Maladies cardiovasculaires dans les fichiers médico-administratifs québécois : diagnostics manquants et sous-estimation du nombre de cas dans une cohorte prospective de 28 ans
Bibliographic record
Abstract
Introduction La surveillance des maladies cardiovasculaires (MCV) au Québec et dans le reste du Canada est effectuée à l’aide de fichiers médico-administratifs, parmi lesquels on retrouve, au Québec, le fichier des services médicaux rémunérés à l’acte. La présence d’actes facturés sans diagnostic peut entraîner une sous-estimation du nombre de cas de MCV. L’objectif de cette étude est d’estimer la proportion de diagnostics de MCV et de cas de MCV possiblement manquants dans ces fichiers. Méthodologie L’étude a été réalisée en utilisant une cohorte prospective comprenant 8 781 participants de la région de Québec. L'accès aux fichiers médico-administratifs a été obtenu pour l’ensemble des 28 années de suivi. Nous avons d’abord effectué des analyses de fréquence afin d’estimer la proportion de diagnostics de MCV manquants. Nous avons ensuite utilisé des algorithmes validés afin d’identifier les cas de MCV et d’estimer la proportion de cas de MCV possiblement manquants sur 28 ans. Résultats Environ un cinquième (22,1 %) des diagnostics du fichier des services médicaux rémunérés à l’acte était manquant. La proportion de cas de MCV manquants a été estimée à 12,7 % pour la période 1991-2018, avec des variations selon la période (1991-1996 : 15,5 %; 1997-2013 : 10,7 %; 2014-2018 : 16,3 %). Conclusion Environ 1 cas de MCV sur 10 n’est pas identifié en raison des diagnostics manquants. Cette sous-estimation constitue une limite potentielle dont il faut tenir compte lors de l’utilisation des fichiers médico-administratifs québécois pour l’identification des cas de MCV dans un contexte de travaux de surveillance et d’études épidémiologiques.
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 | 0.009 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 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".