Bibliographic record
Abstract
De nombreuses études montrent des relations entre la météorologie et la santé pour \ndiverses maladies. La connaissance de ces relations permet d’améliorer les optiques de \nprévention. Toutefois, différentes maladies sont influencées à différents degrés par la \nmétéorologie. Dans le présent travail, on s’intéresse à modéliser l’effet de la \nmétéorologie sur la survenue de journées avec valeurs extrêmes (maximales) \nd’incidence de morbidité pour la province de Québec pendant la période 1988-2008. On \ns’intéresse aux valeurs extrêmes d’incidence de morbidité parce qu’ils ont le potentiel de \ncauser le plus d’impacts sur la population et d’entraîner des répercussions dans le \nréseau de la santé. \nUne méthode automatisée est développée pour détecter les valeurs extrêmes dans les \nséries chronologiques de morbidité. Avec cette méthode, les valeurs extrêmes sont \ncontrôlées pour l’effet de la tendance à long terme, de la saisonnalité, des jours de la \nsemaine et des jours fériés. Afin de vérifier son applicabilité, cette méthode est \nappliquée sur chacune des régions sociosanitaires du Québec pour une dizaine de \ncatégories de maladies. \nLa modélisation et l’analyse de l’impact de la météorologie sur la morbidité extrême sont \neffectuées pour la grande région de Montréal pour deux catégories de maladies : \nurgences problèmes cardiaques et hospitalisations traumatismes. Des sous-populations \nbasées sur le sexe, l’âge et l’indice de défavorisation matérielle sont également \nconsidérées, et ce, pour trois saisons. Une régression logistique dans le cadre des \nmodèles additif généralisé est utilisée pour modéliser le lien entre la variable de santé et \nles conditions météorologiques des jours précédents. Le krigeage est utilisé pour obtenir \ndes séries météorologiques spatialement représentatives de la région étudiée. \nLes résultats de la modélisation montrent que pour les maladies cardiovasculaires, les \ntempératures froides et une épaisseur élevée de neige au sol, sont des facteurs de \nrisque sur l’ensemble de l’année pour toute la population. Pour les traumatismes, la \nprésence de précipitations en hiver, jumelée à des températures près du point de \ncongélation, est un facteur de risque pour toute la population. Des températures élevées \ndurant l’été sont également un facteur de risque pour les zones défavorisées autant pour \nles hommes que pour les femmes. Les risques associés aux autres variables \nmétéorologiques diffèrent selon le sexe et l’âge et varient selon la saison. \nLa méthodologie de la modélisation adoptée dans l’article peut être utilisée pour d’autres \nrégions du Québec et pour d’autres catégories de maladies. \n
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".