Intérêt de l’analyse des causes multiples dans l’étude de la mortalité aux grands âges : l’exemple français
Bibliographic record
Abstract
En France, la plus grande part des décès se produit aux âges élevés et même très élevés. Le décès est alors souvent l’aboutissement d’un processus complexe qui met en jeu plusieurs affections. Or, la plupart des études traitant des profils ou des tendances de la mortalité par cause reposent uniquement sur la cause initiale du décès. L’objectif de cet article est d’étudier l’impact de la prise en compte des causes multiples (cause initiale, cause directe et causes associées) sur la caractérisation de la mortalité en France à 60 ans ou plus. Les trois causes de décès les plus fréquentes à ces âges (maladies cardio-vasculaires, tumeurs et maladies de l’appareil respiratoire) sont inchangées mais la méthode fait ressortir le poids d’autres pathologies, en particulier le diabète et les troubles mentaux. L’interprétation des associations constatées entre différentes causes est complexe car la multiplicité des combinaisons théoriquement possibles nous oblige à effectuer des regroupements. L’article propose une analyse approfondie pour les deux groupes de causes de décès les plus fréquentes : les maladies de l’appareil circulatoire et les tumeurs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".