pas attribué au COVID-19 et examiné la variation de la mortalité excessive selon les caractéristiques du comté
  • Dans ces comtés, nous avons constaté que pour 100 décès directement attribués au COVID-19 dans les statistiques officielles, 20 décès supplémentaires se produisaient qui n'étaient pas comptés comme des décès directs liés au COVID-19
  • La proportion de décès excédentaires non comptés comme décès directs dus au COVID-19 était encore plus élevée dans les comtés ayant un statut socio-économique moyen inférieur, les comtés avec plus de comorbidités et les comtés du Sud et de l'Ouest. Les comtés comptant plus de résidents noirs non hispaniques, qui présentaient déjà un risque élevé de décès par COVID-19 sur la base des dénombrements directs, ont également signalé une proportion plus élevée de décès en excès non attribués au COVID-19

Que signifient ces résultats?

  • Les décomptes directs de décès dus au COVID-19 sous-estiment considérablement la surmortalité en 2020
  • La surveillance de la surmortalité sera essentielle pour obtenir une image complète des inégalités socio-économiques et raciales en matière de mortalité attribuables à la pandémie de COVID-19
  • Pour éviter que les inégalités de mortalité ne s'aggravent encore plus, l'équité en santé doit être une priorité dans la réponse politique à la pandémie du COVID-19

Citation: Stokes AC, Lundberg DJ, Elo IT, Hempstead K, Bor J, Preston SH (2021) COVID-19 et surmortalité aux États-Unis: une analyse au niveau du comté. PLoS Med 18 (5):
e1003571.

https://doi.org/10.1371/journal.pmed.1003571
Rédacteur académique: Amitabh Bipin Suthar, Comité de rédaction PLOS Medicine, ÉTATS-UNIS
Reçu: 31 août 2020; Accepté: 23 février 2021; Publiée: 20 mai 2021
Droits d'auteur: © 2021 Stokes et al. Il s'agit d'un article en libre accès distribué sous les termes de la licence d'attribution Creative Commons, qui permet une utilisation, une distribution et une reproduction sans restriction sur n'importe quel support, à condition que l'auteur et la source d'origine soient crédités.
Disponibilité des données: Toutes les données utilisées dans ce manuscrit sont accessibles au public, à l'exception des données sur la population des comtés de 2020, qui sont disponibles sur demande spéciale auprès du US Census Bureau. De plus amples détails sur les données utilisées dans cette analyse sont fournis dans le référentiel GitHub lié. https://github.com/pophealthdeterminantslab/covid-19-county-analysis.
Financement: La Fondation Robert Wood Johnson a soutenu la recherche rapportée dans cette publication par le biais de la subvention n ° 77521 à l'ACS. ITE a également été soutenu par le National Institute on Aging R01 AG060115 «Causes de la divergence géographique dans la mortalité américaine entre 1990 et 2015: comportements de santé, accès aux soins de santé et migration.» Les bailleurs de fonds n'ont joué aucun rôle dans la conception de l'étude, la collecte et l'analyse des données, la décision de publier ou la préparation du manuscrit.
Intérêts concurrents: J'ai lu la politique de la revue et les auteurs de ce manuscrit ont les intérêts concurrents suivants: ACS a déclaré avoir reçu des subventions d'Ethicon Inc. et de Swiss Re en dehors du travail soumis. Aucune autre divulgation n'a été signalée.
Abréviations:
MPOC,
bronchopneumopathie chronique obstructive; COVID-19[FEMININE,
Maladie du coronavirus 2019; NCHS,
Centre national des statistiques sanitaires; OLS,
moindres carrés ordinaires; SRAS-CoV-2,
Syndrome respiratoire aigu sévère Coronavirus 2; STROBOSCOPE,
Renforcer le reporting des études observationnelles en épidémiologie

introduction

La nouvelle maladie à coronavirus 2019 (COVID-19) est une urgence de santé publique internationale causée par la transmission par gouttelettes respiratoires du coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2) [1]. Le SRAS-CoV-2 infecte les humains par l'épithélium pulmonaire et est associé à une incidence élevée de syndrome de détresse respiratoire aiguë, de lésions vasculaires et de décès [2]. Les États-Unis sont devenus un épicentre de la pandémie de COVID-19, avec plus de 18,2 millions de cas confirmés et 322218 décès au 22 décembre 2020 [3].

Les données d'enregistrement de l'état civil provenant des certificats de décès sur la cause du décès sont susceptibles de sous-estimer le fardeau de mortalité associé à la pandémie de COVID-19 pour plusieurs raisons [4,5]. Premièrement, certains décès directs attribuables au COVID-19 peuvent être attribués à d'autres causes de décès en raison d'une absence de tests généralisés et de faibles taux de diagnostics au moment du décès. [6]. De plus, les décès directs dus à des complications inconnues du COVID-19 telles que la coagulopathie, la myocardite, les processus inflammatoires et les arythmies peuvent avoir causé de la confusion et conduit à des attributions de décès à d'autres causes, en particulier au début de la pandémie et chez les personnes souffrant de comorbidités. [7–9]. Deuxièmement, le décompte des décès par COVID-19 ne prend pas en compte les conséquences indirectes de la pandémie de COVID-19 sur les niveaux de mortalité [10,11]. Les effets indirects peuvent inclure des augmentations de la mortalité résultant de la réduction de l'accès aux services de santé et de leur utilisation et des conséquences psychosociales des ordonnances de maintien à domicile [12]. L'augmentation du stress, de la dépression et de la consommation de substances liées à la pandémie pourrait également entraîner des suicides et des décès par surdose [13,14]. Les difficultés économiques, l'insécurité du logement et l'insécurité alimentaire peuvent causer des décès indirects, en particulier parmi ceux qui vivent avec des maladies chroniques ou qui font face à des urgences sanitaires aiguës et qui n'ont pas les moyens d'acheter des médicaments ou des fournitures médicales. [15–17]. D'un autre côté, la pandémie peut réduire la mortalité en raison de la réduction des déplacements et de la mortalité associée aux véhicules à moteur, de la baisse des niveaux de pollution atmosphérique ou des avantages possibles des efforts d'atténuation du COVID-19 (c.-à-d. Port de masque et distance physique) sur la réduction de la grippe. diffuser [18,19]. Il est également possible que les décès dus au COVID-19 soient surenregistrés dans certains cas, par exemple, parce que certains décès qui auraient dû être attribués à la grippe ont plutôt été attribués au COVID-19. Enfin, la pandémie COVID-19 peut réduire la mortalité due à certaines autres causes de décès en raison de la sélection de la fragilité; ceux qui meurent du COVID-19 peuvent avoir été inhabituellement fragiles et vulnérables à la mort d'autres maladies. Par conséquent, le taux de mortalité attribuable à ces maladies pourrait baisser et compenser une partie de l'augmentation de la mortalité toutes causes confondues attribuable uniquement aux décès dus au COVID-19.

