Trajectoires de soins des grands utilisateurs : exploitation des données de la cohorte torsade
Bibliographic record
Abstract
Cette étude analyse les trajectoires de soins des grands utilisateurs (GU) de services de santé au Québec, en exploitant la cohorte TorSaDe, qui combine des données administratives de santé et des réponses d’enquête sur une période de dix ans (2007–2016). Elle visait à : (1) caractériser les GU selon leurs profils démographique, clinique et socio-économique; (2) classifier leurs trajectoires d’utilisation des soins par analyse en classes latentes (ACL); et à (3) identifier les facteurs associés à l’appartenance aux différentes classes en utilisant une régression logistique multinomiale. Nous avons défini les GU comme appartenant aux 5 % des utilisateurs ayant les coûts annuels de soins les plus élevés. Les résultats montrent que les GU sont majoritairement plus âgés, socialement défavorisés, porteurs de comorbidités multiples et qu’ils présentent des besoins élevés en soins. Les forêts aléatoires ont permis d’identifier des prédicteurs clés du statut de GU, tels que la multimorbidité, un mauvais état de santé perçu, un faible revenu et la polymédication. L’ACL a permis d’identifier six classes de trajectoires distinctes dont une classe comportant majoritairement des GU persistants, c’est-à-dire des utilisateurs ayant le statut de GU au moins cinq années sur dix. La régression multinomiale a révélé que les utilisateurs persistants étaient plus susceptibles de présenter de graves comorbidités et d’avoir une mauvaise santé mentale, tandis que les utilisateurs transitoires se caractérisaient par des besoins plus aigus et épisodiques en matière de soins de santé. Les résultats soulignent l’importance de l’identification précoce et de la mise en œuvre d’interventions ciblées visant à mieux gérer l’utilisation intensive des soins, dans le but d’améliorer l’efficience du système et la continuité des services.
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 | 0.007 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| 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".