Providing data analytic services for national knowledge users in a federated system: learnings from two Canadian use cases
Notice bibliographique
Résumé
Objective and ApproachCanada’s federated health data system along with access pathways geared toward academic research, pose challenges for knowledge Users (KUs) requiring timely, pan-Canadian evidence to inform decisions. To understand challenges and explore solutions, we conducted two use cases for a pan-Canadian health technology assessment organization and a federal agency, using health administrative data at one federal and six provincial data centres. The population-based cohort studies described socio-demographics, comorbidities, treatment patterns, service utilization and costs. One focused on spinal muscular atrophy, a rare disease and the other on dementia, a complex chronic disease. ResultsAdministrative challenges included aligning varied ethical review and data access policies/procedures including requiring local and/or academic principal investigators and differing definitions of “research” vs. planning, evaluation, and monitoring. Data-related challenges included differences in structure, timeliness, and completeness across regions resulting in difficulty aligning constructs such as incident cases and episodes of care. Privacy requirements prohibited pooling jurisdictional estimates resulting in “small cells” that couldn’t be shared with KUs. ConclusionsWe provided analytic outputs from multiple regions, albeit with some differences and gaps, increasing knowledge around both diseases while developing capacity for combined analyses and gaining insight into national possibilities for data access. ImplicationsAs decision makers must rely on best available information, some data is better than none. However, to improve data-analytic services for Pan-Canadian KUs, next steps will include improving data harmonization, expanding data assets and filling data gaps, implementing common data models, and exploring options for federated and/or pooled analyses.
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 | 0,138 | 0,199 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,026 | 0,011 |
| Communication savante | 0,016 | 0,009 |
| Science ouverte | 0,007 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».