Le terme «décès en excès» fait référence aux différences de mortalité par rapport à ce qui aurait été attendu en l'absence de la pandémie COVID-19. En règle générale, les décès excédentaires sont calculés par rapport à un repère historique récent pour la même population. Les décès en excès incluent les décès directement attribués au COVID-19 sur les certificats de décès et les décès en excès non attribués au COVID-19, qui ont été soit mal classés dans d'autres causes de décès, soit indirectement liés à la pandémie de COVID-19. L'utilisation des décès de toutes causes pour mesurer l'impact de la surmortalité de la pandémie de COVID-19 peut aider à contourner les biais dans les statistiques de l'état civil, tels que les faibles taux de dépistage du COVID-19, les retards de déclaration et les différences dans les pratiques de codage des certificats de décès et à capturer les décès supplémentaires indirectement liés. à la pandémie COVID-19. En tant que telles, les estimations des décès en excès de toutes les causes associées à la pandémie fournissent une mesure utile du fardeau total de mortalité associé au COVID-19. [5].

Les rapports précédents ont estimé les décès supplémentaires de plusieurs manières différentes. Le National Center for Health Statistics (NCHS) estime la surmortalité en comparant les niveaux de mortalité en 2020 aux données historiques de mortalité par semaine et par emplacement géographique [20]. Ils présentent une gamme de valeurs pour les décès excessifs en fonction de différents seuils historiques, y compris le décompte moyen attendu ou la limite supérieure de l'intervalle d'incertitude, et appliquent des pondérations aux données provisoires sur les décès de 2020 pour tenir compte des données incomplètes. En revanche, Weinberger et ses collègues et Woolf et ses collègues utilisent des modèles de régression de Poisson à plusieurs variables pour évaluer l'augmentation de la fréquence des décès dus à toute cause aux États-Unis. [21,22]. Weinberger et ses collègues s'adaptent à l'activité grippale [21]. Kontis et ses collègues appliquent la modélisation d'ensemble bayésienne pour obtenir des estimations lissées des décès excédentaires par âge et par sexe au Royaume-Uni. [23]. Ces études font des estimations pour chaque état ou pays individuellement et ne permettent pas d'identifier une relation entre la mortalité toutes causes confondues et la mortalité par COVID-19 grâce à une analyse sur des unités de superficie plus petites telles que les comtés. Alors que des recherches antérieures ont documenté d'importantes inégalités raciales et socio-économiques dans les décès attribués directement au COVID-19 [24–29], peu d'études ont documenté comment la surmortalité en 2020 a différé selon les facteurs sociodémographiques ou de santé [30].

Dans cet article, nous tirons parti de la variation au niveau des comtés de la mortalité par COVID-19 pour estimer sa relation avec la mortalité toutes causes confondues dans les comtés américains. Nous prévoyons que les comtés avec une mortalité plus élevée due au COVID-19 auront également connu des augmentations plus importantes de la mortalité due à d'autres causes de décès, car l'impact de la pandémie n'est pas enregistré uniquement dans les décès dus au COVID-19. Nous utilisons la relation entre la mortalité par COVID-19 et l'évolution de la mortalité de toutes les causes de décès pour estimer la surmortalité qui n'a pas été directement attribuée au COVID-19 comme cause de décès. Alors que des études antérieures ont généré une prédiction de la mortalité attendue en 2020 basée sur les tendances historiques, puis comparées à la mortalité attendue et observée pour estimer les décès en excès, notre modèle tire parti de la variation des comtés pour estimer simultanément la tendance de la mortalité et l'empreinte du COVID-19. Nous examinons ensuite comment l'ampleur de la surmortalité non attribuée au COVID-19 varie selon les sous-ensembles de comtés définis par les caractéristiques sociodémographiques et de santé au niveau de la région, ce qui nous permet d'identifier les sous-groupes de population avec un nombre disproportionné de décès excédentaires qui n'ont pas été directement attribués au COVID. -19. Nos estimations offrent une approche alternative au calcul de la mortalité excédentaire qui peut compléter les approches existantes.

Méthodes

Notre plan analytique, conçu avant d'examiner nos données ou de commencer l'analyse, consistait à estimer les décès supplémentaires en 2020 en utilisant la relation entre la mortalité toutes causes confondues en 2020, la mortalité attribuable directement au COVID-19 et la mortalité toutes causes historiques au niveau du comté. Bien que nous n'ayons pas de plan formel et prédéfini, notre hypothèse a priori était que les décès excédentaires dépasseraient les décès attribués directement au COVID-19 et que le pourcentage de décès excédentaires non attribués au COVID-19 varierait en fonction des facteurs au niveau du comté. Au cours du processus de révision, nous avons introduit des analyses de sensibilité pour évaluer la robustesse de nos résultats à d'autres critères d'inclusion, modifié notre approche pour examiner la variation des décès en excès non attribués au COVID-19 pour permettre une stratification complète du modèle, et mis à jour les analyses pour refléter la données les plus récentes et permettre un décalage qui permettrait de mieux tenir compte du biais éventuel causé par des données incomplètes. Les résultats de cette étude sont rapportés conformément aux directives de renforcement de la déclaration des études d'observation en épidémiologie (STROBE) (tableau S1).

Source d'information

Nous avons utilisé les données provisoires du NCHS sur la mortalité toutes causes et la mortalité attribuable directement au COVID-19 par comté de résidence du 1er janvier au 31 décembre 2020. Les données ont été considérées comme provisoires en raison d'un décalage entre la survenue des décès et l'achèvement, la soumission et le traitement des certificats de décès. Pour tenir compte des éventuels retards dans la déclaration de mortalité, nous avons utilisé les données générées le 12 mars 2021 (10 semaines après la date de fin), ce qui signifie que tous les décès survenus avant le 31 décembre et signalés avant le 12 mars ont été saisis. Des analyses antérieures des données provisoires du NCHS ont montré que les données provisoires sur la mortalité peuvent avoir une faible exhaustivité au cours du premier mois suivant la survenue d'un décès, mais sont complètes à plus de 75% dans les 8 semaines suivant un décès. [31]. Un total de 94% des décès attribués au COVID-19 par le NCHS avaient le COVID-19 signalé comme cause sous-jacente de décès; les 6% restants avaient le COVID-19 inscrit ailleurs sur le certificat de décès [32]. Le fichier de données original du NCHS comprenait 3140 comtés, mais le nombre exact de décès dus au COVID-19 a été censuré pour les comtés comptant de 1 à 9 décès. Nous nous sommes limités aux comtés comptant au moins 20 décès dus au COVID-19, car les estimations du taux de mortalité basées sur un nombre de décès inférieur à 20 ont une erreur-type relative élevée et sont donc considérées comme peu fiables. [33]. Le nombre final de comtés inclus dans l'analyse était de 2 096, et les critères d'exclusion sont détaillés dans S1 Fig.

