Systemic Autoimmune Rheumatic Disease Prevalence in Canada: Updated Analyses Across 7 Provinces
Notice bibliographique
Résumé
OBJECTIVE: To estimate systemic autoimmune rheumatic disease (SARD) prevalence across 7 Canadian provinces using population-based administrative data evaluating both regional variations and the effects of age and sex. METHODS: Using provincial physician billing and hospitalization data, cases of SARD (systemic lupus erythematosus, scleroderma, primary Sjögren syndrome, polymyositis/dermatomyositis) were ascertained. Three case definitions (rheumatology billing, 2-code physician billing, and hospital diagnosis) were combined to derive a SARD prevalence estimate for each province, categorized by age, sex, and rural/urban status. A hierarchical Bayesian latent class regression model was fit to account for the imperfect sensitivity and specificity of each case definition. The model also provided sensitivity estimates of different case definition approaches. RESULTS: Prevalence estimates for overall SARD ranged between 2 and 5 cases per 1000 residents across provinces. Similar demographic trends were evident across provinces, with greater prevalence in women and in persons over 45 years old. SARD prevalence in women over 45 was close to 1%. Overall sensitivity was poor, but estimates for each of the 3 case definitions improved within older populations and were slightly higher for men compared to women. CONCLUSION: Our results are consistent with previous estimates and other North American findings, and provide results from coast to coast, as well as useful information about the degree of regional and demographic variations that can be seen within a single country. Our work demonstrates the usefulness of using multiple data sources, adjusting for the error in each, and providing estimates of the sensitivity of different case definition approaches.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».