[论文解读] Racial Impact on Infections and Deaths due to COVID-19 in New York City

Yoonjoung Choi, H. Juliette T. Unwin|arXiv (Cornell University)|Jul 9, 2020

Health disparities and outcomes参考文献 19被引用 9

一句话总结

本研究利用HMDA数据（2013–2017年）构建了一个红线划分指数，以量化历史种族隔离对纽约市新冠肺炎疫情结果的影响。研究发现，红线划分评分与更高的感染率、阳性检测比例及死亡率之间存在强烈且统计显著的相关性（p < 0.001），表明根植于住房政策中的制度性种族主义在大流行期间持续加剧了种族间的健康不平等。

ABSTRACT

Redlining is the discriminatory practice whereby institutions avoided investment in certain neighborhoods due to their demographics. Here we explore the lasting impacts of redlining on the spread of COVID-19 in New York City (NYC). Using data available through the Home Mortgage Disclosure Act, we construct a redlining index for each NYC census tract via a multi-level logistical model. We compare this redlining index with the COVID-19 statistics for each NYC Zip Code Tabulation Area. Accurate mappings of the pandemic would aid the identification of the most vulnerable areas and permit the most effective allocation of medical resources, while reducing ethnic health disparities.

研究动机与目标

• 调查历史红线划分（一种制度性种族主义形式）与纽约市当前新冠肺炎疫情结果的相关性。
• 量化居住隔离对非裔与白人人口在疫情期间持续存在的健康影响。
• 证明邻里层面的种族隔离（而不仅仅是个人风险因素）显著影响疫情脆弱性。
• 提供一个数据驱动的红线划分指数，以指导未来公共卫生危机中医疗资源的公平分配。

提出的方法

• 利用HMDA数据（2013–2017年）的多层次逻辑回归模型，为每个纽约市普查区构建红线划分指数。
• 筛选HMDA数据，仅保留申请购买首套自住房的白人和非裔申请人，排除多户住宅和房屋改善贷款。
• 使用美国人口普查局的关系文件，将普查区映射至邮政编码统计区（ZCTAs）。
• 将红线划分指数与2020年4月至7月期间纽约市的新冠肺炎确诊病例数、阳性检测比例及死亡率进行相关性分析。
• 通过计算皮尔逊相关系数及其p值，评估各时间点的统计显著性。
• 使用多层次逻辑模型估算红线划分风险，同时考虑数据的分层结构（普查区位于ZCTA内）。

实验结果

研究问题

• RQ1 历史红线划分在多大程度上与纽约市更高的新冠肺炎感染率相关？
• RQ2 红线划分指数如何与纽约市不同社区的SARS-CoV-2阳性检测比例相关？
• RQ3 红线划分与纽约市更高的新冠肺炎死亡率之间是否存在显著关联？
• RQ4 作为红线划分衡量的邻里层面种族隔离，能否解释超越传统CDC风险因素的不平等现象？
• RQ5 这些相关性在纽约市疫情早期阶段随时间如何演变？

主要发现

• 到2020年6月，红线划分指数与确诊新冠肺炎病例数呈统计显著的负相关（r = -0.53，p < 0.001）。
• 到2020年6月，红线划分指数与阳性检测比例之间也发现强烈负相关（r = -0.65，p < 0.001）。
• 自2020年5月21日首次记录死亡病例起，红线划分指数与死亡率显著相关（r = -0.43，p < 0.001）。
• 从2020年4月至7月的所有时间点，相关性均显著且强烈（p < 0.001）。
• 相关性随时间推移而增强，表明历史隔离对疫情结果具有累积性影响。
• 研究结果表明，根植于住房政策中的制度性种族主义，独立于个人风险因素，加剧了传染病传播中的种族健康不平等。