La morbidité hospitalière de la population de la région de Montréal : l’exemple du D.S.C. de Lakeshore
Bibliographic record
Abstract
La morbidité hospitalière est un indicateur de l’état de santé de la population. C’est toutefois un indicateur imparfait : il ne retrace que les états qui nécessitent ou qui donnent lieu à un séjour à l’hôpital, et oublie tous les cas de soins effectués dans d’autres conditions, par exemple au cabinet du médecin ou en clinique externe; il fournit un nombre d’admissions et non un nombre de personnes hospitalisées; il ne donne qu’un seul diagnostic et exclut la possibilité de diagnostics multiples. Malgré ses imperfections, c’est un indicateur utile, en par ticulier pour étudier les différences de consommation des services hospitaliers par des populations voisines, qui ont théoriquement accès aux mêmes services. L’intérêt de l’exploitation des données de morbidité hospitalière est ici démontré à l’aide d’un exemple, celui du territoire du Département de santé communautaire (D.S.C.) du Centre hospitalier Lakeshore General de Pointe-Claire, et de ses cinq Centres locaux de services communautaires (C.L.S.C.) existants ou prévus. Que l’on calcule des taux globaux d’hospitalisation, en rapportant le nombre d’admissions à l’hôpital à la population, des taux par âge ou des taux par diagnostic, on constate que la population du D.S.C. Lakeshore se fait toujours moins hospitaliser que la population de la région de Montréal. Cependant, à l’intérieur du D.S.C. Lakeshore, un C.L.S.C. se distingue par des taux toujours supérieurs à ceux du D.S.C, et même de l’ensemble de la région. Or la population de ce C.L.S.C. est, entre autres, moins scolarisée, plus francophone, le pourcentage de propriétaires y est moins élevé que dans l’ensemble du D.S.C. Malgré ses limites, la donnée sur l’hospitalisation paraît donc reliée à l’état de santé comparatif des populations et à des variables socio-économiques qu’il faudra étudier davantage dans le but de mettre sur pied des programmes de prévention efficaces.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".