Pour construire une période de comparaison historique, nous avons utilisé les données du CDC WONDER rapportant la mortalité toutes causes confondues de 2013 à 2018 par comté de résidence. Nous avons également utilisé les données du recensement américain sur la population des comtés et la répartition par âge de 2013 à 2020 et des données sur les facteurs sociodémographiques et de santé provenant de diverses sources consolidées, y compris le classement 2020 de la santé du comté de la Fondation RWJ. Une liste de ces sources de données est fournie dans le tableau S2. La présente enquête reposait sur des données anonymisées et accessibles au public et a donc été exemptée de l'examen par le comité d'examen institutionnel du Boston University Medical Center.

Taux de mortalité

Nous avons produit des taux de mortalité bruts pour toutes les causes et codé directement la mortalité par COVID-19 en 2020 en utilisant les décomptes déclarés et la population estimée au niveau du comté au 1er juillet 2020. Pour calculer un taux de mortalité historique moyen pour 2013 à 2018, nous avons divisé la somme des décès de 2013 à 2018 par la population totale de 2013 à 2018.

Facteurs sociodémographiques et sanitaires

La littérature antérieure a documenté des différences dans la mortalité par COVID-19 par des facteurs sociodémographiques et de santé [24,34]. Dans cette analyse, les facteurs sociodémographiques que nous avons examinés étaient l'âge (% de plus de 65 ans), la ruralité (% rurale), la répartition de la population par race / origine ethnique (% hispanique,% non hispanique noir,% non hispanique blanc), le statut socio-économique (revenu médian du ménage et% avec un diplôme d'études collégiales ou plus) et logement (% de propriété). Pour les facteurs de santé, nous avons examiné la mauvaise santé (% vivant avec une santé médiocre ou passable), l'obésité (% avec l'obésité), le tabagisme (% qui fument) et le diabète (% avec le diabète). Nous avons stratifié les comtés en quartiles pondérés en fonction de la population pour chaque facteur sociodémographique ou de santé, en accordant une attention particulière aux comtés dans les 25% supérieurs et inférieurs des valeurs.

analyses statistiques

Nous avons d'abord modélisé la mortalité toutes causes confondues en 2020 en fonction de la mortalité toutes causes historiques, de la mortalité attribuable directement au COVID-19 en 2020 et d'un terme d'erreur:
(1)

M (i) = Taux de mortalité toutes causes confondues dans le comté i en 2020

M * (i) = Taux de mortalité moyen toutes causes confondues, comté i en 2013-2018

C (i) = taux de mortalité COVID-19 dans le comté i en 2020

ε = terme d'erreur

Les paramètres de l'équation (1) ont été estimés à l'aide de la régression des moindres carrés ordinaires (MCO) avec les unités de comté pondérées par la taille de leur population. La valeur de α représente les changements de mortalité qui sont indépendants de la mortalité par COVID-19 et qui sont communs à toutes les régions. La valeur de β1 représente la mesure dans laquelle les niveaux antérieurs de mortalité toutes causes dans un comté sont répliqués en 2020. Si β1 = 1,0, par exemple, cela indiquerait que la mortalité toutes causes confondues en 2020 était en moyenne égale à celle de 2013 à 2018, plus ou moins la valeur de α. Ensemble, les combinaisons de α et β1 indiquent comment les changements de mortalité qui ne sont pas associés au COVID-19 varient avec le niveau de mortalité toutes causes confondues entre 2013 et 2018. La valeur de β2 indique dans quelle mesure la mortalité due au COVID-19 affecte tous les cause de la mortalité en 2020 après ajustement pour tenir compte des schémas de mortalité historiques. Si β2 = 1,0, cela impliquerait que chaque décès codé COVID-19 serait associé à un décès supplémentaire toutes causes confondues. Des valeurs de β2 supérieures à 1,0 suggéreraient que l'effet de la pandémie de COVID-19 dans un comté ne se reflète pas pleinement dans les décès attribués au COVID-19 et que les décès en excès sont attribués à d'autres causes de décès. Des valeurs de β2 inférieures à 1,0 suggéreraient que le COVID-19 est surenregistré comme cause de décès, ou que des réductions de la mortalité se produisent pour d'autres causes.

Dans les analyses secondaires, nous avons limité notre échantillon aux comtés comptant au moins 50 décès dus au COVID-19 afin d'évaluer la sensibilité de nos résultats aux comtés signalant un nombre relativement faible de décès liés au COVID-19. Nous avons également limité notre échantillon aux comtés dont la population est supérieure ou égale à 50 000 pour évaluer la robustesse à l'exclusion des comtés à population relativement petite. Dans d'autres analyses de sensibilité, nous avons effectué la régression entre tous les comtés de l'ensemble de données d'origine du NCHS, y compris les comtés qui ont été éliminés par les critères d'exclusion de notre étude. Pour évaluer la robustesse de nos résultats aux approches de modélisation alternatives, nous avons également estimé la relation entre le COVID-19 et la mortalité toutes causes à l'aide d'un modèle de régression binomiale négative.

Nous n'avons pas tenu compte de l'âge dans notre analyse principale, car l'effet de l'âge devrait être partiellement pris en compte dans le terme de mortalité historique. Dans une analyse de sensibilité, nous avons réestimé le modèle MCO principal en utilisant des taux de mortalité indirectement normalisés selon l'âge pour ajuster les différences dans les distributions par âge des comtés. Les décès par âge n'étaient pas disponibles au niveau des comtés, de sorte que la standardisation directe des taux de mortalité n'était pas possible. La normalisation indirecte adopte le calendrier des taux de mortalité par âge pour l'ensemble des États-Unis et l'applique à la répartition par âge d'un comté pour prédire le nombre de décès dans ce comté. [35]. Il calcule ensuite le rapport entre les décès réels dans le comté et le nombre prévu de décès. Enfin, il applique ce ratio au taux de mortalité brut aux États-Unis pour estimer le taux de mortalité indirectement normalisé selon l'âge pour le comté. [36]. Les taux de mortalité et les distributions par âge ont été utilisés selon des intervalles d'âge de 10 ans. Lorsque le taux de mortalité se référait uniquement à la mortalité par COVID-19, les taux de mortalité étaient limités à cette cause de décès.

