The CanPath-HDRN Canada Collaboration: Enabling Multi-jurisdictional Research in Canada
Notice bibliographique
Résumé
ObjectiveTo highlight the partnership between the Canadian Partnership for Tomorrow’s Health (CanPath) and Health Data Research Network (HDRN Canada), which enables researchers to link CanPath’s health and lifestyle survey data to health records and related data across multiple regions. BackgroundCanPath is a population health study of over 350,000 Canadians from seven regional cohorts across all ten provinces, making it one of the world's largest population cohorts. HDRN Canada is a network of member organizations, including provincial, territorial, and pan-Canadian data centres. ApproachThis partnership leveraged collective expertise and resources to facilitate the linkage of CanPath’s harmonized data to multi-regional health and health-related administrative data held at HDRN Canada’ s data centres. Researchers can access these data for multi-regional projects through HDRN Canada’s Data Access Support Hub, which provides a single access portal. ResultsResearchers were able to successfully link CanPath’s survey data to provincial administrative health data. The collaboration’s streamlined process for data access enhances efficiency and facilitates pan-Canadian population health research. ConclusionThis collaboration demonstrates the feasibility and value of linking population health datasets while demonstrating the challenges and opportunities associated with accessing national administrative health data within a federated health data system. ImplicationsThe partnership between CanPath and HDRN Canada has significant implications for advancing population health research in Canada. By providing researchers with access to linked data from diverse sources, the partnership enables comprehensive investigations into health determinants, disease patterns, and clinical outcomes. This enhances the scope and depth of population health research in Canada, thereby leading to a better understanding of the most pressing health challenges.
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 | 0,059 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,009 |
| Études des sciences et des technologies | 0,021 | 0,006 |
| Communication savante | 0,013 | 0,004 |
| Science ouverte | 0,005 | 0,024 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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.
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 ».