Taux de maladies chroniques au Canada : quel dénominateur utiliser pour l’estimation de l’ensemble de la population?
Bibliographic record
Abstract
Introduction Les taux de maladies chroniques du Système canadien de surveillance des maladies chroniques (SCSMC) de l’Agence de la santé publique du Canada sont fondés sur les données administratives sur la santé fournies par les ministères de la Santé des provinces et des territoires. Les dénominateurs utilisés pour calculer ces taux reposent sur des estimations de population tirées des dossiers d’assurance-maladie, données toutefois pas systématiquement accessibles à tous les chercheurs. Le recensement de Statistique Canada constitue quant à lui une autre source d’estimation de la taille de la population. Notre étude visait d’abord à calculer les principaux écarts entre les dénominateurs de population à partir des estimations du SCSMC et à partir de celles de Statistique Canada et ensuite à déterminer les causes à l’origine des écarts entre ces sources de données. Méthodologie Nous avons comparé pour 2009 les dénominateurs fournis par le SCSMC et ceux fournis par Statistique Canada. Le dénominateur du SCSMC a été ajusté pour tenir compte des composantes de la croissance (naissances, décès, émigrants et immigrants) tirées des données de recensement de Statistique Canada. Résultats Le dénominateur non ajusté du SCSMC était de 34 429 804 personnes, soit une différence de + 3,2 % par rapport à l’estimation de population de Statistique Canada pour 2009. Après ajustement du dénominateur du SCSMC pour tenir compte des composantes de la croissance, la différence entre les deux estimations s’est trouvé réduite à 431 323 personnes, soit un écart de 1,3 %. L’estimation tirée du SCSMC constitue une surestimation par rapport à celle de Statistique Canada. Le plus grand écart entre les deux estimations relève de la composante de croissance liée à l’immigration, alors que l’écart le moindre provient de la composante de croissance liée à la population émigrante. Conclusion Disposant des descriptions de données par source de données, les chercheurs peuvent choisir quelle estimation de la population utiliser dans leurs calculs des fréquences de 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 | 0.016 | 0.051 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.009 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".