Identifying homelessness using health administrative data in Ontario, Canada: how coding policies impact case validity
Notice bibliographique
Résumé
Conducting longitudinal research about the health of people experiencing homelessness poses unique challenges. In Canada, we previously demonstrated that identification through health administrative databases permits population-level studies, despite relatively low sensitivity. Since then, coding of homelessness became mandatory in hospitals nationally. As a result, case validity since 2018 is unknown. We re-validated case definitions for identifying homelessness in health administrative databases between 2018 and 2022 against the longitudinally collected housing history of a representative sample of people experiencing homelessness (n=640) and randomly selected, housed people (n=128,000) in Toronto, Canada. We calculated sensitivity, specificity, positive and negative predictive values, and positive likelihood ratios for 42 unique case definitions. We compared the resulting true positives against false positives and false negatives to identify potential causes of misclassification. The optimal case (best sensitivity/scalability beyond Ontario) definition included any indicator during a hospital-based encounter within 180 days of a period of homelessness (sensitivity=52.9%; specificity=99.5%). Among periods of homelessness with ≥1 hospital-based encounter, the optimal case definition had good sensitivity (75.1%) with minimal reduction in specificity (98.5%). Review of false positives suggests homeless status is sometimes improperly carried forward in healthcare encounters occurring after transitioning out of homelessness. Case definitions to identify homelessness using health administrative data exhibit moderate sensitivity and excellent specificity, with two-fold increases in sensitivity since the implementation of mandatory coding in Canada. Mandatory collection of social determinants of health information within administrative data present invaluable opportunities for advancing research on the health and healthcare needs of people experiencing homelessness.
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 | 0,106 | 0,318 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».