Application of Three Focused Cluster Detection Methods to Study Geographic Variation in the Incidence of Multiple Sclerosis in Manitoba, Canada
Notice bibliographique
Résumé
BACKGROUND: Macroscopic geographic variation in the incidence and prevalence of MS is well-recognized. Microscopic geographic variation in the distribution of MS is also recognized, but less well-studied. Most studies have focused on prevalent cases of MS, although studies of variation in disease incidence are more relevant for developing etiologic hypotheses. We aimed to study geographic variation in the incidence of MS using three different methods. METHODS: We used population-based administrative (health claims) data to identify 2,290 incident cases of MS in the province of Manitoba, Canada from 1990 to 2006. We applied three focused cluster-detection procedures, including the circular spatial scan statistic (CSS), flexible spatial scan statistic (FSS), and Bayesian disease mapping (BYM), to the dataset. RESULTS: The CSS and FSS methods identified 30 and 26 regions as potential clusters, respectively, although the regions identified differed slightly due to the non-circular shape of some regions in Manitoba. The BYM approach identified 37 regions as potential clusters, again with some differences as compared to the other two methods. Twelve regions were identified as potential clusters by all three methods. All methods identified the western part of the city of Winnipeg as a significant cluster. Using the BYM approach, the incidence of MS was highest among areas of higher socioeconomic status. CONCLUSIONS: Two methods CSS and FSS only capture geographical variations and are not able to control for confounders at the same time which may lead to mis-identification of clusters. However, the BYM method can simultaneously identify geographical variations and control for possible confounders.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».