Utilisation des données administratives pour comprendre la distribution géographique de la détermination des cas
Bibliographic record
Abstract
Résumé Nous avons examiné la variabilité géographique de l’information générée à partir de différentes définitions de cas d’asthme infantile, provenant des données administratives sur la santé utilisées en Alberta, au Canada. Notre objectif était de déterminer si les analyses fondées sur différents algorithmes de détermination des cas permettent ou non de définir les groupes géographiques dans la même région que celle sur laquelle porte l’étude. Notre groupe d’étude reposait sur une cohorte fermée d’enfants asthmatiques nés en 1988. Nous avons utilisé une statistique sur l’analyse spatiale pour établir les variations de l’emplacement approximatif des groupes géographiques liés à l’asthme selon différentes définitions de cas. Nos résultats indiquent que l’algorithme de détermination des cas et la source de données n’ont pas une très grande incidence sur les profils géographiques. Par exemple, les asthmatiques identifiés à partir des données sur les réclamations au titre de frais médicaux ont démontré un regroupement semblable à celui des asthmatiques définis à partir des données sur l’hospitalisation et provenant du service d’urgence. Cependant, il faut bien prendre en considération les estimations de la prévalence et de l’incidence et les valider par rapport aux autres sources de données.
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 | 0.079 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.012 | 0.015 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".