Poster Introductions I--Productivity Losses of Chronic Diseases Among Canadian Labour Force from 1994 to 2005: Estimate from the Nationally Representative Samples
Notice bibliographique
Résumé
Objective: This study estimates the productivity losses from different chronic disorders (e.g., heart conditions, diabetes, cancer) and some measures of risk factors (smoking, drinking) in two period of time, 1994 and 2005, among Canadian labour force.\nMethods: Using the data from the National Population Health Survey 1994 and Canadian Community Health Survey2005, the probability of having disability days, number of disability days, and income losses have been estimated and compared in years 1994 and 2005. In each year, a two-part model is used to estimate the impact of DM and other chronic disorders on labour market outcomes. Part one uses logistic regression to estimate the impact of risk factors and chronic diseases on the probability of having any disability day; part two uses log-transformed OLS regression with smearing correction to estimate the impact of each risk factor and chronic disorder on number of the disability days.\nResults: Over the past decade, the prevalence of most of the chronic disorders (e.g., diabetes, Depression, and obesity) have been increased. However, the prevalence of smoking has been decreased, and the number of regular drinkers and physical exercise has been increased. The overall trend of disability days has been increased insignificantly, for women and men.\nConclusions: The results are of use to policy makers and health service researchers interested in identifying and quantifying chronic-related productivity losses using econometric modeling.\nFarah Farahati received her PhD. in applied microeconomics from the Department of Economics, Northern Illinois University in May 2001. Following the completion of her doctoral studies, she has worked and collaborated in many academic and governmental agencies projects, such as Centers for Mental Health care Research, University of Arkansas for Medical Sciences, the Center for Program for Assessment of Technology and Health (PATH), McMaster University, the Canadian Agency for Drugs and Technologies in Health (CADTH) and most recently at the Toronto Health Economics Technology Assessment Collaborative (THETA) and Walkereconomics, inc. Farah's work experience includes applying econometric analysis and outcomes research methodologies to the health care services issues such as decision analytic modeling, cost-effectiveness analysis, and budget impact, direct and indirect burden of illness studies.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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) | 0,059 | 0,007 |
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 ».