Mortality and morbidity peaks modeling: An extreme value theory approach
Notice bibliographique
Résumé
Hospitalizations and deaths belong to the most studied health variables in public health. Those variables are usually analyzed through mean events and trends, based on the whole dataset. However, this approach is not appropriate to comprehend health outcome peaks which are unusual events that strongly impact the health care network (e.g. overflow in hospital emergency rooms). Peaks can also be of interest in etiological research, for instance when analyzing relationships with extreme exposures (meteorological conditions, air pollution, social stress, etc.). Therefore, this paper aims at modeling health variables exclusively through the peaks, which is rarely done except over short periods. Establishing a rigorous and general methodology to identify peaks is another goal of this study. To this end, the extreme value theory appears adequate with statistical tools for selecting and modeling peaks. Selection and analysis for deaths and hospitalizations peaks using extreme value theory have not been applied in public health yet. Therefore, this study also has an exploratory goal. A declustering procedure is applied to the raw data in order to meet extreme value theory requirements. The application is done on hospitalization and death peaks for cardiovascular diseases, in the Montreal and Quebec metropolitan communities (Canada) for the period 1981-2011. The peak return levels are obtained from the modeling and can be useful in hospital management or planning future capacity needs for health care facilities, for example. This paper focuses on one class of diseases in two cities, but the methodology can be applied to any other health peaks series anywhere, as it is data driven.
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 | 0,037 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».