Sources de données des populations utilisées en surveillance des maladies chroniques
Bibliographic record
Abstract
Dans cette étude, on a estimé la concordance entre les données des populations administratives et les données des populations d'enquête lorsqu'il s'agit de déterminer les cas d'arthrite, d'asthme, de diabète, de cardiopathie, d'hypertension et d'accident vasculaire cérébral. Des définitions de cas de maladies chroniques, qui variaient de par la source des données, le nombre d'années de données et les codes de diagnostic et de médicaments prescrits employés, ont été élaborées à partir des données administratives du Manitoba. Un recoupement a ensuite été fait entre ces données et celles tirées de l'Enquête sur la santé dans les collectivités canadiennes. La concordance entre ces deux sources de données, estimée par le coefficient κ, a été calculée pour chaque définition de cas, et les différences ont été testées. Les variables socio-démographiques et les variables liées à la comorbidité en lien avec la concordance ont été testées au moyen d'une régression logistique pondérée. C'est pour le diabète et l'hypertension que l'on a observé la concordance la plus élevée, et pour l'arthrite que l'on a observé la concordance la plus faible. Les éléments de la définition de cas qui contribuaient à la concordance la plus élevée entre les deux sources de données des populations variaient selon les maladies chroniques. Il est probable que les données administratives et les données d'enquête concordent peu dans le cas des affections qui sont difficiles à diagnostiquer, mais cette concordance est aussi influencée par les caractéristiques socio-démographiques et l'état de santé des individus. Toute définition de cas de maladie chronique fondée sur des données administratives devrait être accompagnée d'une justification du choix de chacun de ses éléments.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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; both teacher heads agree on what is shown here.
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".