The role of ethnicity in predicting diabetes risk at the population level
Notice bibliographique
Résumé
BACKGROUND: The current form of the diabetes population risk tool (DPoRT) includes a non-specific category of ethnicity in concordance with publicly data available. Given the importance of ethnicity in influencing diabetes risk and its significance in a multi-ethnic population, it is prudent to determine its influence on a population-based risk prediction tool. OBJECTIVE: To apply and compare the DPoRT with a modified version that includes detailed ethnic information in Canada's largest and most ethnically diverse province. METHODS: Two additional diabetes prediction models were created: a model that contained predictors specific to the following ethnic groups--White, Black, Asian, south Asian, and First Nation; and a reference model which did not include a term for ethnicity. In addition to discrimination and calibration, 10-year diabetes incidence was compared. The algorithms were developed in Ontario using the 1996-1997 National Population Health Survey (N=19,861) and validated in the 2000/2001 Canadian community health survey (N=26,465). RESULTS: All non-white ethnicities were associated with higher risk for developing diabetes with south Asians having the highest risk. Discrimination was similar (0.75-0.77) and sufficient calibration was maintained for all models except the detailed ethnicity models for males. DPoRT produced the lowest overall ratio between observed and predicted diabetes risk. DPoRT identified more high risk cases than the other algorithms in males, whereas in females both DPoRT and the full ethnicity model identified more high risk cases. Overall DPoRT and full ethnicity algorithms were very similar in terms of predictive accuracy and population risk. CONCLUSION: Although from the individual risk perspective, incorporating information on ethnicity is important, when predicting new cases of diabetes at the population level and accounting for other risk factors, detailed ethnic information did not improve the discrimination and accuracy of the model or identify significantly more diabetes cases in the population.
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 | 0,010 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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; 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 ».