Sources de données des populations utilisées en surveillance des maladies chroniques
Notice bibliographique
Résumé
Dans cette étude, on a estimé la concordance entre les données des populations administratives et les données des populations d'enquête lorsqu'il s'agit de déterminer les cas d'arthrite, d'asthme, de diabète, de cardiopathie, d'hypertension et d'accident vasculaire cérébral. Des définitions de cas de maladies chroniques, qui variaient de par la source des données, le nombre d'années de données et les codes de diagnostic et de médicaments prescrits employés, ont été élaborées à partir des données administratives du Manitoba. Un recoupement a ensuite été fait entre ces données et celles tirées de l'Enquête sur la santé dans les collectivités canadiennes. La concordance entre ces deux sources de données, estimée par le coefficient κ, a été calculée pour chaque définition de cas, et les différences ont été testées. Les variables socio-démographiques et les variables liées à la comorbidité en lien avec la concordance ont été testées au moyen d'une régression logistique pondérée. C'est pour le diabète et l'hypertension que l'on a observé la concordance la plus élevée, et pour l'arthrite que l'on a observé la concordance la plus faible. Les éléments de la définition de cas qui contribuaient à la concordance la plus élevée entre les deux sources de données des populations variaient selon les maladies chroniques. Il est probable que les données administratives et les données d'enquête concordent peu dans le cas des affections qui sont difficiles à diagnostiquer, mais cette concordance est aussi influencée par les caractéristiques socio-démographiques et l'état de santé des individus. Toute définition de cas de maladie chronique fondée sur des données administratives devrait être accompagnée d'une justification du choix de chacun de ses éléments.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes 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 ».