A Topological Data Analysis of Un met Health Care Needs Among Injured Patients
Notice bibliographique
Résumé
Despite universal health care in Canada, research has shown persistent disparities in access to care for various sociodemographic groups. Most research has focused on access to primary care for particular sociodemographic groups, with much less attention paid to the effect of injury on unmet healthcare needs. The current study aimed to address this knowledge gap by evaluating and comparing unmet healthcare needs between injured patients and non-injured individuals. The primary study objective was to segment the population and explore differences in unmet healthcare needs among patient clusters. U sing the Canadian Community Health Survey, a study cohort of injured and non-injured subjects was created, restricted to those who responded to questions regarding unmet healthcare needs. Determinants of access related to predisposing characteristics (age, sex, marital status, immigration status, race), enabling characteristics (income, education, having a healthcare provider), and need-based factors (mental health comorbidities) were included as features. Topological Data Analysis (TDA) was used to identify the complex interactions between features, with respect to the underlying shape of the dataset, to generate patient clusters with respect to unmet health care needs. Cluster boundaries were defined using Louvain community detection. Statistical differences between features were tested across clusters. The study included 2,777,268 injured patients and 12,031,031 non-injured patients. TDA discovered three distinct phenotypes within the injured patient population, each exhibiting unique patterns of unmet healthcare needs. These clusters showed differences across the maj ority of features, indicating that this segmentation method effectively distinguished between injured patients with varying levels of unmet healthcare needs. This study is the first national analysis of injured Canadians reporting unmet healthcare needs. Our results indicate substantial inequalities in healthcare services for injured patients.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,014 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».