Brief Communication Use of Administrative Data for the Surveillance of Mental Disorders in 5 Provinces
Notice bibliographique
Résumé
Objective: To evaluate the usefulness of administrative data for the surveillance of mental illness in Canada using databases in the following 5 provinces: British Columbia, Ontario, Quebec, Nova Scotia, and Alberta. Method: We used a population-based record-linkage analysis with data from physician billings, hospital discharge abstracts, and community-based clinics. The following diagnostic codes from the International Classification of Diseases, Ninth Edition, were used to define cases: 290 to 319, inclusive. Results: The prevalence of treated psychiatric disorder was similar in Nova Scotia, British Columbia, Alberta, and Ontario at about 15%. The prevalence for Quebec was slightly lower at 12%. Findings from the provinces showed remarkable consistency across age and sex, despite variations in data coding. Women tended to show a higher prevalence overall of treated mental disorders than men. Prevalence increased steadily to middle age, declining in the 50s and 60s, and then increasing again after age 70 years. Conclusions: Provincial and territorial administrative data can provide a useful, reliable, and economical source of information for the surveillance of treated mental disorders. Such a surveillance system can provide longitudinal data at little cost to support health service provision and planning. Can J Psychiatry. 2009;54(8):571–575. Clinical Implications The prevalence of treated mental disorders across Canada is fairly consistent (15%), although Quebec has a slightly lower rate of 12%. Women have a higher prevalence. Provincial and territorial administrative data from hospital morbidity and physician billings are useful for the surveillance of treated mental disorders. These data complement clinical records and community surveys. Such a surveillance system can provide longitudinal data at little cost for health service provision and planning. Using postal codes and census data, it is possible to study differences within jurisdictions based on location (for example, rurality) or socioeconomic status.
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 | 0,007 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».