Risk factors and predictive performance for first healthcare encounter indicating homelessness using administrative data among Calgary residents diagnosed with addiction or mental health conditions
Notice bibliographique
Résumé
Individuals diagnosed with addiction or mental health (AMH) conditions are more likely to experience potentially adverse outcomes of homelessness. Despite their link to later outcomes, research on initial episodes of AMH outcomes is limited. This study aims to use administrative data to identify the factors associated with the first healthcare encounters with indicators of homelessness (FHE-H) for individuals diagnosed with AMH. We assessed logistic regression and compared its performance with machine learning models, including random forests and extreme gradient boosting (XGBoost). We conducted a retrospective cohort study linking several administrative datasets for 232,253 individuals with Alberta health insurance in Calgary, Canada, who were aged between 18 and 65 and diagnosed with AMH between April 1, 2013, and March 31, 2018. We assessed outcomes in two years following cohort entry. Individuals with episodes of FHE-H (2,606 individuals) before the index date were excluded. Multivariable logistic regression models were used to identify factors associated with outcomes by estimating adjusted odds ratios (AORs) with 95% confidence intervals. Among 229,647 individuals diagnosed with AMH, 1,886 (0.82%) experienced FHE-H during the follow-up period. Mental health emergency visits (AORs=5.28 [95% CI: 4.41, 6.33]), substance misuse (AORs=3.87 [95% CI: 3.28, 4.56], substance use disorders (AORs=2.03 [95% CI: 1.64, 2.50]), and male sex (AORs=1.28 [95% CI: 1.14, 1.44]) were associated with FHE-H. XGBoost performance improved over logistic regression, with increases in area under the curve (AUC) by 1% and precision by 2%. Overall, several AMH features were associated with FHE-H, and machine learning models outperformed logistic regression, although to a small degree.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».