Linking hospital and immigrant landing data to understand patterns of hospital use among refugees in Canada
Notice bibliographique
Résumé
ABSTRACT ObjectivesIn Canada, refugees represent between 10% and 15% of the total immigrant annual in-take of immigrants. Refugees are generally admitted with different selection criteria and have different settlement challenges which may lead to higher health risk, compared to other categories of immigrants. The purpose of this study is to use linked hospital and immigrant landing data to report hospitalization rates among refugees arriving to Canada between 1980 and 2006 with special focus on those from refugee-dominant source areas, namely Poland and Vietnam, and the Middle East. ApproachData from the 2006/07-2008/09 Discharge Abstract Database (DAD) were linked to the 1980-2008 Immigrant Landing File (ILF) to identify hospitalizations among immigrants by category of admission. Age-standardized hospitalization rates (ASHR) for overall causes (excluding pregnancy), and for selected causes are derived for refugees overall and by specific source country. Rates are compared with those for the Canadian-born population and with economic class immigrants from the same source country. ResultsOverall, refugees had substantially lower overall ASHR compared with the Canadian-born population (494 per 10,000, 95% CI, 487, 500 vs 891 per 10,000, 95% CI, 890, 892, retrospectively). Among refugees, those who landed in Canada (refugee claimants) had the highest ASHR (539, 95% CI 524,555), especially for circulatory disease. Among refugee-dominant areas, Government-assisted refugees from the Middle East tended to have higher ASHR at levels comparable with that of the Canadian born population (for circulatory disease). Refugees had higher rates of hospitalization compared with their economic class counterparts, except among those from Poland. ConclusionRefugees, like other immigrants, generally had lower hospitalization rates compared with the Canadian born population, but the heterogeneity within groups reveals specific vulnerability for certain types of health care use.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».