MétaCan
Menu
Retour à la cohorte
Enregistrement W2606573263 · doi:10.23889/ijpds.v1i1.269

PATHS Data Resource: A population-based suite of linkable administrative records and metadata for population health research

2017· article· en· W2606573263 sur OpenAlexaffabout
Nathan Nickel, Marni Brownell, Dan Château, Alan Katz, Elaine Burland

Notice bibliographique

RevueInternational Journal for Population Data Science · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueFood Security and Health in Diverse Populations
Établissements canadiensUniversity of ManitobaManitoba Health
Organismes subventionnairesnon disponible
Mots-clésGini coefficientOperationalizationPopulationPopulation healthHealth equityMetadataEquity (law)Health careSocioeconomic statusSocial determinants of healthGeographyBusinessInequalityEnvironmental healthMedicineEconomic growthComputer sciencePolitical scienceEconomic inequalityEconomicsWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

ABSTRACT
 ObjectivesOur objective was to develop a comprehensive longitudinal data resource, which population health research scientists could use to study the social determinants of child health and health equity.
 MethodsThe PATHS Resource was created from data holdings within the Manitoba Population Health Research Data Repository. The Manitoba Health Registry sits at the centre of the Repository and includes information – including a scrambled personal health identification number (PHIN) and date when coverage commenced and expired – on every individual registered with the province’s universal healthcare system. The Repository also includes administrative data spanning several sectors including health, social services, justice, and education. We used individuals’ scrambled PHINs to link children’s administrative records across sectors to build a holistic picture of their health and development. We developed metadata, including routinized SAS algorithms and variable definitions, to ensure consistent operationalization of variables across studies. The longitudinal nature of these data allowed us to construct individual-level health and development trajectories from birth through adolescence for children born from 1984-2014. We used income data from the Canadian Census to develop both indicators of socioeconomic status (average neighbourhood level income) and provincial measures of income inequality (the Gini coefficient).
 ResultsThe PATHS Resource includes data on the social determinants of health as well as health and development for children born 1984 to 2014 (n=608,007). We are able to follow children for a median observation period of 15.4 years. Income inequality – measured using the Gini coefficient – increased from 1984 to 2014: 0.16 to 0.21 (p<0.01). The proportion of children born to women from the bottom income quintile (i.e., the poorest 20% of families) also grew from 23.2% in 1984 to 27.2% in 2014 (p<0.01). When we followed children over their life course, we found that they were most likely to experience poverty (measured by family receipt of income assistance) at 2 years of age (p<0.01). Many studies from a variety of researchers have utilized the PATHS metadata to conduct child health and development research, ensuring consistent variable operationalization. These data have been used to identify policy levers for improving child health and reducing health inequalities.
 ConclusionA resource such as the PATHS Resource can facilitate research into the health and development of children. Having data on the entire population allows investigators to both monitor trends in health inequities and identify strategies for improving health. Metadata ensure variable consistency and comparability across studies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,018
score de la tête « metaresearch » (Gemma)0,016
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,191
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0180,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0090,000
Communication savante0,0010,007
Science ouverte0,0050,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,737
Tête enseignante GPT0,660
Écart entre enseignants0,077 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
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

Citations0
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetFood Security and Health in Diverse PopulationsTravaux en français237 207