Identifying Unvaccinated Individuals in Canada: A Predictive Model
Notice bibliographique
Résumé
Recently, the media and public health officials have become increasingly aware of the rise in anti-vaccine sentiment. Vaccinations have numerous health benefits for immunized individuals as well as for the general public through herd immunity. Given the rise in immunization-preventable diseases, a consequence of people opting out of their routine vaccinations, we determined that Canadian health data can identify individuals over the age of 60 who chose not to get vaccinated (80.1% negative predictive value) and individuals under the age of 60 who have recently been vaccinated (96.4% positive predictive value). Using the 2009-2014 Canadian Community Health Surveys (CCHS), a probit model identified the variables that were most commonly associated with flu vaccination outcomes. Of 1,381 variables, 47 with the most significant marginal effects were selected, including the presence of diseases (e.g. diabetes and cancer), behavioral characteristics (e.g. smoking and exercise), exposure to the medical system (e.g. whether the individual gets a regular check-up), and a person's living situation (e.g. having young children in the household). These variables were then used to generate a Random Forest classification model, trained on the 2009-2013 dataset, and tested on the 2014 dataset. We achieved an overall accuracy of 87.8% between the two final models, each using 25 classification trees with bounded depth of 20 nodes, randomly selecting from all 47 variables. With the two proposed policies, this model can be leveraged to efficiently allocate vaccination promotion efforts. Additionally, it can be applied to future surveys, only requiring 3.6% of the variables in the CCHS for successful prediction.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».