Pour identifier les caractéristiques au niveau du comté qui ont modifié la relation entre la mortalité directe par COVID-19 et la surmortalité (le coefficient β2), nous avons entièrement stratifié notre modèle de régression primaire en quartiles pondérés en fonction de la population de divers facteurs sociodémographiques et de santé au niveau du comté. Nous avons ensuite produit une parcelle forestière affichant les coefficients β2 pour les 25% supérieurs et inférieurs de chaque facteur au niveau du comté. Les comtés avec des coefficients β2 élevés représentent les comtés qui ont une proportion élevée de décès excédentaires non attribués au COVID-19 par rapport à leurs décès directs au COVID-19. Pour comprendre comment cette relation s'est traduite en nombres absolus de décès, nous avons également calculé les taux de mortalité excédentaires prévus dans chacune des strates à l'aide des coefficients du modèle entièrement stratifiés. Nous avons déterminé le taux de mortalité moyen observé directement attribué au COVID-19 pour chaque strate en calculant la moyenne pondérée, puis avons trouvé le taux de mortalité excédentaire prédit non attribué au COVID-19 en multipliant le taux de mortalité COVID-19 direct moyen observé pour la strate par le Coefficient β2 moins 1. Dans une analyse de sensibilité, nous avons répété ces deux analyses en utilisant indirectement des taux de mortalité normalisés selon l'âge.

Résultats

Le tableau 1 présente les caractéristiques des 2 096 comtés inclus dans l'échantillon, dont la répartition à travers les États-Unis est visualisée dans la figure S2. Le nombre total de résidents vivant dans ces comtés était de 319,1 millions. Parmi ces comtés, 15,9% de la population était âgée de plus de 65 ans comparativement à 16,0% de la population de tous les comtés des États-Unis. Les comtés de l'échantillon étaient à 16,7% ruraux, ce qui était inférieur à tous les comtés des États-Unis qui étaient à 18,6% ruraux. En moyenne, les comtés de l'échantillon étaient 18,7% hispaniques, 12,7% noirs non hispaniques et 59,6% blancs non hispaniques. Le revenu médian des ménages dans les comtés était de 65 603 $ US. Dans les comtés, 63,4% des résidents étaient propriétaires et 16,7% vivaient avec une santé médiocre ou passable. Le taux moyen de mortalité attribuable directement au COVID-19 en 2020 pour l'échantillon était de 1,2 décès pour 1000 personnes-années, et le taux moyen de mortalité toutes causes confondues en 2020 était de 10,1 décès pour 1000 personnes-années.

La figure 1 représente la différence entre le taux de mortalité toutes causes confondues en 2020 et le taux de mortalité toutes causes historiques moyen de 2013 à 2018 par rapport au taux de mortalité COVID-19 dans les comtés de l'étude. La superficie de chaque point est à peu près proportionnelle à la taille de la population du comté. Cette figure montre qu'il existe une relation positive entre la variation de la mortalité de toutes les causes de décès et le niveau de mortalité par COVID-19 dans un comté. La pente de la ligne de régression (bleu continu) est plus raide que la ligne à 45 degrés (en pointillé gris), ce qui indique qu'un décès supplémentaire par COVID-19 est associé à plus d'un décès supplémentaire de toutes causes.

Fig 1. Différence entre le taux de mortalité toutes causes confondues de 2020 et le taux de mortalité historique de 2013-2018 vs.
Taux de mortalité directe du COVID-19 en 2020 (n = 2096)abc. a La ligne bleue continue représente un modèle linéaire de meilleur ajustement pondéré par la taille de la population. b La ligne de référence en pointillés représente une pente de 1. c Six comtés avec un taux de mortalité directe par COVID-19 supérieur à 6 décès pour 1000 personnes-années ou une différence entre les taux de mortalité toutes causes confondues en 2020 et 2013-2018 supérieurs à 10 décès pour 1 000 personnes-années ont été exclus du chiffre à des fins de visualisation. Ces comtés ont été inclus dans toutes les régressions. COVID-19, maladie à coronavirus 2019.

https://doi.org/10.1371/journal.pmed.1003571.g001
Le tableau 2 présente les coefficients du modèle décrivant la relation entre le taux de mortalité directement attribué au COVID-19 et la mortalité toutes causes confondues en 2020. La valeur estimée de α est de 0,105 décès pour 1000 personnes et β1 est de 1,03 (IC à 95%, 1,02 à 1.04). Cette combinaison suggère que la mortalité brute toutes causes confondues a augmenté en moyenne dans les comtés entre 2013 et 18 et 2020. Le coefficient de β2 est estimé à 1,20 (IC à 95%, 1,16 à 1,24). Cette valeur suggère que, pour 100 décès attribués au COVID-19, le nombre de décès toutes causes confondues a augmenté de 120. Ce résultat implique que (120-100) / 120 ou 17% (95% IC, 14% à 19% ) de tous les décès excédentaires n'ont pas été directement attribués au COVID-19 sur les certificats de décès. En termes absolus, 367820 décès attribués directement au COVID-19 sont survenus dans les 2096 comtés de l'étude entre le 1er janvier et le 31 décembre 2020, ce qui signifie qu'il y a eu 74172 décès en excès (IC à 95%, 60162 à 88183) non directement attribués au COVID-19. pour un total de 441 992 (IC à 95%, 427 982 à 456 003) décès en excès.

Lorsque nous nous limitons aux comtés comptant au moins 50 décès directs dus au COVID-19, le coefficient de β2 était de 1,21 (IC à 95%, de 1,17 à 1,26). β2 était de 1,21 (IC à 95%, 1,16 à 1,26) lorsque nous nous limitions aux comtés de 50000 résidents ou plus, et β2 était de 1,20 (IC à 95%, 1,16 à 1,24) lorsque nous incluions les comtés avec 10 à 19 décès dus au COVID-19. Nos résultats étaient relativement cohérents avec la standardisation indirecte de l'âge, le pourcentage de décès excédentaires non attribués au COVID-19 étant égal à 13% (IC à 95%, 11% à 16%). Lorsque nous avons utilisé une approche de modélisation alternative (un modèle binomial négatif), nous avons constaté que 22% des décès en excès n'étaient pas attribués au COVID-19, ce qui suggère que nos résultats MCO peuvent être prudents (tableau S3).

