Estimating prevalence using indirect information and Bayesian evidence synthesis
Notice bibliographique
Résumé
Abstract We focus on the analysis of health count data, aggregated over disjoint geographical locations, by combining information from data sources in a coherent fashion using a Bayesian hierarchical model. The overall objective is to estimate prevalence of a medical condition in the population given that the sampled counts arise from a subset of all cases, and when there is no additional information available from the data. We develop a hierarchical model to predict the overall prevalence using an external data set for calibration. We demonstrate that the Bayesian methodology can account fully for the uncertainty, variability and spatial dependence for the estimate. We apply our model to dispensing data obtained by the Public Health Agency of Canada for 2014, and assess the prevalence of treated Attention Deficit Hyperactivity Disorder (ADHD) from records of drugs dispensed to treat the condition. We demonstrate that our final model fits the data well in an out‐of‐sample assessment. We estimate the prevalence of treated ADHD in Canada to be 1.14% with 95% credible interval (0.86%, 1.27%), with prevalence noted to be higher in the eastern part of Canada, most notably in Nova Scotia. The Canadian Journal of Statistics 46: 673–689; 2018 © 2018 Société statistique du Canada
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 | 0,096 | 0,323 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,016 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».