Accessing Health and Health-Related Data in Canada: The Expert Panel on Timely Access to Health and Social Data for Health Research and Health System Innovation
Notice bibliographique
Résumé
Key Findings For effective research with health and health-related data, disparate sources of data must be brought together. Providing these data in an “analysis-ready” format, thereby allowing statistical relationships or patterns to be derived, is a central methodological challenge. Evidence shows that timely access to data enables significant high-quality research that can have far-reaching effects for health care and the overall health of Canadians. The risk of potential harm resulting from access to data is tangible but low. The level of risk can be further lowered through effective governance mechanisms. Timely access to data is hindered by variable legal structures and differing interpretations of the terms identifiable and de-identified across jurisdictions. Instead of rigidly classifying data as either identifiable or non-identifiable, it is useful to view de-identification as a continuum and to adjust access controls accordingly. Evidence demonstrates that a shift is occurring among leading entities from a 'data custodianship' model to a 'data stewardship' model. Central to the success of this shift is the adoption of good governance practices, specifically in privacy governance, research governance, information governance, and network governance.
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 | 0,209 | 0,251 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,016 |
| Études des sciences et des technologies | 0,015 | 0,009 |
| Communication savante | 0,017 | 0,007 |
| Science ouverte | 0,012 | 0,012 |
| Intégrité de la recherche | 0,015 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».