Comparison of methods to identify outliers observed in health services small area variation studies
Notice bibliographique
Résumé
Small area variation analysis (SAV) is an established methodology in health services and epidemiological research. The goal is to demonstrate that rates differ across areas, and to explain these differences by differences in physician practice styles or patient characteristics. While the SAV statistics provide an overall variation estimate, they do not provide a statistical means to identify significant outliers. We compared the chi-square (chi2) test with three approaches in determining significant outliers in SAV. We used data from the Canadian Institute for Health Information (CIHI) for Ontario residents discharged between 1989 and 1991. Coronary artery bypass surgery, hysterectomy and hip replacement data were used to compare four statistics in determining outliers: the chi2 test, Swift's approximate bootstrap confidence interval (ABC), Carriere's T2 (T2) with simultaneous confidence intervals (SCI), and Gentleman's normalized scores (GNS). Both the ABC and SCI correct the skewness of the distribution of the adjusted rates. With large data, confidence intervals calculated by the normal or the ABC methods are indistinguishable. The T2 can be applied to also nonbinary events. For binary events, it is asymptotically the same as the chi2. The GNS ranks the rates, but the distribution of these ranks does not differ significantly from that of the adjusted rates. We concluded that when using large data with binary events, there is little advantage in using the ABC, SCI or GNS over the commonly known chi2. The chi2 remains a useful tool in small area variation analysis to 'screen' or flag potential differences beyond chance alone.
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 | 0,074 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».