Corrélats de l’âge au moment du diagnostic de troubles du spectre autistique dans six régions canadiennes
Bibliographic record
Abstract
Introduction La détection précoce des troubles du spectre autistique (TSA) est importante, étant donné qu’une exposition rapide à des programmes d’intervention comportementale peut améliorer les résultats pour l’enfant. De plus, elle permet aux familles d’accéder rapidement à d’autres traitements et services de soutien. Méthodologie À l’aide d’une modélisation linéaire généralisée, nous avons examiné l’association entre les caractéristiques de l’enfant et de la famille et l’âge auquel 2 180 enfants ont reçu un diagnostic de TSA entre 1997 et 2005 dans six régions du Canada. Résultats Un diagnostic de trouble envahissant du développement non spécifié (TED-NS) ou de syndrome d’Asperger, le fait d’habiter en milieu rural, un diagnostic posé récemment et le fait d’être né à l’étranger étaient associés à un âge avancé au moment du diagnostic. Les enfants appartenant à une minorité visible ou ayant une sœur ou un frère atteint de TSA étaient plus nombreux à recevoir un diagnostic précoce. Toutefois, considérés dans leur ensemble, ces facteurs ne suffisent pas à expliquer la variation de l’âge au moment du diagnostic. Conclusion S’il est encourageant de constater que l’identité ethnoculturelle, le revenu du quartier, le fait d’habiter en milieu urbain ou rural et le sexe de l’enfant ne constituaient pas des facteurs majeurs contribuant aux disparités liées à l’âge auquel les enfants reçoivent un diagnostic de TSA, il y a tout de même lieu de poursuivre les recherches afin de déterminer les facteurs qui expliquent vraiment les différences observées. Les variations régionales des effets de plusieurs facteurs laissent croire que l’agrégation des données ne constitue peut-être pas une stratégie optimale si les conclusions visent à orienter les politiques et la pratique clinique à l’échelle locale.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 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; 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".