Évaluation des associations de facteurs de risque de dépression de l’Enquête nationale sur la santé de la population : une étude de simulation évaluant la vulnérabilité au biais
Bibliographic record
Abstract
Contexte Au Canada, l’Enquête nationale sur la santé de la population (ENSP) est la principale source de données longitudinales sur l’épidémiologie des épisodes de dépression majeure (EDM). Cependant, le moment auquel les interviews sont réalisées pourrait soulever des doutes sur la qualité des estimations fournies par l’ENSP. Plus précisément, l’interview effectuée dans le cadre de l’ENSP vise à évaluer les EDM survenus au cours de l’année qui a précédé l’interview, alors que les interviews sont réalisées à deux ans d’intervalle. La présente étude visait à déterminer si l’on doit s’attendre à ce que cet aspect de l’ENSP introduise un biais dans les estimations longitudinales des associations de facteurs de risque. Méthodologie Un modèle de simulation a été utilisé pour représenter l’épidémiologie de base et les résultats attendus d’une étude adoptant l’approche de l’ENSP en matière d’évaluation des EDM. Ce modèle a servi à analyser l’ampleur de la distorsion des estimations qui en découle pour divers rapports des risques instantanés sous‑jacents. Résultats Les simulations ont révélé que le moment des interviews de l’ENSP et la période visée par ces interviews sur la dépression semblent ne pas introduire de biais important. Le modèle semblait indiquer que l’incidence serait sous‑estimée en raison des épisodes non recensés, mais qu’aucune distorsion importante des estimations des associations n’en découlerait. Conclusion Le moment auquel ont lieu les interviews de l’ENSP ne devrait pas fausser les estimations du risque relatif. Il se peut, bien entendu, que les estimations de l’ENSP soient minées par d’autres sources de biais.
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 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".