Linking big data for cardiovascular health surveillance – opportunities and challenges using the CANHEART cohort
Notice bibliographique
Résumé
IntroductionOur increasing ability to link large population-based health administrative datasets to create ‘big data’ cohorts offers unique opportunities to conduct health and health services surveillance at lower costs than traditional methods using surveys or primary data collection. However, comparability of findings from big data with traditional methods is unknown.
 Objectives and ApproachIn the CArdiovascular HEalth in Ambulatory Care Research Team (CANHEART) ‘big data’ initiative, we linked 19 population-based health databases to obtain baseline and 5-year follow-up health information on a cohort of 9.8 million adult residents of Ontario, Canada as of January 2008. We compared cardiovascular risk factor prevalence with results from 3500 participants in the 2007-09 Canadian Health Measures Survey (CHMS), a traditional population health surveillance survey. Additionally, we determined cardiovascular preventative care use and clinical event rates by sex and age. Planned linkages to new data sources will enable continued cohort surveillance of population health-related and care indicators.
 ResultsCholesterol and glucose levels determined from the CANHEART cohort were comparable to the CHMS, whereas blood pressure values and obesity rates were substantially higher. Overall, receipt of cardiovascular preventive care in the CANHEART cohort was high, with 85.7% of males and 91.8% of females having blood pressure assessments, and 67.8% of males and 79.4% of females having weight assessments. Cholesterol and diabetes screening rates among those recommended for screening were over 75%. Incidence of myocardial infarction, stroke or cardiovascular death was 51% higher among males than females (3.8 and 2.5 events per 1000 person-years, respectively). Challenges encountered in analyzing data included treatment of repeated and time-varying measures, selection of valid diagnostic and physician billing codes, changing coding practices and handling of missing and outlying data.
 Conclusion/ImplicationsComparability of cardiovascular risk factor prevalence using linked administrative data with survey methods varies by indicator. Selection biases amongst survey participants and different measurement methods could explain discrepancies. The added ability to examine health care indicators longitudinally and by subgroup supports use of linked population-based data to enhance health surveillance.
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 | 0,008 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».