The TRACTOR Project: TRACking and MoniToring Occupational Risks in Agriculture Using French Insurance Health Data (MSA)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Objectives A vast data mining project called ‘TRACking and moniToring Occupational Risks in agriculture’ (TRACTOR) was initiated in 2017 to investigate work-related health events among the entire French agricultural workforce. The goal of this work is to present the TRACTOR project, the challenges faced during its implementation, to discuss its strengths and limitations and to address its potential impact for health surveillance. Methods Three routinely collected administrative health databases from the National Health Insurance Fund for Agricultural Workers and Farmers (MSA) were made available for the TRACTOR project. Data management was required to properly clean and prepare the data before linking together all available databases. Results After removing few missing and aberrant data (4.6% values), all available databases were fully linked together. The TRACTOR project is an exhaustive database of agricultural workforce (active and retired) from 2002 to 2016, with around 10.5 million individuals including seasonal workers and farm managers. From 2012 to 2016, a total of 6 906 290 individuals were recorded. Half of these individuals were active and 46% had at least one health event (e.g. declared chronic disease, reimbursed drug prescription) during this 5-year period. Conclusions The assembled MSA databases available in the TRACTOR project are regularly updated and represent a promising and unprecedent dataset for data mining analysis dedicated to the early identification of current and emerging work-related illnesses and hypothesis generation. As a result, this project could help building a prospective integrated health surveillance system for the benefit of agricultural workers.
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.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 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 découle