Combining cohorts of prospectively collected and linked data to improve health after release from prison
Notice bibliographique
Résumé
BackgroundWhile people who experience incarceration have remarkably poor health profiles, undertaking research to inform evidence-based responses is complicated by difficulties of recruiting people in prison; high rates of socioeconomic marginalisation, study attrition; and legislative and financial barriers to linked data research. There are many advantages to pooling data from multiple studies involving people who experience incarceration, including greater statistical power and geographic and participant heterogeneity. However, there are also challenges that need to be addressed. MethodsWe combined four prospective cohort studies of adults released from prisons in four Australian states. Pre-release interviews, and validated screening assessments, were linked to primary care, medicine dispensing, hospital, alcohol and other drug treatment services, ambulatory mental health, ambulance, corrective services, and death records. Data were harmonised by team members reviewing variable definitions and categories within subject domains. ResultsThe combined cohort consists of 4,232 adults, including 1,544 Indigenous people and 905 women, with a median age of 31 years. Data linkage will enable a median of 9.3 years of prospective follow-up after release from incarceration. Differences in data structures, coding systems between and within datasets, changes over time, and grouping of records belonging to the same event were also addressed. ConclusionThis combined multi-site cohort study is an example of a complex, policy-oriented data linkage project. It was developed to underpin evidence-based, culturally appropriate interventions, health policy and service development for people who were incarcerated. This presentation will discuss the processes and pitfalls experienced while building a multi-sectoral, multi-jurisdictional data linkage project.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».