Causes multiples de décès chez les personnes âgées au Québec, 2000-2004
Bibliographic record
Abstract
Afin d'effectuer les classements et les analyses portant sur la mortalité selon la cause médicale de décès, il est d'usage d'utiliser uniquement la cause initiale de décès, qui représente la maladie ou le traumatisme ayant initié la séquence d'événements menant au décès. Cette méthode comporte plusieurs limites. L'analyse de causes multiples, qui a la qualité d'utiliser toutes les causes citées sur le certificat de décès, serait particulièrement indiquée pour mieux expliquer la mortalité puisque les décès sont souvent attribuables à plusieurs processus morbides concurrents. L'analyse des causes multiples de décès chez les personnes âgées au Québec pour les années 2000-2004 permet d'identifier plusieurs conditions ayant contribué au décès, mais n'ayant toutefois pas été sélectionnées comme cause ayant initié le processus morbide. C'est particulièrement le cas de l'hypertension, de l'athérosclérose, de la septicémie, de la grippe et pneumonie, du diabète sucré et de la néphrite, syndrome néphrotique et néphropathie. Cette recherche démontre donc l'importance de la prise en compte des causes multiples afin de dresser un portrait plus juste de la mortalité québécoise aux âges où se concentrent principalement les décès que le permet l'analyse de la cause initiale seule.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".