Determinants of loss to follow-up in the Canadian Longitudinal Study on Aging: a retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Systematic loss to follow-up (LFU) creates selection bias and hinders generalisability in longitudinal cohort studies. Little is known about LFU risks in underserved populations including immigrants, those with depressive symptoms and language minorities. We used the Canadian Longitudinal Study on Aging (baseline 2012-2015 and 3-year follow-up 2015-2018) comprehensive and tracking cohorts to examine the association of language with LFU and its effect modification by immigrant status and depressive symptoms among participants from Quebec and those from outside Quebec. METHODS: Language was English-speaking, French-speaking and Bilingual according to the language participants' reported being able to converse in. Language minorities were French-speakers outside Quebec and English-speakers inside Quebec. LFU was withdrawal or not providing follow-up data. Logistic regression models assessed the associations of interest. RESULTS: Our cohort included 49 179 individuals (mean age 63.0, SD 10.4 years; 51.4% female). Overall, 7808 (15.9%) were immigrants and 7902 (16.1%) had depressive symptoms. Language was 4672 (9.5%) French-speaking, 33 532 (68.2%) English-speaking and 10 976 (22.3%) Bilingual. Immigration ≤20 years (OR 1.84, 95% CI 1.34 to 2.53) or arrival at age >22 years (1.32, 95% CI 1.10 to 1.58) and depressive symptoms (1.23, 95% CI 1.13 to 1.46) had higher LFU risks. Bilingual (vs French-speaking) had lower LFU risk outside (0.45, 95% CI 0.24 to 0.86) and inside Quebec (0.78, 95% CI 0.63 to 0.98). LFU risk was higher in French-speakers (vs English-speakers) outside (2.33, 95% CI 1.19 to 4.55), but not inside Quebec. Female, higher income, higher education and low nutritional risk had lower LFU risks. CONCLUSION: Speaking only French (vs Bilingual), having depressive symptoms and immigrant status increased LFU risks, with the latter not modifying the language effect.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».