MétaCan
Menu
Back to cohort
Record W2808857678 · doi:10.1017/s0714980818000235

Use of Hospitals by Older versus Younger Canadians: Myths and Misconceptions

2018· article· fr· W2808857678 on OpenAlexaffabout
Donna M. Wilson, Ye Shen, Gail Low

Bibliographic record

VenueCanadian Journal on Aging / La Revue canadienne du vieillissement · 2018
Typearticle
Languagefr
FieldHealth Professions
TopicGlobal Health Care Issues
Canadian institutionsProvincial Laboratory of Public HealthUniversity of Alberta
Fundersnot available
KeywordsPolitical scienceHumanitiesArt

Abstract

fetched live from OpenAlex

RÉSUMÉ Afin de mieux répondre aux préoccupations concernant l’utilisation intensive des hôpitaux par les personnes âgées et l’augmentation subséquente des listes d’attente et de l’attente dans les services de santé hospitaliers au Canada, les données anonymes individuelles des patients hospitalisés en 2014-2015 dans toutes les provinces et territoires (sauf le Québec) ont été analysées. Les personnes de plus de 65 ans composaient 37 % de tous les épisodes de consultation hospitalière et 41,5 % des admissions en soins spéciaux (unités de soins intensifs ou coronariens). De tous les individus admis, 32,8 % étaient des personnes âgées. Les données montrent aussi que seulement 14,3 % des aînés canadiens vivant à l’extérieur du Québec ont été admis à l’hôpital une ou plusieurs fois cette année. Cette étude indique que des problématiques qui ne sont pas liées à l’utilisation des hôpitaux par les personnes âgées devraient être prises en compte en priorité au Canada pour améliorer l’accessibilité aux soins hospitaliers. L’amélioration des soins aux personnes âgées est aussi indiquée, considérant le risque plus élevé d’admission ou de mort à l’hôpital, et leurs séjours plus longs en milieu hospitalier, qui pourraient être expliqués par un manque de services hospitaliers et communautaires adaptés aux aînés.

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 imitation

Not 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.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.002
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: Not applicable
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.215
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0020.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0010.001
Science and technology studies0.0020.001
Scholarly communication0.0000.001
Open science0.0010.000
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0040.000

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.

Opus teacher head0.031
GPT teacher head0.315
Teacher spread0.284 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations1
Published2018
Admission routes2
Has abstractyes

Explore more

Same venueCanadian Journal on Aging / La Revue canadienne du vieillissementSame topicGlobal Health Care IssuesFrench-language works237,207