Child and youth chronic physical health conditions: a comparison of survey data and linked administrative health data in Ontario
Notice bibliographique
Résumé
BACKGROUND: Population-based studies in Canada and the United States estimate chronic physical health conditions affect between 20 to 30% of children aged 0 to 17. Challenges in measuring chronic conditions include the use of inconsistent definitions and algorithms that capture a limited number of conditions. Thus, we developed a chronic health condition (CHC) algorithm using administrative data to determine whether a child has a CHC based on (1) the diagnosis recorded for the visit, (2) the number of visits, and (3) within a specific reference period. METHODS: Data were from the cross-sectional 2014 Ontario Child Health Study, linked with Ontario Health Insurance Plan (OHIP) administrative health data. Unweighted prevalence estimates and agreement analyses (Cohen's Kappa, sensitivity, specificity) were used to compare the survey parent-reported and algorithm-based presence of a CHC. RESULTS: 31.8% and 27.1% of children and youth had a CHC based on administrative and survey data, respectively. Agreement between administrative and survey data was poor (k = 0.17). Among a few specific conditions, agreement varied depending on the type of condition (e.g., diabetes k = 0.77 vs health conditions k = 0.21). CONCLUSION: We found considerable discrepancies between administrative and survey-reported data. The results highlight the importance of using algorithms developed from multiple datasets to examine complex research questions, such as the measurement of chronicity.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».