Notice bibliographique
Résumé
IntroductionA file’s overall linkage rate may hide significant bias in unlinked records. Newborns, for example, may represent a small percentage of a file but a large proportion of unlinked records. This creates challenges for researchers focused on the affected populations. Decreasing bias is a clear goal for data linkage science. Objectives and ApproachA standard spine-based linkage process with a typical set of identifiers was used to link perinatal records in British Columbia. This included multiple iterations and some manual linkage, stopping when there were only minor improvements. Despite high overall linkage rates, poor rates existed for babies who were stillborn or died near birth. Given research interests in stillbirth, there was a desire to use a creative approach to improve linkage for that sub-population. The solution was to expand the scope of the spine linkage to include birth and stillbirth records from other files, e.g. hospital discharge and Vital Statistics Registrations. ResultsOriginal linkage methods produce overall baby linkage rates of 98.1% but only 3.9% of records discharged to death/stillbirth were linked. Revised methods provide a small change in the overall rate to 99.4% but increase the discharge to death/stillbirth linkage rate to 90.3%. All numbers exclude terminations. Additions to our base representation of a linked entity enabled the association of records for babies either stillborn or never registered for health insurance coverage with the Ministry of Health. Additional variables addressed high rates of missing identifiers, while new linkage processing to Vital Statistics data addressed gaps within multiple newborn related datasets. Conclusion/ImplicationsThe complexity of adding BC Perinatal Data as a linked dataset to Population Data BC holdings was underappreciated. There are always adjustments in linkage approach across different data sets, but the linkage of babies with adverse outcomes required considerably more change, including moving beyond our usual spine linkage approach.
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 | 0,397 | 0,583 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,007 | 0,011 |
| Communication savante | 0,013 | 0,015 |
| Science ouverte | 0,008 | 0,018 |
| Intégrité de la recherche | 0,007 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».