A more accurate approach to define abortion cohorts using linked administrative data: an application to Ontario, Canada
Notice bibliographique
Résumé
Background: The shifting landscape of abortion care from a hospital-only to a distributed service including primary care has implications for how to identify abortion cohorts for research and surveillance. The objectives of this study were to 1) create an improved approach to define abortion cohorts using linked administrative data sets and 2) evaluate the performance of this approach for abortion surveillance compared with standard approaches. Methods: We applied four principles to identify induced abortion cohorts when some services are delivered beyond hospital settings; 1) exclude early pregnancy losses and postpartum procedures; 2) use multiple data sources; 3) define episodes of care; 4) apply a hierarchical algorithm to determine abortion date to a population-based cohort of all abortion events in Ontario (Canada) from January 1, 2018-March 15, 2020. We calculated risk differences (RD, with 95% confidence intervals) comparing the proportion of medication vs. surgical, first vs. second trimester, and complication incidence applying these principles vs. standard approaches. Results: Hospital-only data (versus multiple data sources) underestimated the frequency of medication abortion (16.1% vs. 31.4%; RD -15.3% [-14.3, -16.3]) and first-trimester abortion (82.1% vs. 94.5%; RD -12.8 [-11.4, 13.4]) and overestimated incidence of abortion complication (2.9% vs. 0.69%; RD 2.2% [1.8, 2.7]). An unlinked (versus linked) approach underestimated the frequency of abortion complications (0.19% vs 0.69%, -RD 0.50% [-0.44--0.56]). Including (versus excluding) abortions following early pregnancy loss or delivery events increased the estimated incidence of abortion complications (1.29% vs. 0.69%, RD 0.60% [0.51-0.69]. Conclusion: New methods are required to accurately identify abortion cohorts for surveillance or research. When legal or regulatory approaches to medication abortion evolve to enable abortion in primary care or office-based settings, hospital-based surveillance systems will become incomplete and biased; to continue valid and complete abortion surveillance, methods must be adjusted to ensure complete capture of procedures across all settings.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».