Analysis of mental patients' service trajectories in Quebec using administrative health care data
Bibliographic record
Abstract
Au cours des dernières années, la question de l'accès aux soins de santé mentale a été minutieusement étudiée par divers gouvernements, notamment ceux du Québec et du Canada, et plusieurs recommandations ont été formulées pour l'améliorer. Trois maladies chroniques, soit le trouble dépressif majeur, le trouble bipolaire et la schizophrénie, ont un impact particulièrement important sur la qualité de vie et la productivité des personnes qui en sont atteintes. Cela entraîne d'importants coûts sociaux et pertes financières, qui s'élèvent à des centaines de milliards de dollars annuellement au Canada, aux États-Unis et en Europe. Garantir la meilleure qualité de soins et l'accès aux ressources en santé mentale pour ces patients contribuerait donc à leur mieux-être et à celui de la société, tout en réduisant le fardeau financier associé. Les dossiers administratifs des systèmes de santé gouvernementaux offrent la possibilité d'explorer une grande quantité de données recueillies sur une longue période. Ces données transactionnelles enregistrent les contacts des patients avec le système de santé et collectent des informations de nature organisationnelle et financière, telles que le jour, le lieu, le coût, le motif de la visite ainsi que le médecin qui l'a effectuée et le diagnostic associé. Bien qu'elles ne contiennent pas d'information sur les symptômes ou l'intensité d'une maladie, ces données enregistrées à travers le temps permettent tout de même de reconstituer la trajectoire de santé d'un patient ainsi que les diagnostics posés. Ainsi, ces données peuvent être utilisées dans l'analyse de la trajectoire de service d'une maladie, définie comme les caractéristiques des interactions d'un patient avec le système de santé, même lorsque certaines informations cliniques sont manquantes. La disponibilité des données collectées dans les systèmes de soins de santé, couplée à l'amélioration de l'analyse prédictive et de la modélisation, peut permettre d'obtenir des informations significatives. Notre objectif est de démontrer qu'il est possible d'extraire de ces bases de données déjà existantes de nouvelles informations ayant le potentiel d'optimiser la gestion du traitement de certaines maladies et les modalités de prestation de services dans le système de santé, afin de contribuer à son amélioration avec une approche axée sur les données. Un modèle de clustering non supervisé a été appliqué aux données de la Régie de l'assurance maladie du Québec (RAMQ), afin d'identifier les trajectoires de service des patients qui présentent des problèmes mentaux à partir de leurs données administratives de santé. Nos résultats suggèrent qu'une stabilité du diagnostic tout au long de la trajectoire d'un patient pourrait être un facteur clé dans la définition de ces trajectoires de service. Nous avons observé trois types différents, caractérisés respectivement par des diagnostics stables et une consommation de soins intermédiaire, des diagnostics instables et une forte consommation de soins, et des diagnostics instables et une faible consommation de soins. En effet, notre analyse a indiqué qu'un taux plus élevé de changements de diagnostic serait associé à un taux plus élevé de changement de médecins à travers les trajectoires. Cette situation pourrait être considérée comme tributaire de la capacité du prestataire de santé à assurer la continuité des soins ou l'accès aux médecins. Ensemble, ces observations suggèrent qu'une part de l'hétérogénéité clinique des trajectoires chez les patients pourrait provenir des services reçus. L'utilisation de modèles de régression sur nos données suggère qu'un parcours de soins régulier peut améliorer la stabilité de la trajectoire du patient. En fait, les patients qui ont moins souvent changé de médecin, et qui étaient pour la plupart sous les soins de spécialistes, ont tendance à avoir peu de changements de diagnostic. Jumelé avec des informations sur la prévalence estimée d'un trouble donné dans la population dans le futur, ce constat pourrait aider les gestionnaires de soins de santé à mieux prévoir le besoin de spécialistes dans leurs institutions. Le moment du diagnostic et les suivis réguliers semblent également contribuer à diminuer le changement de diagnostic : ces résultats suggèrent que plus de ressources sont nécessaires en début de trajectoire afin d'assurer un diagnostic correct, tout en soulignant l'importance des suivis réguliers et d'une charge de travail adéquate pour les médecins spécialisés. Nos résultats ont le potentiel de motiver de futures études abordant ces questions si importantes pour les décideurs.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.013 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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 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".