La figure 2 examine comment les caractéristiques au niveau des comtés ont modifié le coefficient β2 (la relation entre le taux de décès directs dus au COVID-19 et le taux de décès excédentaires toutes causes confondues). La figure présente les estimations du coefficient β2 dans les modèles qui ont été entièrement stratifiés en quartiles pondérés en fonction de la population pour divers facteurs sociodémographiques et de santé. Pour les facteurs sociodémographiques, le coefficient β2 était plus élevé dans les comtés ayant les revenus médians des ménages les plus faibles (1,31 [95% CI, 1.25, 1.38]) et l'éducation la moins formelle (1,29 [95% CI, 1.23, 1.35]) que dans les comtés ayant les revenus médians les plus élevés (1,05 [95% CI, 0.94, 1.15]) et la plupart des études (1,03 [95% CI, 0.92, 1.14]). Le coefficient β2 était également élevé dans les comtés comptant plus de résidents noirs non hispaniques (1,30 [95% CI, 1.23, 1.38]) et moins de résidents blancs non hispaniques (1,22 [95% CI, 1.16, 1.28]) par rapport aux comtés comptant moins de résidents noirs non hispaniques (1,16 [95% CI, 1.10, 1.22]) et davantage de résidents blancs non hispaniques (1,02 [95% CI, 0.94, 1.10]). En ce qui concerne les facteurs de santé, le coefficient β2 était plus élevé dans les comtés dont la santé était la plus mauvaise ou passable (1,23 [95% CI, 1.17, 1.30]) et le plus de diabète (1,31 [95% CI, 1.25, 1.38]) par rapport aux pays dont la santé est la moins mauvaise ou passable (0,97 [95% CI, 0.88, 1.06]) ou le moins diabétique (1,10 [95% CI, 1.02, 1.19]). Au niveau régional, le coefficient β2 était élevé dans le Sud (1,43 [95% CI, 1.35, 1.51]) et Ouest (1,55 [95% CI, 1.45, 1.65]) par rapport au Nord-Est (1,18 [95% CI, 1.08, 1.27]) et Midwest (0,89 [95% CI, 0.79, 0.99]). S3 Fig présente les modèles stratifiés calculés à l'aide de taux de mortalité indirectement normalisés selon l'âge. Le tableau S4 présente les limites des quartiles supérieur et inférieur pour chacun des facteurs sociodémographiques et de santé examinés dans ces analyses stratifiées.

Fig 2. Relation entre la mortalité toutes causes confondues et la mortalité directe par COVID-19 dans les strates de facteurs sociodémographiques et de santé a, b, c, d, e.
a n = 2 096 comtés. b Coefficients β2 générés à partir du modèle primaire: M (i) = α + β1M * (i) + β2C (i), où M (i) = Taux de mortalité toutes causes confondues dans le comté i en 2020, M * (i) = Décès taux toutes causes confondues, comté i en 2013-2018, et C (i) = taux de mortalité COVID-19 dans le comté i en 2020. Le modèle a été pondéré par la population de 2020 et entièrement stratifié en quartiles pondérés en fonction de la population pour chaque sociodémographie ou santé facteur. Les coefficients pour les 25% supérieurs et inférieurs des valeurs de chaque facteur sont présentés dans cette figure. c Interprétation de l'échantillon: dans les comtés où le revenu du ménage est inférieur, pour chaque décès attribuable directement au COVID-19, il y avait une augmentation de 1,31 décès toutes causes confondues, ce qui suggère qu'il y avait 0,31 décès non attribué au COVID-19 pour chaque décès attribuable directement au COVID- 19 décès dans ces comtés. d Des modèles normalisés indirectement selon l'âge sont présentés dans la Fig. S3. e La ligne en pointillés représente l'estimation globale. La ligne continue représente un coefficient de 1, ce qui indique que pour chaque décès attribuable directement au COVID-19, 0 décès non attribué au COVID-19 s'est produit. COVID-19, maladie à coronavirus 2019.

https://doi.org/10.1371/journal.pmed.1003571.g002
La figure 3 décompose le taux de mortalité excédentaire de 2020 en taux de mortalité excessive observé directement attribué au COVID-19 et au taux de mortalité excédentaire prédit non attribué au COVID-19 et compare les comtés dans les 25% supérieurs et inférieurs des facteurs au niveau du comté. Les prédictions ont été générées à l'aide des modèles entièrement stratifiés présentés à la figure 2. La figure S4 présente les taux de mortalité décomposés avec une standardisation indirecte de l'âge. Ces chiffres révèlent que certains comtés ont signalé une mortalité élevée par COVID-19 directement attribuée (c.-à-d. Les comtés du nord-est), certains avaient une surmortalité élevée (c.-à-d. Les comtés du sud et de l'ouest), et d'autres ont connu à la fois une mortalité directe élevée au COVID-19 et surmortalité (c.-à-d. comtés comptant le plus de résidents noirs non hispaniques). En comparant les comtés comptant le plus de résidents noirs non hispaniques aux comtés comptant le moins de résidents noirs non hispaniques, des inégalités raciales substantielles ont été observées dans la mortalité directe par COVID-19 et dans les décès supplémentaires non attribués au COVID-19.

Fig 3. Décomposition des taux de mortalité excédentaires en 2020 à travers les strates de facteurs sociodémographiques et de santéa, b, c.
a n = 2 096 comtés. b Taux de mortalité prédits générés à partir du modèle principal: M (i) = α + β1M * (i) + β2C (i), où M (i) = Taux de mortalité toutes causes confondues dans le comté i en 2020, M * (i) = Taux de mortalité toutes causes confondues, comté i en 2013-2018, et C (i) = taux de mortalité COVID-19 dans le comté i en 2020. Le modèle a été pondéré par la population de 2020 et entièrement stratifié en quartiles pondérés en fonction de la population pour chaque facteur de santé. Les taux de mortalité pour les 25% supérieurs et inférieurs des valeurs de chaque facteur sont présentés dans cette figure. c Les taux de mortalité indirectement normalisés selon l'âge sont présentés dans S4 Fig.COCVID-19, Coronavirus Disease 2019.

https://doi.org/10.1371/journal.pmed.1003571.g003

Discussion

In this study, we estimated that 17% of excess deaths attributable to the COVID-19 pandemic were not assigned to COVID-19 on death certificates. The proportion of excess deaths not counted as direct COVID-19 deaths was even higher in counties with lower average socioeconomic status, counties with more comorbidities, and counties in the South and West. Counties with more non-Hispanic Black residents, who were already at high risk of COVID-19 death based on direct counts, also reported a higher percentage of excess deaths not assigned to COVID-19, indicating a pattern related to structural racism.

Prior estimates of excess mortality not assigned to COVID-19 have been relatively similar despite being based on different methodological approaches. Weinberger and colleagues identified 95,235 directly coded COVID-19 deaths from March 1 to May 30, 2020 and 122,300 total excess deaths attributable to the pandemic [21]. This indicated that 27,065 deaths or 22% of excess deaths were excess deaths not assigned to COVID-19. Additionally, the NCHS has identified 288,287 directly coded COVID-19 deaths and between 291,208 and 400,791 total excess deaths as of December 22, 2020 [37]. These data suggest that between 1% and 28% of excess deaths were not directly assigned to COVID-19. An analysis by Woolf and colleagues, based on data from March 1 through April 25, 2020, yielded a higher estimate, finding that of 87,001 excess deaths, 30,755 excess deaths or 35% were not assigned to COVID-19 [22]. A subsequent analysis by Woolf and colleagues using data from March 1 through August 1 found that of 225,530 excess deaths, 150,541 were directly assigned to COVID-19, suggesting that 33% of excess deaths were not assigned to COVID-19 [38].

