Le modèle québécois de surveillance des maladies chroniques basé sur l’utilisation des données médico-administratives jumelées
Bibliographic record
Abstract
L'évolution rapide du contexte démographique, politique et environnemental ainsi que les changements continus de la pratique et des connaissances médicales influencent grandement le développement et l'issue des maladies et, par conséquent, la façon d'en assurer la surveillance épidémiologique. Pour répondre aux impératifs contextuels, le Système intégré de surveillance des maladies chroniques du Québec (Sismacq) s'est développé sur la base du jumelage de cinq fichiers médico-administratifs couvrant le fichier des personnes assurées et l'offre de services de santé des Québécois, depuis la consultation médicale jusqu'à l'hospitalisation, en passant par la consommation des médicaments et se terminant par le décès. Le but de cet article est de décrire le Sismacq. Le potentiel des sources de données jumelées permet non seulement d'établir les prévalences et les incidences des maladies, mais aussi d'étudier des cohortes de personnes atteintes de maladies et d'analyser les issues de santé comme le fardeau des maladies et l'utilisation des ressources. Cette approche intégrée offre également une opportunité de comprendre le cumul des maladies et les comorbidités. Le Sismacq est basé sur trois étapes méthodologiques distinctes que sont 1) l'extraction et le jumelage des données, 2) les analyses et la production des indicateurs et 3) la diffusion. (R.A.)
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".