Mortalité par cause en fonction du niveau de compétence professionnelle au Canada : une étude de suivi sur 16 ans
Bibliographic record
Abstract
Introduction Les données sur la mortalité par profession n'étant pas facilement accessibles au Canada, nous avons analysé des données issues du recensement pour étudier les taux de mortalité par cause au sein de différents groupes de professions hiérarchisés par niveaux de compétence. Méthodologie Un échantillon de 15 % des répondants de 25 ans et plus au recensement du Canada de 1991 avait été précédemment couplé avec 16 années de données sur la mortalité (1991-2006). Notre analyse est fondée sur une cohorte de 2,3 millions de personnes âgées de 25 à 64 ans au début de l'étude, au sein de laquelle 164 332 décès ont été enregistrés au cours de la période de suivi. Les professions ont été classées conformément à la Classification nationale des professions et ont été réparties en cinq groupes de niveaux de compétence. Les taux de mortalité normalisés selon l'âge (TMNA), les rapports de taux (RT), les différences de taux (DT) et la surmortalité ont été calculés par niveau de compétence professionnelle pour différentes causes de décès. Résultats Les TMNA variaient clairement selon le niveau de compétence : ils étaient plus élevés chez les personnes occupant un poste non spécialisé (et chez celles sans emploi) et moins élevés chez celles occupant un poste professionnel. Chez les hommes, les RT toutes causes confondues étaient de 1,16, 1,40, 1,63 et 1,83 à mesure que le niveau de compétence professionnelle diminuait et en référence au groupe des professionnels. Chez les femmes, le gradient était moins prononcé : 1,23, 1,24, 1,32 et 1,53. Nous avons observé ce gradient pour la plupart des causes de décès. Les RT concernant les niveaux de compétence les plus faibles par rapport aux plus élevés étaient supérieurs à 2 pour le VIH/sida, le diabète sucré, le suicide et le cancer du col de l'utérus, ainsi que pour les causes de décès associées au tabagisme et à la consommation excessive d'alcool. Conclusion Les gradients de la mortalité par niveau de compétence professionnelle étaient clairs pour la plupart des causes de décès. Ces résultats fournissent des indicateurs de référence détaillés sur la mortalité par cause qui n'étaient pas disponibles au Canada auparavant.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.006 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| 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".