Balancing Privacy and Precision: Evaluating Meta-Analysis for National Health Data Integration in Canada
Notice bibliographique
Résumé
BackgroundIn Canada, legislative restrictions exist for the disclosure and transfer of patient data across provincial boundaries. Often, meta-analysis techniques are employed to pool province-specific results to enable national results while maintaining compliance with privacy legislation. However, the effectiveness of this technique remains unexamined using electronic data. To evaluate its performance, we compare results obtained through meta-analysis with those from a fully pooled model. MethodsUsing chronic kidney disease as a case study, this retrospective cohort study simulates the meta-analysis method to evaluate its performance using real data. We analyze data from the Canadian Primary Care Sentinel Surveillance Network (CPCSSN), a nationwide database of electronic medical records. We meta-analyze provincial logistic regression models to predict nephropathy over a 5-year period at a national level. Estimates are compared to a fully pooled national model. ResultsAnalyses are currently ongoing. We expect the meta-analysis technique to produce similar estimates compared to the fully pooled model. However, we expect certain differences as meta-analysis techniques are insensitive to heterogeneity within provinces that impact the precision of estimates. Observed differences will help to inform future work where we will examine a potential new methodology to analyze health information without sharing patient data. ConclusionsBased on our results, we will reveal strengths and limitations of the meta-analysis technique for interprovincial analyses. Limitations of the meta-analysis technique may underscore the need for further exploration into alternative methodologies that can effectively analyze health information without compromising patient privacy to facilitate better healthcare decision-making and policy development in Canada.
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 | 0,026 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».