Using Routine Data to Improve Lesbian, Gay, Bisexual, and Transgender Health
Notice bibliographique
Résumé
The collection of sexual orientation in routine data, generated either from contacts with health services or in infrastructure data resources designed and collected for policy and research, has improved substantially in the United Kingdom in the last decade. Inclusive measures of gender and transgender status are now also beginning to be collected. This viewpoint considers current data collections, and their strengths and limitations, including accessing data, sample size, measures of sexual orientation and gender, measures of health outcomes, and longitudinal follow-up. The available data are considered within both sociopolitical and biomedical models of health for individuals who are lesbian, gay, bisexual, transgender, queer, or of other identities including nonbinary (LGBTQ+). Although most individual data sets have some methodological limitations, when put together, there is now a real depth of routine data for LGBTQ+ health research. This paper aims to provide a framework for how these data can be used to improve health and health care outcomes. Four practical analysis approaches are introduced-descriptive epidemiology, risk prediction, intervention development, and impact evaluation-and are discussed as frameworks for translating data into research with the potential to improve health.
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 | 0,166 | 0,332 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,015 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».