Risk factors and predictive performance for first healthcare encounter indicating homelessness using administrative data among Calgary residents diagnosed with addiction or mental health conditions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle