Bridging the Gap: Access to Care, Diagnostic Concordance, and Self-Rated Health in Older Adults
Notice bibliographique
Résumé
Abstract Self-rated health (SRH) is a widely utilized indicator of population health, shaped by multiple domains. Prior research has established that functioning, diseases, and pain are the most influential contributors to SRH in Canada, particularly among older adults. However, the role of access to care in shaping the diagnosis domain—and by extension, its influence on SRH—remains underexplored. We use the TorSaDE cohort, a linked dataset combining five cycles of the Canadian Community Health Survey (CCHS 2007-2016) with administrative health data covering the entire population of the province of Québec, Canada, enabling comprehensive analysis of health trajectories and outcomes among community-dwelling older adults. Using these linked data, we categorize participants into three diagnostic groups: (1) self-reported diagnosis only, (2) administrative (algorithmic) diagnosis only, and (3) concordant diagnosis across both sources. We conducted these analyses for both diabetes and major neurocognitive disorders (MNCD), and we examined the differences in self-ratings of health between these groups, and across a range of sociodemographic characteristics. We found that individuals with only algorithmically detected diagnoses reported significantly better self-rated health compared to the other two groups. This pattern was consistent for both diabetes and MNCD. These findings provide strong support for the cognitive model of self-rated health, suggesting that individuals primarily base their health assessments on known, consciously acknowledged diagnoses. Furthermore, this reliance on known information appears to override other “objective” health indicators, such as the intensity of health care utilization (as algorithmic detection inherently requires significant interaction with the health care system).
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 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».