Creating an 11-year longitudinal substance use harm cohort from linked health and census data to analyse social drivers of health
Notice bibliographique
Résumé
Introduction: Research on substance use harm in Canada has been hampered by an absence of linked data to analyse and report on the social drivers of substance use harm. Objectives: This study aims to address this gap by providing a fully annotated Stata do-file that links sociodemographic data to 11 years of hospitalisation and death outcomes. This do-file will greatly facilitate the creation of provincial and national substance use cohorts using line-level data available through Statistics Canada's Research Data Centres (RDC) program. Methods: We used Canadian Census Health and Environment Cohorts (CanCHEC) 2006 to create a cohort of Saskatchewanians followed from 2006 to 2016. We linked sociodemographic information of the 2006 Census (long-form) respondents to their hospitalisation data captured in the Discharge Abstract Database (DAD) (2006 to 2016) and their mortality records in the Canadian Vital Statistics Death Database (CVSD) (2006 to 2016). We developed an algorithm to identify Saskatchewanians who experienced a substance use harm event. We validated the cohort by comparing our descriptive findings with those from other Canadian studies on substance use. Results: We used CanCHEC, a national data resource, whereas most previous studies have used provincial data resources. Despite this difference in constructing the cohorts, our results showed trends consistent with previous studies, including an overrepresentation of individuals with lower socioeconomic status among the people who experienced substance use harm (PESUH). Similar to other Canadian studies, our results indicate an increasing rate of substance use harm from 2006 to 2016. Conclusion: This study provides a Stata do-file that compiles a validated substance use cohort using CanCHEC, enabling comprehensive substance use research by linking sociodemographic data with health outcomes. The do-file is likely to save researchers hundreds of hours and accelerate research on the drivers of substance use harms 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 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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».