Rapport d’étape - Prévenir la mortalité par suicide grâce à des indicateurs individuels, programmatiques et systémiques de la qualité dessoins en santé mentale élaborés à l’aide de grandes bases de données administratives sur la santé
Bibliographic record
Abstract
Le suicide est un enjeu majeur de santé publique au Canada. Si les facteurs individuels et démographiques influent sur le taux de suicide, la qualité des services de santé a également un impact. Dans un système public de soins comme celui du Canada ou celui du Royaume-Uni, la qualité des soins se manifeste à trois niveaux : individuel, programmatique et systémique. L'examen des suicides sert à évaluer les services de santé quant au décès par suicide et, au niveau agrégé, à évaluer ces services à l’échelle des programmes et du système. Les grandes bases de données médico-administratives constituent une autre source de données utile à la prise de décisions sur l’ensemble de la population à l’échelle systémique, programmatique et individuelle et portant sur les services en santé mentale susceptibles d'avoir une influence sur le risque de suicide. Cet article décrit un projet mené à l’Institut national de santé publique du Québec (INSPQ) utilisant le Système intégré de surveillance des maladies chroniques du Québec (SISMACQ), en collaboration avec des collègues du pays de Galles (Royaume-Uni) et de l’Institut norvégien de santé publique. Cette étude décrit l’élaboration d’indicateurs de la qualité des soins à ces trois niveaux et les stratégies connexes d’analyse statistique. Nous proposons 13 indicateurs de soins de santé pouvant être créés à partir d’un système de surveillance des maladies chroniques : déterminant systémique, déterminants démographiques, soins primaires, soins spécialisés, équilibre entre les secteurs de soins, consultation à l’urgence et budgets en santé mentale et toxicomanie.
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 | 0.056 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".