Notice bibliographique
Résumé
CONTEXT: Selection of priority groups is important for health interventions. However, no quantitative method has been developed. OBJECTIVES: To develop a quantitative method to support the process of selecting priority groups for public health interventions based on both high risk and population health burden. DESIGN: Secondary data analysis of the 2010 Canadian Community Health Survey. SETTING: Canadian population. PARTICIPANTS: Survey respondents. METHODS: We identified priority groups for 3 diseases: heart disease, stroke, and chronic lower respiratory diseases. Three measures--prevalence, population counts, and adjusted odds ratios (OR)--were calculated for subpopulations (sociodemographic characteristics and other risk factors). A Priority Group Index (PGI) was calculated by summing the rank scores of these 3 measures. RESULTS: Of the 30 priority groups identified by the PGI (10 for each of the 3 disease outcomes), 7 were identified on the basis of high prevalence only, 5 based on population count only, 3 based on high OR only, and the remainder based on combinations of these. The identified priority groups were all in line with the literature as risk factors for the 3 diseases, such as elderly people for heart disease and stroke and those with low income for chronic lower respiratory diseases. The PGI was thus able to balance both high risk and population burden approaches in selecting priority groups, and thus it would address health inequities as well as disease burden in the overall population. CONCLUSIONS: The PGI is a quantitative method to select priority groups for public health interventions; it has the potential to enhance the effective use of limited public resources.
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 | 0,153 | 0,014 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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; 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 ».