Using Epidemiology and Artificial Intelligence to Describe a Complex Primary Care Population in a Learning Health System
Notice bibliographique
Résumé
Context: Electronic health records (EHR) provide an opportunity for developing decision support and other types of learning health system (LHS) initiatives. Careful understanding of the population of interest and how clients are represented in the data is essential for problem selection and for effective study design and analysis of data to solve the problem. The Alliance for Healthier Communities is one of the first primary care LHS in North America, serving complex, at-risk clients through Community Health Centres (CHCs) across Ontario, Canada. We propose that to properly understand their electronic health record data both simple statistical techniques commonly seen in descriptive epidemiology and more complex techniques from artificial intelligence will be useful. Objective: To summarize characteristics of ongoing primary care clients served by CHCs for the purpose of informing future LHS initiatives. Study Design and Analysis: Table-based summaries are given for all outcome measures. An Ising model is used to identify condition co-occurrences, non-negative matrix factorization is used to examine care provider teams, and time series clustering is used to explore care frequency patterns. Setting or Dataset: EHR data from all CHCs across Ontario, Canada in 2009-2019. Population Studied: Clients over 18 years old in 2009 who indicated a CHC as their primary care provider and had at least one encounter in 2009-2019. Intervention/Instrument: N/A. Outcome Measures: Sociodemographic characteristics (from structured client characteristic table, e.g., age, education), clinical characteristics (20 chronic conditions, four acute conditions, multimorbidity), and health care use characteristics (providers involved, complexity, frequency). Results: There were 221,047 eligible clients. Social determinants and clinical conditions are most prominent in CHCs serving those most at risk in urban settings; the former are also more prevalent in clients with multimorbidity. Physician and nursing types provide most care, with heterogeneous combinations of other providers. There is notable within- and between-client variability in care complexity and frequency. We identify implications for future analyses such as cohort building and risk prediction. Conclusions: Simple statistical and artificial intelligence techniques can be used to effectively describe a complex primary care population; this population-level overview provides a foundation for future LHS initiatives.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».