Integrating Approaches to Geographic Variation in Methodologies for Public Health Surveillance
Notice bibliographique
Résumé
Epidemiology is increasingly recognizing the complexity of the underlying mechanisms determining health states. Public health surveillance needs to incorporate this knowledge into their regular reporting and analysis cycles. Aggregate data related to a multitude of health related states and risk factors is produced and publicly shared by public health surveillance. These large stores of aggregate data have the potential to be combined and analyzed to capture much of the underlying complexity. The aim of this thesis is to advance the methods used in public health surveillance for combining and analyzing these disparate sources of aggregate data. Three papers address this aim by focusing on (1) developing a sound methodology using funnel plots for the analysis of aggregate health data, especially addressing the issues of policy relevant analysis and overdispersion, (2) developing a spatial scan statistic capable of identify multiple irregularly shaped clusters in aggregate space-time data, and (3) applying the funnel plot and spatial scan techniques to childhood immunization surveillance in Alberta. These papers conclude that (1) the funnel plot methodology is a robust way of creating policy relevant analysis with understandable visualizations in the presence of overdispersion, (2) the novel MultScan spatial scan performs well at cluster detection, and (3) sophisticated surveillance of childhood immunization can be undertaken accounting for a wide variety of determinants using available aggregate data.
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 | 0,105 | 0,256 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,011 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».