Les outils québécois de collecte d’information en périnatalité
Bibliographic record
Abstract
Les banques de données sont des outils essentiels pour l’évaluation de la performance du système de santé, le suivi des actes médicaux et l’étude de pathologies particulières. Le Québec est doté d’un système public de santé et de services sociaux où le gouvernement défraie la majeure partie des soins. Chaque Québécois se voit attribuer un identifiant unique: le numéro d’assurance maladie. Aux statistiques de l’état civil (naissances, mortinaissances et décès) s’ajoutent des banques de données spécifiques au système public québécois. La banque MED-ÉCHO est bâtie à partir du sommaire d’hospitalisation que sont tenus de transmettre tous les centres hospitaliers. On y retrouve de l’information démographique ainsi que des renseignements sur les diagnostics principal et secondaires, les interventions thérapeutiques et l’investigation. Dans le fichier des diagnostics regroupés pour la gestion (DRG), construit à partir de MED-ÉCHO, chaque séjour hospitalier se voit attribuer un DRG témoignant des principaux diagnostics, interventions et ressources impliqués. Utilisés au niveau de la gestion des centres hospitaliers et du système de santé, les DRG facilitent la comparaison de la durée de séjour dans les différents centres hospitaliers, pour un problème spécifique. La Régie de l’assurance maladie du Québec rétribue l’ensemble des médecins participant au régime public de santé; ses fichiers permettent de suivre les actes médicaux posés tant en cabinet privé qu’en milieu hospitalier. Le Comité d’enquête sur la mortalité et morbidité périnatale du Collège des médecins du Québec possède des pouvoirs légaux pour enquêter sur tous les décès périnataux survenant au Québec; il émet des rapports sur l’évolution des soins périnataux au Québec. À ces fichiers principaux s’ajoute une constellation d’autres petits fichiers.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
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; both teacher heads agree on what is shown here.
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".