Modeling the need for hip and knee replacement surgery. Part 2. Incorporating census data to provide small‐area predictions for need with uncertainty bounds
Notice bibliographique
Résumé
OBJECTIVE: To develop methods to produce small-area estimates of need for hip and knee replacement surgery to inform local health service planning. METHODS: Multilevel Poisson regression modeling was used to estimate rates of need for hip/knee replacement by age, sex, deprivation, rurality, and ethnic mix using a nationally representative population-based survey (the English Longitudinal Study of Ageing, n = 11,392 people age > or =50 years). Estimates of need from the regression model were then combined with stratified census population counts to produce small-area predictions of need. Uncertainty in the predictions was obtained by taking a Bayesian simulation-based approach using WinBUGS software. This allows correlations in parameter estimates to be appropriately incorporated in the credible intervals for the small-area predictions. RESULTS: Small-area estimates of need for hip/knee replacement have been produced for wards and districts in England. Rates of need are adjusted for the sociodemographic characteristics of an area and include 95% credible intervals. Need for hip/knee replacement varies geographically, dependant on the sociodemographic characteristics of an area. CONCLUSION: For the first time, small-area estimates of need for hip/knee replacement surgery have been produced together with estimates of uncertainty to inform local health planning. The methodologic approach described here could be reproduced in other countries and for other disease indicators. Further research is required to combine small-area estimates of need with provision to determine whether there is equitable access to care.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».