The coefficients from our primary model indicate that mortality would have risen between 2013 and 2018 and 2020 even in the absence of the COVID-19 pandemic. This prediction is consistent with a rising trend in national crude death rates between 2013 and 2018. The crude death rate rose from 821.5 deaths per 100,000 people in the year 2013 to 867.8 deaths per 100,000 people in 2018 [39]. Estimates of excess deaths that fail to account for these increases, which are likely attributable primarily to population aging, may result in overestimates of the percentage of excess deaths not assigned to COVID-19 [40].

As noted earlier, excess deaths not assigned to COVID-19 could include deaths involving COVID-19 that were misclassified to other causes of death and deaths indirectly related to the COVID-19 pandemic. The NCHS has examined excess deaths not assigned to COVID-19 by cause of death nationally. As of December 22, 2020, NCHS has attributed 38,115 excess deaths to Alzheimer disease and related dementias, 22,661 excess deaths to hypertensive diseases, 14,684 excess deaths to ischemic heart disease, 14,194 excess deaths to diabetes, and 3,060 excess deaths to influenza and pneumonia [37]. It is possible that a substantial fraction of the deaths of individuals with preexisting chronic conditions who acquire COVID-19 and die as a result are ascribed to the preexisting condition. These may constitute many of the excess deaths not attributed to COVID-19. This explanation is consistent with our finding that excess mortality not assigned to COVID-19 was higher in counties with higher levels of poor health and diabetes.

In this study, we found that counties with low median incomes and less formal education and counties in the South and West reported high numbers of excess deaths not assigned to COVID-19 compared to direct COVID-19 deaths, suggesting that COVID-19 mortality may be especially undercounted in these areas. Determining the cause of potential undercounting is an important area for future research. Possible factors could include lower rates of COVID-19 testing in these populations [41], reduced access to healthcare [42,43], regional diagnostic and coding differences [44], or political attitudes about the COVID-19 pandemic [45,46].

Indirect deaths, such as suicide, homicide, or drug overdose and deaths related to reductions in healthcare use, may also be higher in these areas. Faust and colleagues found that only 38% of excess deaths in 2020 among adults aged 25 to 44 years were attributed to COVID-19, suggesting substantial mortality among younger adults during the pandemic that is not accounted for in COVID-19 death tallies [47]. Analyses of multiple cause-of-death data, when available, will help to shed additional light on the contribution of COVID-19 to US mortality and help to explain why excess all-cause mortality in the US is high compared to other countries including those with high directly assigned COVID-19 mortality [48].

Previous research has shown that counties with a higher percentage of Black residents have reported more mortality attributable to COVID-19 [24,49]. According to underlying cause of death data, Black people are 1.7 times more likely to die from COVID-19 than White people [50]. Racial inequities in COVID-19 mortality relate to structural racism that has made Black people more likely to be exposed to COVID-19 at work, in transportation, and in housing during the pandemic [24,36,49,51]. Another factor is racial health inequities in asthma, chronic obstructive pulmonary disease (COPD), hypertension, and diabetes, which are risk factors for COVID-19 [52,53]. The presence of these comorbidities could also reduce the likelihood of assigning COVID-19 as a cause of death. Our analysis suggests that the substantial racial inequities observed in directly assigned COVID-19 death rates for the non-Hispanic Black population are even larger in excess death rates not assigned to COVID-19.

Our analysis had several limitations. The 2020 all-cause mortality and COVID-19 mortality data used were provisional. Counties may have differential delays in reporting death certificate data that vary by county, state, rurality, or other area-level factors. In particular, counties that are currently reporting lower all-cause mortality in 2020 than in the historical period are notable. While it is possible that these counties represent random annual variation in death rates or incomplete data, these counties could also have experienced reductions in mortality as a result of strong public health measures that reduced other causes of death such as influenza [19]. Future research should investigate this subset of counties in more detail to understand what led to their apparent success relative to other counties. If differential reporting delays occurred for direct COVID-19 mortality but not for all-cause mortality, we may have overestimated the percent of excess deaths that would not be assigned to COVID-19 when final data are available. To address this potential limitation, we used data that had a 10-week lag, meaning that all deaths occurring before December 31, 2020 which were reported and processed before March 12, 2021 were included. Another potential source of error in our analysis is that death rates calculated from small numbers of cases may be less accurate than death rates calculated for areas with larger numbers of cases. To account for this possibility, we limited our dataset to counties with 20 or more direct COVID-19 deaths. We also conducted sensitivity analyses where we limited to counties with 50,000 or more residents and restricted to counties with 50 or more direct COVID-19 deaths. Results were not sensitive to these alternative restrictions. Our analytic approach may also be affected by measurement error in COVID-19 mortality in a way that differs from its effect on other estimates. In general, random measurement error in an independent variable (such as COVID-19 mortality in our analysis) is expected to bias the coefficient of that variable toward the null, or zero [54]. If our estimate of β2 is biased downwards, then we will have underestimated the magnitude of excess deaths. Another limitation of this study is that we lacked disaggregated data on county-level mortality by age, sex, race/ethnicity, and sociodemographic and health characteristics. As a result, age-compositional effects were addressed using an indirect age standardization procedure, and predictors were assessed based on their distributions at the county level. Future research based on county-level data with further disaggregation is needed to confirm our findings. Lastly, the sociodemographic and health factors examined in this analysis were based on data from 2010 through 2018. County-level distribution of these factors may have changed between that time and 2020 when the mortality data were analyzed.

Conclusions

In line with previously published studies, our findings suggest that the overall mortality burden of COVID-19 considerably exceeds reported COVID-19 deaths. Using provisional vital statistics county-level data on COVID-19 and all-cause mortality in 2020 from the NCHS, we estimated that 17% of all excess deaths in the US from January 1 to December 31, 2020 were excess deaths not assigned to COVID-19. Racial and socioeconomic inequities in COVID-19 mortality also increased when excess deaths not assigned to COVID-19 were considered. Our findings emphasize the importance of considering health equity in the policy response to the pandemic, such as in access to COVID-19 vaccines. As the impact of COVID-19 continues to spread in the US, analysis of excess deaths will continue to be a valuable proxy measure for assessing the overall mortality burden of COVID-19. This study highlights the importance of considering excess deaths beyond those directly assigned to COVID-19 in the overall assessment of the mortality impact of the COVID-19 pandemic and provides a new method for doing so.

