Divergences entre les données administratives sur les infections associées aux soins de santé et les données issues de la surveillance active au Canada
Bibliographic record
Abstract
Contexte : Bien que le Canada dispose à la fois d’un système national de surveillance active et de données administratives pour la surveillance passive des infections associées aux soins de santé (IASS), chacun des deux systèmes présente des forces et des faiblesses au niveau de la collecte et de la communication des données. La surveillance active et la surveillance passive fonctionnent de manière indépendante, ce qui donne parfois des résultats divergents. Pour comprendre les divergences qui existent entre les données administratives sur la santé et les données issues de la surveillance active, un examen de la portée a été réalisé. Méthodes : Des recherches ont été menées dans les bases de données Medline, Embase et Cumulative Index to Nursing and Allied Health Literature, ainsi que dans la littérature grise pour trouver des études en anglais et en français évaluant l’utilisation de données administratives, seules ou en comparaison avec les données issues de la surveillance traditionnelle et réalisées au Canada entre 1995 et le 2 novembre 2020. Après avoir extrait les renseignements pertinents des articles sélectionnés, un résumé descriptif des résultats a été présenté, accompagné de suggestions pour améliorer les systèmes de surveillance, dans le but d’optimiser la qualité globale des données. Résultats : Seize articles répondaient aux critères d’inclusion, dont douze études observationnelles et quatre revues systématiques. Ces études ont démontré que l’utilisation d’une seule source de données administratives n’était pas assez précise pour la surveillance des IASS, par rapport à la surveillance active traditionnelle. Cependant, la combinaison de différentes sources de données ou la combinaison de données administratives et de données issues de la surveillance active en améliore la précision. Les systèmes de surveillance électronique peuvent également renforcer la surveillance en augmentant la capacité à détecter les IASS potentielles. Conclusion : Bien que la surveillance active des IASS ait produit les résultats les plus précis et demeure la norme d’excellence en la matière, l’intégration des données issues de la surveillance active et passive peut être optimisée. Les données administratives peuvent être utilisées pour renforcer la surveillance active traditionnelle. De futures études sont nécessaires pour évaluer la faisabilité et les avantages des solutions potentielles proposées pour l’utilisation des données administratives pour la surveillance et la déclaration des IASS au Canada.
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 | 0.004 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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 teacher head, 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".