Examining the impact of the number of regions used in cluster detection methods: An application to childhood asthma visits to a hospital in Manitoba, Canada
Notice bibliographique
Résumé
The level of spatial aggregation is a major concern in cluster investigations. Combining regions to protect privacy may result in a loss of power and thus, can limit the information researchers can obtain. The impact of spatial aggregation on the ability to detect clusters is examined in this study, which shows the importance of choosing the correct level of spatial aggregation in cluster investigations. We applied the circular spatial scan statistic (CSS), flexible spatial scan statistic (FSS) and Bayesian disease mapping (BYM) approaches to a dataset containing childhood asthma visits to a hospital in Manitoba, Canada, using three different levels of spatial aggregation. Specifically, we used 56, 67 and 220 regions in the analysis, respectively. It is expected that the three scenarios will yield different results and will highlight the importance of using the right level of spatial aggregation. The three methods (CSS, FSS, BYM) examined in this study performed similarly when detecting potential clusters. However, for different levels of spatial aggregation, the potential clusters identified were different. As the number of regions used in the analysis increased, the total area identified in the cluster decreased. In general, potential clusters were identified in the central and northern parts of Manitoba. Overall, it is crucial to identify the appropriate number of regions to study spatial patterns of disease as it directly affects the results and consequently the conclusions. Additional investigation through future work is needed to determine which scenario of spatial aggregation is best.
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 | 0,008 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».