Effets de la pandémie de COVID-19 sur la réallocation des dépenses de santé publique par fonction : estimation de court terme et analyse prédictive contrefactuelle
Bibliographic record
Abstract
Les crises épidémiologiques comme celle de la pandémie de COVID-19 affectent les systèmes de santé dans de multiples dimensions. Au Québec comme ailleurs, ce genre d'événement majeur peut avoir influencé non seulement les dépenses totales en santé publique, mais aussi leur répartition entre les différentes fonctions de santé publique. Il est donc primordial de mieux comprendre les décisions et arbitrages dans l’allocation des dépenses entre les grandes fonctions de santé publique et aussi mieux comprendre les conséquences des choix qui sont faits. Ce rapport permet précisément d’améliorer notre compréhension de ces questions. Les analyses s’appuient sur des approches économétriques complexes et sur plusieurs sources de données de santé populationnelle, démographiques et socioéconomiques, et sur des données épidémiologiques de la COVID-19 par région et provenant du jeu de données ouvertes disponibles du Partenariat Données Québec et de l’INSPQ. Les auteurs montrent que la pandémie a conduit à une réallocation des sommes en privilégiant certains postes de dépenses aux dépens d'autres. Les dépenses en surveillance de la santé des populations, en promotion de la santé, en prévention des maladies et celles pour la lutte aux Infections transmissibles sexuellement et par le sang (ITSS) ont toutes baissé comparativement aux prévisions de ce qu’auraient été les dépenses dans ces catégories en l’absence de pandémie. Les auteurs suggèrent que la réduction des dépenses en promotion des saines habitudes de vie et en bonne santé mentale, lesquelles font partie des actions de promotion de la santé et de la prévention des maladies, pourrait avoir entrainé des effets délétères sur la santé des populations.
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 | 0.033 | 0.072 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".