Validating Chronic Disease Ascertainment Algorithms for Use in the Canadian Longitudinal Study on Aging*
Bibliographic record
Abstract
RÉSUMÉ Nous avons validé sept algorithmes d’évaluation de maladie chronique pour l’usage dans L’Étude longitudinale canadienne (ÉLCV) sur le vieillissement. Les algorithmes ont concerné le diabète type 2, parkinsonisme, obstruction chronique de flux d’air, ostéoarthrite de main, ostéoarthrite de hanche, ostéoarthrite de genou, et la maladie cardiaque ischémique. Notre recrutement de cible était 20 cas et contrôles par chaque maladie. Quelques cas ont été utilisés comme contrôles avec certaines maladies. Tous les participants ont répondu à des questionnaires au sujet des symptômes de la maladie et d’utilisation de médicaments. Les cas et les contrôles de diabète ont subi le test de jeûne de glucose et les cas et les contrôles de l’obstruction chronique de flux d’air ont subi le test de spirométrie. Pour chaque maladie, nous avons utilisé l’algorithme adapté pour classifier si les participants étaient positifs ou négatif pour la maladie. Nous avons également calculé la sensibilité et la spécificité utilisant le diagnostic de médecin comme norme. L’échantillon final a fait participer 176 participants, qui ont été recrutés dans trois villes canadiennes entre 2009 et 2011. La plupart des sensibilités et spécificités étaient 80% ou plus, indiquant que les sept algorithmes peuvent correctement identifier des personnes avec les maladies.
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 | 0.053 | 0.145 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 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".