Primary Care EHR data on Social Determinants of Health: Quality and Fitness for Purpose in Precision/Personalised Medicine
Notice bibliographique
Résumé
INTRODUCTION: Precision and personalised medicine requires comprehensive genetic, epigenetic, lifestyle, social, community and environmental knowledge of the patient. This approach highlights the importance of the social determinants of health (SDoH), described by the World Health Organization (WHO) as 'the non-medical factors that influence health outcomes, the conditions in which people are born, grow, work, live, and age, and the wider set of forces and systems shaping the conditions of daily life such as economic policies and systems, development agendas, social norms, social policies and political systems'. METHODS: This study examined if countries collect SDoH indicators and, if they do, the quality of the data and whether they are fit for clinical and population health purposes. The sources of data were EHR networks and, where not available, national data collections. RESULTS: While demographic details (age, gender) and rurality were well documented in most countries, we found that data availability and quality for education, occupation, income, socio-economic status, and residential care varied considerably between countries. Data for smoking, obesity, alcohol use, mental health, and substance use were generally poorly recorded. CONCLUSION: Recommendations include a universal set of indicators and taxonomy for SDoH; common data model and metadata standards for national and global harmonisation and monitoring; benchmarks for data quality and fitness-for-purpose; capacity building at national and subnational levels in data collection, data analysis, communication and dissemination of results; ethical and transparent data stewardship; and governance, leadership and diplomacy across multiple sectors to co-create an enabling policy and regulatory environment.
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 | 0,004 | 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 | 0,000 | 0,001 |
| 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 ».