Advancing the measurement of health inequalities in Canada with linked health and social data
Notice bibliographique
Résumé
IntroductionLinking health and socio-demographic data is providing new opportunities for measuring health inequalities in Canada. Measuring inequalities across relevant population sub-groups is a key step for understanding progress towards achieving health equity and informing interventions to reduce inequities. Objectives and ApproachThis study uses two linked national datasets (excluding Quebec): 1) Statistics Canada’s linkage of the 2006 long-form Census to hospital data from the Canadian Institute for Health Information’s 2006-2008 Discharge Abstract Database (DAD); 2) hospital data linked to area-level income using Statistics Canada’s Postal Code Conversion File tool. Study objectives are to compare hospitalization rates between the linked census cohort and the general population and to inform the measurement of inequalities by income and education. Analysis was based on three hospitalization indicators: chronic obstructive pulmonary disease (COPD) among ResultsThe linked cohort weighted to the population represented 67\% of DAD cases for asthma, 77\% for COPD and 80\% for heart attack. The lower coverage for asthma was because babies born after Census day were not linked. For all three indicators, rates were lower in the linked cohort than the DAD, likely because the linked cohort and DAD capture somewhat different populations (e.g., institutionalized population is in DAD but not Census). Large income and education-related inequalities were observed for all three indicators. Further analyses revealed inequalities of similar magnitude using before and after-tax income data, and larger inequalities by individual-level income compared to area-level (for COPD only). Inequalities were similar using individual and household education, with a clear gradient using multiple education categories. Conclusion/ImplicationsUpdating and expanding existing linkages to include recent data has the potential to expand and integrate health inequalities measurement into routine health system performance reporting. Challenges include measuring inequalities for smaller populations (e.g., health regions) and gaps in Census coverage (e.g., newborns/newcomers, urban indigenous populations, people experiencing homelessness, institutionalized population).
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 | 0,011 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,013 | 0,031 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».