MétaCan
Menu
Retour à la cohorte
Enregistrement W4399612709 · doi:10.4274/gulhane.galenos.2023.69926

Latent profile analysis for the classification of OECD countries with health indicators

2024· article· en· W4399612709 sur OpenAlexaboutno aff
Hülya Özen, Doğukan Özen

Notice bibliographique

RevueGulhane Medical Journal · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGlobal Health Care Issues
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLatent class modelComputer scienceMachine learning

Résumé

récupéré en direct d'OpenAlex

Aims: Health indicators provide up-to-date information on the health status of a population.This study aimed to classify the Organization for Economic Co-operation and Development (OECD) countries according to health indicators and assess their status. Methods:The dataset was obtained from the OECD and World Bank databases.The most recent data from 2018 to 2022 were used.The dataset included the number of hospital beds, computed tomography scanners, magnetic resonance imaging (MRI) units, mammography machines, and radiotherapy machines as indicators of health equipment and the number of doctors, nurses, medical graduates, and nursing graduates as indicators of healthcare workers.The classification was performed using latent profile analysis (LPA).Estimated classes were compared using ANOVA or the Kruskal-Wallis test.Results: Three distinct classes were obtained from the models constructed with LPA (Akaike information criteria: 1674.91,Bayesian information criteria: 1726.87,Lo-Mendell-Rubin adjusted likelihood ratio test: p<0.001).The number of countries in the classes was 11, 14, and 4, respectively.The number of MRI units was the most prominent variable in separating the classes (p=0.001).Türkiye was in the same class as Canada, Chile, the Czech Republic, Estonia, Hungary, Israel, Luxembourg, Mexico, Poland, and Slovenia.The numbers for all indicators in Türkiye were below the average of its class, except for the numbers of MRI units and medical graduates.Conclusions: This study found the number of MRI units to be the most prominent indicator in categorizing OECD countries into three different classes, whereas the number of hospital beds and nurses did not differ across the defined classes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,045
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,082

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,045
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0010,005
Bibliométrie0,0110,009
Études des sciences et des technologies0,0010,001
Communication savante0,0050,003
Science ouverte0,0010,004
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,463
Écart entre enseignants0,405 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGulhane Medical JournalMême sujetGlobal Health Care IssuesTravaux en français237 207