Trends and regional variations in the administrative prevalence of attention-deficit/hyperactivity disorder among children and adolescents in Germany
Notice bibliographique
Résumé
There is a controversy regarding temporal trends in prevalence of attention-deficit/hyperactivity disorder (ADHD). Using nationwide claims data containing data for approximately six million statutory health insured children we aimed to examine a) trends of ADHD administrative prevalence during 2009-2016; b) regional variations in prevalence, and c) factors associated with an increased chance of ADHD diagnosis. The ICD-10 code 'F90-hyperkinetic disorder' was used to define an ADHD case. Global and Local Moran's I tests were used to examine the spatial autocorrelation and k-means-cluster analysis to examine the course of ADHD prevalence in administrative districts over years. Two-level logistic regression was applied to examine individual- and district-level factors associated with ADHD diagnosis. The administrative prevalence of ADHD was 4.33% (95% CI: 4.31-4.34%). We observed pronounced small-area differences on the district level with prevalences ranging between 1.6% and 9.7%. There was evidence of strong spatial autocorrelation (Global Moran's I: 0.46, p < 0.0001). The k-means-method identified six clusters of different size; all with a stagnating trend in the prevalence over the observation period of eight years. On the district level, a lower proportion of foreign citizens, and a higher density of paediatric psychiatrists and paediatricians were positively associated with ADHD with a more pronounced effect in urban districts.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».