Disclaimers

The interpretations, conclusions, and recommendations in this work are those of the authors and do not necessarily represent the views of the Robert Wood Johnson Foundation.

Remerciements

The authors would like to thank Farida Ahmad, Robert Anderson, Magali Barbieri, Courtney Boen, Dana Glei, Josh Goldstein, Michelle Guillot, Patrick Heuveline, Anna McGregor, Jennifer Weuve, and Wubin Xie for their valuable feedback on the manuscript.

References

  1. 1.
    Fauci AS, Lane HC, Redfield RR. Covid-19—Navigating the Uncharted. N Engl J Med. 2020. pmid:32109011
  2. 2.
    Cummings MJ, Baldwin MR, Abrams D, Jacobson SD, Meyer BJ, Balough EM, et al. Epidemiology, clinical course, and outcomes of critically ill adults with COVID-19 in New York City: a prospective cohort study. Lancet. 2020;395:1763–70. pmid:32442528
  3. 3.
    Dong E, Du H, Gardner L. An interactive web-based dashboard to track COVID-19 in real time. Lancet Infect Dis. 2020;3099:19–20. pmid:32087114
  4. 4.
    Banerjee A, Pasea L, Harris S, Gonzalez-Izquierdo A, Torralbo A, Shallcross L, et al. Estimating excess 1-year mortality associated with the COVID-19 pandemic according to underlying conditions and age: a population-based cohort study. Lancet. 2020;395:1715–25. pmid:32405103
  5. 5.
    Leon DA, Shkolnikov VM, Smeeth L, Magnus P, Pechholdová M, Jarvis CI. COVID-19: a need for real-time monitoring of weekly excess deaths. Lancet. 2020;395:e81. pmid:32333839
  6. 6.
    Gill JR, DeJoseph ME. The Importance of Proper Death Certification During the COVID-19 Pandemic. JAMA. 2020;06032. pmid:32520302
  7. 7.
    Del Pinto R, Ferri C, Mammarella L, Abballe S, Dell’Anna S, Cicogna S, et al. Increased cardiovascular death rates in a COVID-19 low prevalence area. J Clin Hypertens (Greenwich). 2020. pmid:32815667
  8. 8.
    Boukhris M, Hillani A, Moroni F, Annabi MS, Addad F, Ribeiro MH, et al. Cardiovascular Implications of the COVID-19 Pandemic: A Global Perspective. Can J Cardiol. 2020;36:1068–80. pmid:32425328
  9. 9.
    Driggin E, Madhavan MV, Bikdeli B, Chuich T, Laracy J, Biondi-Zoccai G, et al. Cardiovascular Considerations for Patients, Health Care Workers, and Health Systems During the COVID-19 Pandemic. J Am Coll Cardiol. 2020;75:2352–71. pmid:32201335
  10. dix.
    Baum A, Schwartz MD. Admissions to Veterans Affairs Hospitals for Emergency Conditions During the COVID-19 Pandemic. JAMA. 2020;324:96–9. pmid:32501493
  11. 11.
    Hartnett KP, Kite-Powell A, DeVies J, Coletta MA, Boehmer TK, Adjemian J, et al. Impact of the COVID-19 Pandemic on Emergency Department Visits—United States, January 1, 2019-May 30, 2020. MMWR Morb Mortal Wkly Rep. 2020;69:699–704. pmid:32525856
  12. 12.
    Raker EJ, Zacher M, Lowe SR. Lessons from Hurricane Katrina for predicting the indirect health consequences of the COVID-19 pandemic. Proc Natl Acad Sci U S A. 2020;117:12595–7. pmid:32424085
  13. 13.
    Sher L. The impact of the COVID-19 pandemic on suicide rates. QJM. 2020. pmid:32539153
  14. 14.
    Dubey MJ, Ghosh R, Chatterjee S, Biswas P, Chatterjee S, Dubey S. COVID-19 and addiction. Diabetes Metab Syndr. 2020;14:817–23. pmid:32540735
  15. 15.
    Wolfson JA, Leung CW. Food Insecurity and COVID-19: Disparities in Early Effects for US Adults. Nutrients. 2020;12. pmid:32498323
  16. 16.
    Mann FD, Krueger RF, Vohs KD. Personal economic anxiety in response to COVID-19. Personal Individ Differ. 2020;167:110233. ://doi.org/10.1016/j.paid.2020.110233 pmid:32834283
  17. 17.
    Prime H, Wade M, Browne DT. Risk and resilience in family well-being during the COVID-19 pandemic. Am Psychol. 2020:631–43. pmid:32437181
  18. 18.
    Shilling F, Waetjen D. Special Report (Update): Impact of COVID19 Mitigation on Numbers and Costs of California Traffic Crashes. 2020.
  19. 19.
    Kung S, Doppen M, Black M, Hills T, Kearns N. Reduced mortality in New Zealand during the COVID-19 pandemic. Lancet. 2020. pmid:33333005
  20. 20.
    National Center for Health Statistics at the Centers for Disease Control and Prevention. Excess Deaths Associated with COVID-19: Provisional Death Counts for Coronavirus Disease (COVID-19). 2020 [cited 22 Dec 2020]. Available from: https://www.cdc.gov/nchs/nvss/vsrr/covid19/excess_deaths.htm.
  21. 21.
    Weinberger DM, Chen J, Cohen T, Crawford FW, Mostashari F, Olson D, et al. Estimation of Excess Deaths Associated With the COVID-19 Pandemic in the United States, March to May 2020. JAMA Intern Med. 2020. pmid:32609310
  22. 22.
    Woolf SH, Chapman DA, Sabo RT, Weinberger DM, Hill L. Excess Deaths From COVID-19 and Other Causes, March-April 2020. JAMA. 2020. pmid:32609307
  23. 23.
    Kontis V, Bennett JE, Parks RM, Rasid T, Pearson-Stuttard J, Asaria P, et al. Age- and sex-specific total mortality impacts of the early weeks of the Covid-19 pandemic in England and Wales: Application of a Bayesian model ensemble to mortality statistics [preprint]. medRxiv. 2020.
  24. 24.
    Chen JT, Krieger N. Revealing the Unequal Burden of COVID-19 by Income, Race/Ethnicity, and Household Crowding: US County Versus Zip Code Analyses. J Public Health Manag Pract. 2021;27(Suppl 1), COVID-19 and Public Health: Looking Back, Moving Forward: S43–S56. pmid:32956299
  25. 25.
    Zelner J, Trangucci R, Naraharisetti R, Cao A, Malosh R, Broen K, et al. Racial disparities in COVID-19 mortality are driven by unequal infection risks. Clinical infectious diseases: an official publication of the Infectious Diseases Society of America. 2020. pmid:33221832
  26. 26.
    Bassett MT, Chen JT, Krieger N. Variation in racial/ethnic disparities in COVID-19 mortality by age in the United States: A cross-sectional study. PLoS Med. 2020;17:e1003402. pmid:33079941
