Aperçu - Vingt ans de surveillance du diabète grâce au Système canadien de surveillance des maladies chroniques
Bibliographic record
Abstract
En 1999, le gouvernement du Canada, en collaboration avec les provinces et les territoires, met sur pied le Système national de surveillance du diabète (SNSD) afin de suivre l’évolution des taux de diabète au Canada. Le SNSD utilise alors une nouvelle méthode pour recueillir et communiquer les données nationales sur le diabète de façon systématique, au moyen de bases de données administratives sur la santé reliées entre elles. Depuis, il a évolué pour devenir le Système canadien de surveillance des maladies chroniques (SCSMC) et fournit de l’information sur plus de 20 maladies chroniques. Cet article présente les données les plus à jour du SCSMC sur les taux de diabète au Canada. Actuellement, 8,8 % des Canadiens (9,4 % d’hommes et 8,1 % de femmes d’un an et plus) sont atteints de diabète, et environ 549 nouveaux cas sont diagnostiqués chaque jour. Depuis 2000, le taux de prévalence normalisé selon l’âge a augmenté en moyenne de 3,3 % par année, le taux d’incidence normalisé selon l’âge est demeuré relativement stable et les taux de mortalité toutes causes confondues chez les personnes atteintes de diabète ont diminué en moyenne de 2,1 % par année. Cela laisse entendre que l’on vit plus longtemps avec un diagnostic de diabète.
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 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.017 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".