Échantillonnage, mesure et surveillance des données sur la santé selon la race : pratiques prometteuses pour réduire les inégalités raciales en matière de santé et étudier leurs déterminants au sein de la population canadienne noire
Notice bibliographique
Résumé
Introduction Les inégalités raciales en matière de santé s’expliquent par une inégalité d’accès aux conseils médicaux et aux traitements ainsi que par les effets physiologiques des inégalités dans les conditions matérielles et la vie quotidienne. Cependant, il y a peu de données canadiennes sur les inégalités raciales en matière de santé. Cet article de synthèse décrit les pratiques prometteuses en matière de méthodes et d’approches d’enquête sur la population susceptibles d’améliorer l’échantillonnage, la mesure et la surveillance dans l’étude des inégalités raciales en santé et des déterminants de la santé pour des sous-groupes de population du Canada, en particulier la population noire. Méthodologie Nous avons utilisé une approche à trois étapes pour déterminer les pratiques prometteuses dans des pays comparables au Canada et leur applicabilité au contexte canadien. Premièrement, nous avons effectué une analyse de sites Web en fonction de nos connaissances préalables des enquêtes et des ensembles de données populationnelles sur la santé. Deuxièmement, nous avons analysé les documents publiés entre 2010 et 2020 afin de recenser les enquêtes et les ensembles de données qui auraient été omis. Troisièmement, nous avons effectué une analyse ciblée des enquêtes sur la santé et des sources de données populationnelles canadiennes afin de dégager les défis et les possibilités liés à la mise en oeuvre de ces pratiques prometteuses. Résultats Nous avons recensé 20 enquêtes et sources de données pertinentes provenant des États-Unis, du Royaume-Uni, de l’Australie et de la Nouvelle-Zélande. Dans plusieurs de ces pays comparables au Canada, l’information sur la concentration raciale ou ethnique des résidents au niveau spatial est utilisée pour mener des stratégies d’échantillonnage ciblées, ce qui permet d’augmenter l’échantillon non blanc. Notre recherche des ensembles de données canadiens existants a révélé que les enquêtes sur la santé et les sources administratives canadiennes n’intègrent généralement pas ces stratégies. Conclusion Le Canada pourrait améliorer la mesure et la surveillance des inégalités raciales en matière de santé par l’utilisation de pratiques d’échantillonnage améliorées pour recueillir des données raciales dans le cadre d’enquêtes et par l’amélioration des procédures pour la cueillette systématique de données provenant de sources administratives et d’autres sources. De nouvelles méthodes prédictives sont également utilisées pour améliorer l’échantillonnage des groupes non blancs, bien qu’une étude plus approfondie de ces méthodes soit nécessaire.
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 | 0,115 | 0,209 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».