Estimation du biais lié à l’indice de masse corporelle utilisé dans l’Enquête canadienne sur l’expérience de la maternité
Bibliographic record
Abstract
Introduction Cette étude visait à évaluer le biais dans la mesure de l’indice de masse corporelle (IMC) dans l’Enquête canadienne sur l’expérience de la maternité (ECEM) ainsi que les répercussions possibles de ce biais sur l’association entre l’IMC et certaines issues de grossesse. Méthodologie Nous avons évalué la répartition des valeurs de l’IMC en comparant des données autodéclarées et des données mesurées. Nous avons utilisé un échantillon aléatoire de 6 175 participantes à l’ECEM dont l’IMC avait été calculé d’après la taille et le poids autodéclarés et un échantillon aléatoire de 259 participantes à l’Enquête canadienne sur les mesures de santé (ECMS) ayant déjà accouché et dont l’IMC avait été calculé d’après la taille et le poids autodéclarés et mesurés. Nous avons appliqué deux équations de correction à l’IMC fondé sur des valeurs autodéclarées, et nous avons examiné l’impact de ces corrections sur les associations entre l’IMC et un accouchement par césarienne, un faible poids pour l’âge gestationnel (FPAG) et un poids élevé pour l’âge gestationnel (PEAG). Résultats Dans l’ensemble, 86,9 % des femmes du sous-échantillon de l’ECMS appartenaient à la même catégorie d’IMC lorsque ses valeurs étaient autodéclarées et lorsqu’elles étaient mesurées. Cependant, les différences de répartition ont eu un effet considérable sur la proportion de femmes des catégories de poids insuffisant et d’obésité. Par exemple, le pourcentage de femmes classées comme obèses était de 14,5 % avec les données autodéclarées contre 20,8 % avec les données mesurées. Les corrections ont permis d’améliorer les estimations de la prévalence de l’obésité, mais ont surestimé ou sous-estimé les autres catégories d’IMC. Les corrections ont eu un effet non significatif sur les associations entre l’IMC et l’accouchement par césarienne, le FPAG et le PEAG. Conclusion Bien que la concordance pour la répartition des valeurs de l’IMC entre la taille et le poids autodéclarés et la taille et le poids mesurés soit élevée, il existe un biais dans les mesures fondées sur les valeurs autodéclarées susceptible d’entraîner de légères surestimations ou sous-estimations des risques associés à une catégorie d’IMC donnée. La tendance générale des associations reste néanmoins inchangée.
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 | 0.018 | 0.063 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".