Bayesian estimation of the prevalence of osteoarthritis in the Québec elderly population from an administrative database
Notice bibliographique
Résumé
Osteoarthritis (OA) is the most prevalent form of arthritis. It is a disabling condition that mostly affects the elderly with huge costs to society. Estimating the prevalence of OA is important for planning health services, for creating programs aimed to prevent OA disability and for assisting patients living with these disabilities. Several authors have attempted to estimate the prevalence of OA using data obtained from self-report questionnaires or administrative databases. Self-report questionnaires are prone to recall bias and estimates from administrative databases have relied solely on diagnostic codes, that can sometimes be inaccurate. If data from three presumed conditionally independent tests are used to estimate the prevalence, then the problem is identifiable, meaning that all parameters can be estimated without imposing constraints on the parameter space. When data from the three conditionally independent diagnostic tests were considered, the estimated prevalence of OA was 14.8% (95% CI: 14.5-15.1). A moderate degree of variation in this prevalence estimate was found across different models carrying different assumptions. The Bayesian latent class methodology used is advantageous in accounting for the different estimates that may arise from different sets of modelling assumptions. As the validity of the results rely on various assumptions, all of which are difficult to verify, final conclusions depend on which assumptions are thought most likely to be true, and the degree of robustness of estimates across different models.
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 | 0,010 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».