MétaCan
Menu
Retour à la cohorte
Enregistrement W2605606480 · doi:10.23889/ijpds.v1i1.144

The Nascent Pan-Canadian Real-world Health Data Network (PRHDN)

2017· article· en· W2605606480 sur OpenAlexaffabout
Michael J. Schull, Kimberlyn McGrail, P. Alison Paprica

Notice bibliographique

RevueInternational Journal for Population Data Science · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensInstitute for Clinical Evaluative Sciences
Organismes subventionnairesnon disponible
Mots-clésLegislatureData sharingCensusData scienceKnowledge translationPlan (archaeology)PopulationComputer scienceBusinessKnowledge managementGeographyMedicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

ABSTRACT ObjectiveCanada’s large single payer health systems have created provincial centres with rich, population-wide health and social data holdings that are linkable at the person level. Complementary federal data include a subset of standardized and enriched administrative healthcare data at the Canadian Institute for Health Information, Statistics Canada’s extensive array of survey- and census-based social and geography-based information, and large national datasets that are being created through pan-Canadian initiatives. Unfortunately, these data assets are rarely combined in multi-province or pan-Canadian studies, often because data are not directly comparable from one province to another, or cannot be shared due to legislative or other barriers. There is now growing interest in enabling multi-province studies — even when data are not directly comparable — and in sharing experiences to make more effective use of linked or linkable administrative data across Canada. ApproachNine provincial and national organizations have created a detailed Implementation Plan for the new PRHDN distributed data network. Without requiring that record-level data leave provincial boundaries, the PRHDN will create shared core research data infrastructure: (i) validated algorithms that implement case definitions applicable across provinces, (ii) harmonized common data and (iii) common analytic protocols. The PRHDN will also establish complementary infrastructure including dedicated personnel to assist researchers and decision makers, joined-up training and capacity building sessions, opportunities to share learning and experience related to linking new datasets such as electronic medical records and omic datasets, and forums for knowledge translation and exchange with decision makers. ResultsThe PRHDN is already bringing together expertise from across Canada as researchers, decision makers and data custodians begin to identify opportunities for enhanced use of health data in Canadian research, policy making and practice. A simple PRHDN website has been created (https://www.prhdn.ca/) and more than 200 researchers and policy/decision makers have become members of the PRHDN consortium. Surveys of consortium members are identifying priorities for the first algorithm validation work (to-date the top four priorities are mental health, cardiovascular disease, diabetes and respiratory disease) and the PRHDN Leads Team is functioning as a decision-making body, e.g., in discussions with Statistics Canada. ConclusionsWorking together, provincial and national organizations across Canada have identified concrete steps that can be taken to enable multi-province and pan-Canadian studies based on administrative data within one year of the start of funding. The PRHDN Leads Team is currently discussing the PRHDN vision and Implementation Plan with potential funders.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,036
score de la tête « metaresearch » (Gemma)0,069
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,964
Score d'incertitude au seuil0,713

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0360,069
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,012
Études des sciences et des technologies0,0080,004
Communication savante0,0110,006
Science ouverte0,0090,012
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0270,006

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.

Tête enseignante Opus0,289
Tête enseignante GPT0,573
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetPrimary Care and Health OutcomesTravaux en français237 207