Surveillance des accidents vasculaires cérébraux au Manitoba, Canada : Estimations fondées sur des bases de données administratives
Bibliographic record
Abstract
Dans la présente étude, nous nous sommes penchés sur l'utilisation des bases de données administratives en matière de population dans la surveillance des accidents vasculaires cérébraux. Nous avons tout d'abord effectué une méta-analyse de quatre études, relevées au moyen d'une recherche dans PubMed, qui visaient à évaluer la sensibilité et la spécifi cité des données des hôpitaux dans la détermination des cas d'accident vasculaire cérébral lorsque les registres cliniques ou les dossiers médicaux étaient la méthode de référence. Nous avons ensuite mis au point des algorithmes de détermination des cas fondés sur les données des hôpitaux ainsi que les données relatives aux médecins et aux médicaments de prescription. Enfin, nous avons appliqué ces algorithmes aux données administratives du Manitoba, ce qui a permis d'obtenir des estimations de la prévalence pour les années fi nancières 1995-1996 à 2003-2004, par groupe d'âge, sexe, région de résidence et quintile de revenu. Les résultats de la méta-analyse ont fait ressortir une certaine surdétermination des cas d'accident vasculaire cérébral à partir des données des hôpitaux, lorsque l'algorithme était fondé sur les codes de diagnostic applicables à n'importe quel type de maladie vasculaire cérébrale (rapport de cotes de Mantel-Haenszel [RC] = 1,70 [intervalle de confiance (IC) à 95 % : 1,53-1,88]). Les analyses des données administratives du Manitoba ont révélé que même si le nombre total de cas d'accident vasculaire cérébral variait considérable ment selon l'algorithme, la tendance de la prévalence était stable indépendamment de l'algorithme utilisé.
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 | 0.035 | 0.096 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.006 |
| Bibliometrics | 0.009 | 0.021 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".