Validité des diagnostics d’autisme recensés à l’aide de données administratives sur la santé
Bibliographic record
Abstract
Il est nécessaire de surveiller la prévalence de l’autisme afin de planifier l’aide à l’éducation et les services de santé à offrir aux enfants qui en sont atteints. C’est pourquoi nous avons réalisé cette étude qui vise à évaluer l’exactitude des bases de données administratives sur la santé en ce qui concerne les diagnostics d’autisme. Pour ce faire, nous avons repéré les diagnostics de troubles du spectre autistique (TSA) dans trois bases de données administratives sur la santé de la province de la Nouvelle-Écosse, soit la base de données sur les congés d’hôpital, la base de données sur la facturation des médecins au régime d’assurance-santé et la base de données du Système d’information sur les patients en clinique externe de santé mentale. Nous avons construit sept algorithmes en variant le nombre requis de déclarations de TSA (une ou plusieurs) et le nombre de bases de données administratives (une à trois) dans lesquelles ces déclarations doivent se retrouver. Nous avons ensuite comparé, avec chaque algorithme, les diagnostics posés par l’équipe attitrée à l’autisme du Centre de santé Izaak Walton Killam (IWK) à l’aide des barèmes de diagnostic de l’autisme les plus perfectionnés, puis nous avons calculé la sensibilité, la spécificité et la statistique C (une mesure de la capacité discriminante du modèle). L’algorithme présentant les meilleures caractéristiques d’essai était celui qui exigeait un code de TSA présent dans n’importe laquelle des trois bases de données (sensibilité = 69,3 %). La sensibilité de l’algorithme fondé sur la présence d’au moins un code de TSA soit dans la base de données sur les congés d’hôpital soit dans la base de données sur la facturation des médecins, était de 62,5 %. Les bases de données administratives sur la santé pourraient représenter une source économique pour la surveillance de l’autisme, surtout par comparaison aux méthodes nécessitant la collecte de nouvelles données. Cependant, il faudrait des sources de données additionnelles pour améliorer la sensibilité et l’exactitude des méthodes de recensement des cas d’autisme au Canada.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".