Compter les morts? Une analyse de la mortalité excédentaire récente en temps de pandémie
Bibliographic record
Abstract
Plusieurs pays publient maintenant depuis plusieurs semaines le nombre total de décès hebdomadaires et mensuels en plus des décès identifiés comme étant dus à la COVID-19. Le New York Times met à jour quotidiennement un tableau de bord pour plusieurs pays. Le besoin de cette statistique n’est pas un caprice des chercheurs et statisticiens qui se penchent sur la question, mais bel et bien une nécessité pour comprendre la situation. Dans un article récent du Lancet, un groupe d’auteurs soulignait l’urgence de mettre en place un système de statistiques permettant de faire le suivi de la mortalité excédentaire totale, c’est-à-dire la mortalité qui excède celle qui serait attendue en temps normal, peu importe la cause. D’abord, se comparer entre juridictions est difficile si on regarde le nombre de décès liés à la COVID-19 puisque ce nombre varie selon les pratiques d’identification et de classification des causes de décès. Ensuite, parce qu’une pandémie de l’ampleur de la COVID-19 peut mener à des décès qui ne sont pas dus au virus – des décès indirects. Par exemple, certaines personnes pourraient retarder une visite à l’urgence. D’autres pourraient voir leur chirurgie retardée parce qu’une priorité aurait été donnée aux cas de COVID-19 et que les médecins sont occupés à d’autres tâches, par exemple en centre d’hébergement et de soins de longue durée. Ainsi, une mesure ultime d’impact de la pandémie est le nombre de décès total. Par rapport à nombre d’autres juridictions européennes ou américaines, le Québec fait piètre figure en ce qui a trait à la publication de chiffres récents sur la mortalité. Sur le site de l’Institut de la statistique du Québec (ISQ), on peut obtenir les décès mensuels jusqu’à février 2020. Plusieurs chercheurs ont souligné cette problématique dans les médias. Le 15 mai 2020, un article de La Presse par Tristan Péloquin se basant sur les données du registre de l’état civil fait état de 6349 décès en mars et de 7662 en avril. En utilisant ces données imparfaites, auxquelles il y aura certainement des ajustements à faire, nous avons tenté de faire rapidement un exercice permettant de mieux cerner la mortalité excédentaire préliminaire.
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 | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".