Considering mean and inequality health outcomes together: the population health performance index
Notice bibliographique
Résumé
BACKGROUND: The purpose was to develop and test a population health measure that combines mean health outcomes and inequalities into a single GDP-like metric to help policymakers measure population health performance on both dimensions in one metric. METHODS: The Population Health Performance Index is a weighted average of a mean index and an inequality index according to the user's inequality aversion. We deploy this methodology for two combinations of health outcome and disparity domain: infant mortality by race and unhealthy days by education. RESULTS: The PHPI is bounded between 0 and 1, and is comprised of a weighted average of two separate indices: a mean index and an inequality index, with 1 representing the ideal state of no ill health and no inequality and 0 representing the worst state in the U.S. PHPI values across states (neutral 50:50 weighting) vary between 0.60 (Massachusetts) to 0.17 (Delaware) for infant mortality by race and between 0.65 (North Dakota) to 0.00 (West Virginia) for unhealthy days by education. For some states, the choice of inequality aversion significantly impacts their PHPI value and state rank. CONCLUSIONS: Mean and inequality health outcomes can be combined into a single Population Health Performance Index for use by public and private policy makers, like the GDP is used as a summary metric to measure economic output. The index can allow for varying degrees of inequality aversion, an individual's or jurisdiction's value choice that can substantially impact the value of this new summary population health metric.
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».