Meta-analysis of multi-jurisdictional health administrative data from distributed networks approximated individual-level multivariable regression
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Compare meta-analysis in a distributed network to individual-level analysis for assessment of time trends of health services utilization with health administrative data. METHODS: We used administrative data from Ontario, Canada to analyze temporal trends in pediatric inflammatory bowel disease health services use. Beta coefficients were obtained using negative binomial, logistic, and Cox proportional hazards regression models. We replicated the individual-level analyses in each Ontario Local Health Integration Network (LHIN), then meta-analyzed aggregate trends using both fixed and random effects meta-analysis. We compared the pooled estimates of effect with individual-level analysis. RESULTS: Beta coefficients, summary effect estimates, and 95% confidence intervals (CIs) from the meta-analysis of data from distributed networks were not different than those from individual-level data, regardless of meta-analytic approach used. For example, the 5-year odds ratio of colectomy in ulcerative colitis using individual-level analysis was 0.978 (95% CI 0.950 to 1.007) compared to distributed network fixed effects meta-analysis: 0.982 (95% CI 0.950 to 1.015), and random effects meta-analysis: 0.982 (95% CI 0.950 to 1.015). CONCLUSION: Meta-analysis of multi-jurisdictional estimates were similar to estimates obtained from individual-level analysis. This method is a valid alternative for analysis of multi-jurisdictional data when individual-level data cannot be shared.
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 | 0,030 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,013 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».