MétaCan
Menu
Retour à la cohorte
Enregistrement W2890208673 · doi:10.23889/ijpds.v3i4.662

Creating the Framework for Cross-Sector Health Analysis for Local Communities

2018· article· en· W2890208673 sur OpenAlexaffabout
Heather Richards, Kim Varas, Samantha Magnus, Jinhwa Oh, Christine Voggenreiter

Notice bibliographique

RevueInternational Journal for Population Data Science · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiquePublic Health Policies and Education
Établissements canadiensMinistry of Health
Organismes subventionnairesnon disponible
Mots-clésGeocodingGeographyPopulationWork (physics)Christian ministryCensusUnit (ring theory)Environmental planningEnvironmental healthPolitical scienceMedicineCartographyEngineeringPsychology

Résumé

récupéré en direct d'OpenAlex

IntroductionA newly developed BC Ministry of Health geography classification has enabled a standardized approach for community-level analysis of health needs and service provision. An innovative methodology was developed and applied to health administrative data, creating more opportunities to identify variations in health status and utilization across the health system.
 Objectives and ApproachTwo design principles informed the development of the new geographies. Firstly, they reflect where people live and the communities with which they identify, and secondly, they will assist with identifying where health services are needed for local populations. The objective was to provide the Ministry and health authorities with a framework to identify and work towards providing the optimal delivery of services at the local level. A working group was established for this project and included representatives from the Ministry, each regional health authority, Provincial Health Services Authority, First Nations Health Authority, and BC Stats.
 ResultsThe building block for the geography classification is the Census Dissemination Block, the lowest unit of geography available in the Standard Geography Classification maintained by Statistics Canada. The geographies were assigned urban-rural designations based on an algorithm that considered the presence of a population centre, the size of the population centre, and the proportion of the population living in it, among other aspects. One of the main goals of the urban-rural designations was to provide meaningful peer groups for cross-jurisdictional studies.
 The project also reengineered the methods to geocode addresses to improve accuracy to use street addresses (over past method that used postal codes) so that assignment to Census Dissemination Block would be precise.
 The end result was 218 community geographies with urban-rural designations.
 Conclusion/ImplicationsThis geography standard allows health system stakeholders to better understand of geographic variation in utilization and access to health care. The ability to link and share information to profile community health between health administrative data and Census data available from Statistics Canada is better due to improved geocoding of addresses.

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)0,008
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,866
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0080,000
Communication savante0,0000,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,000
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 Opus0,346
Tête enseignante GPT0,628
Écart entre enseignants0,282 · 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
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetPublic Health Policies and EducationTravaux en français237 207