Évaluation de l’exactitude du Système canadien hospitalier d’information et de recherche en prévention des traumatismes dans la représentation des taux de traumatismes crâniens légers au Québec
Bibliographic record
Abstract
Introduction L’augmentation récente du nombre de cas de traumatismes crâniens légers (TCL) dans la population pédiatrique est étayée par de nombreuses études au Canada et aux États-Unis. L’objectif de notre étude était de comparer les taux de TCL du Système canadien hospitalier d’information et de recherche en prévention des traumatismes (SCHIRPT) à Montréal aux taux fondés sur la population (taux de TCL au Québec). Méthodologie Nous avons calculé les taux de TCL du SCHIRPT selon deux méthodes, en utilisant comme dénominateur : 1) toutes les blessures du SCHIRPT et 2) le nombre d’enfants et de jeunes de 0 à 17 ans vivant dans un rayon de 5 km de l’un des deux centres participant au SCHIRPT à Montréal. Nous avons comparé les taux de TCL du SCHIRPT aux taux provinciaux en fonction du sexe et de l’âge. Résultats Que le dénominateur soit l’ensemble des blessures du SCHIRPT ou le nombre d’enfants et de jeunes de 0 à 17 ans vivant dans un rayon de 5 km de l’un des deux centres participant au SCHIRPT à Montréal, les fluctuations observées dans le SCHIRPT se sont révélées parallèles à celles des taux du Québec entre 2003 et 2016. Avec la stratification des données selon le sexe et l’âge, le SCHIRPT a généré de meilleures estimations des taux fondés sur la population pour les groupes d’âge les plus jeunes (de 0 à 4 ans) et les plus âgés (de 13 à 17 ans). Conclusion Le SCHIRPT de Montréal est un outil valable pour estimer les variations des taux de TCL au sein de la population. Il pourrait donc aussi être utilisé pour estimer les taux fondés sur la population pour d’autres types de blessures.
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 | 0.021 | 0.063 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".