  27. 27.
    Oronce CIA, Scannell CA, Kawachi I, Tsugawa Y. Association Between State-Level Income Inequality and COVID-19 Cases and Mortality in the USA. J Gen Intern Med. 2020:2791–3. pmid:32583336
  28. 28.
    Ahmad K, Erqou S, Shah N, Nazir U, Morrison AR, Choudhary G, et al. Association of poor housing conditions with COVID-19 incidence and mortality across US counties. PLoS ONE. 2020;e0241327:15. pmid:33137155
  29. 29.
    Cunningham GB, Wigfall LT. Race, explicit racial attitudes, implicit racial attitudes, and COVID-19 cases and deaths: An analysis of counties in the United States. PLoS ONE. 2020;15:e0242044. pmid:33206679
  30. 30.
    Chen Y-H, Glymour MM, Catalano R, Fernandez A, Nguyen T, Kushel M, et al. Excess Mortality in California During the Coronavirus Disease 2019 Pandemic, March to August 2020. JAMA Intern Med. 2020. pmid:33346804
  31. 31.
    Spencer M, Ahmad F. Timeliness of Death Certificate Data for Mortality Surveillance and Provisional Estimates, Vital Statistics Rapid Release. Special Report. 2016.
  32. 32.
    National Center for Health Statistics. Technical Notes: Provisional Death Counts for Coronavirus Disease (COVID-19). 2020 [cited 22 Dec 2012]. Available from: https://www.cdc.gov/nchs/nvss/vsrr/covid19/tech_notes.htm.
  33. 33.
    Buescher PA. Problems with rates based on small numbers. State Center for Health Statistics 1997.
  34. 34.
    Office of National Statistics. Coronavirus (COVID-19) related deaths by occupation. England and Wales: deaths registered up to and including 20 April 2020 2020:1–12. pmid:32447949
  35. 35.
    Preston SH, Heuveline P, Guillot M. Demography: Measuring and Modeling Population Processes. Malden, MA: Blackwell Publishing; 2001.
  36. 36.
    Goldstein JR, Atherwood S. Improved measurement of racial/ethnic disparities in COVID-19 mortality in the United States [preprint]. medRxiv. 2020:2020.05.21.20109116. pmid:32511557
  37. 37.
    National Center for Health Statistics. Excess Deaths Associated with COVID-19. 2020 [cited 22 Dec 2020]. Available from: https://www.cdc.gov/nchs/nvss/vsrr/covid19/excess_deaths.htm.
  38. 38.
    Woolf SH, Chapman DA, Sabo RT, Weinberger DM, Hill L, Taylor DDH. Excess Deaths From COVID-19 and Other Causes, March-July 2020. JAMA. 2020;324:1562–4. pmid:33044483
  39. 39.
    Centers for Disease Control and Prevention NC for HS. Underlying Cause of Death 1999–2018 on CDC WONDER Online Database, released in 2020. In: WONDER Online Database [Internet]. 2020 [cited 22 Dec 2020]. Available from: http://wonder.cdc.gov/ucd-icd10.html.
  40. 40.
    Shiels MS, Almeida JS, García-Closas M, Albert PS, Freedman ND, de González AB. Impact of Population Growth and Aging on Estimates of Excess U.S. Deaths During the COVID-19 Pandemic, March to August 2020. Ann Intern Med. 2020. pmid:33316174
  41. 41.
    Mueller JT, McConnell K, Burow PB, Pofahl K, Merdjanoff AA, Farrell J. Impacts of the COVID-19 pandemic on rural America. Proc Natl Acad Sci U S A. 2021;118:2019378118. pmid:33328335
  42. 42.
    Summers-Gabr NM. Rural-urban mental health disparities in the United States during COVID-19. Psychol Trauma. 2020;12:S222–4. pmid:32478541
  43. 43.
    Hirko KA, Kerver JM, Ford S, Szafranski C, Beckett J, Kitchen C, et al. Telehealth in response to the COVID-19 pandemic: Implications for rural health disparities. J Am Med Inform Assoc. 2020;27:1816–8. pmid:32589735
  44. 44.
    Murray CJL, Kulkarni SC, Ezzati M. Understanding the coronary heart disease versus total cardiovascular mortality paradox: a method to enhance the comparability of cardiovascular death statistics in the United States. Circulation. 2006;113:2071–81. pmid:16636170
  45. 45.
    Painter M, Qiu T. Political beliefs affect compliance with covid-19 social distancing orders. 2020.
  46. 46.
    Adolph C, Amano K, Bang-Jensen B, Fullman N, Wilkerson J. Pandemic Politics: Timing State-Level Social Distancing Responses to COVID-19. J Health Polit Policy Law. 2020: 2020.03.30.20046326. pmid:32955556
  47. 47.
    Faust JS, Krumholz HM, Du C, Mayes KD, Lin Z, Gilman C, et al. All-Cause Excess Mortality and COVID-19–Related Mortality Among US Adults Aged 25–44 Years, March-July 2020. JAMA. 2020. pmid:33325994
  48. 48.
    Bilinski A, Emanuel EJ. COVID-19 and Excess All-Cause Mortality in the US and 18 Comparison Countries. JAMA. 2020;324:2100–2. pmid:33044514
  49. 49.
    Chen JT, Waterman PD, Krieger N. COVID-19 and the unequal surge in mortality rates in Massachusetts, by city/town and ZIP Code measures of poverty, household crowding, race/ethnicity,and racialized economic segregation. Harvard Center for Population and Development Studies Working Paper Series. 2020:19.
  50. 50.
    The Covid Tracking Project. The COVID Racial Data Tracker. 2020 [cited 22 Dec 2020]. Available from: https://covidtracking.com/race.
  51. 51.
    Bassett M, Chen JT, Krieger N. Working Paper, The Unequal Toll of Covid-19 Mortality by Age in the United States: Quantifying Racial/Ethnic Disparities. 2020. Report No.: 3.
  52. 52.
    Mendy A, Apewokin S, Wells AA, Morrow AL. Factors Associated with Hospitalization and Disease Severity in a Racially and Ethnically Diverse Population of COVID-19 Patients [preprint]. medRxiv. 2020. pmid:32607513
  53. 53.
    Price-Haywood EG, Burton J, Fort D, Seoane L. Hospitalization and Mortality among Black Patients and White Patients with Covid-19. N Engl J Med. 2020;382:2534–43. pmid:32459916
  54. 54.
    Davies RB, Hutton B. The Effect of Errors in the Independent Variables in Linear Regression. Biometrika. 1975;62:383–91.