Care trajectories of people with mood disorders in Quebec using latent class and latent profile analysis methods
Notice bibliographique
Résumé
The prevalence of mood disorders has increased globally. People with mood disorders have been found to use more health services than the general population, although a mood disorder diagnosis does not necessarily entail utilization of health services. This heterogeneity in health services utilization could make it difficult for governments to plan resources to meet the needs of people with mood disorders. A patient-level linked database from residents of Quebec, Canada was used to model care trajectories of people who self-reported having been diagnosed with a mood disorder. The data from the Canadian Community Health Survey were linked to health administrative data for a 21-year period. We used latent class analysis and latent profile analysis to group people into categories. Four care trajectories were identified using the latent class analysis: 1) people who only used services of a general practitioner; 2) people having seen a psychiatrist or having at least one ED visit or hospitalization; 3) people consulting other types of specialists; 4) null utilization. The latent profile analysis on medical services yielded four profiles, with average numbers of services of 41, 33, 7, and 1, while that on hospitalization yielded two profiles, with 20 % of the population having had at least one hospitalization and the remainder none. By classifying people into service utilization groups, these methods enable determining needs for a given population and can support resource allocation for health care decision makers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».