Les registres médicaux et la confidentialité
Bibliographic record
Abstract
Les registres médicaux sont des banques de données, ayant des caractéristiques\nspécifiques, rassemblant tous les cas d'une maladie sur un territoire précis. Ces\ninformations permettent la mise en place de politiques de santé publique ainsi que l'étude\nde maladies afin de faire progresser la recherche médicale. La question se pose donc de\nsavoir comment la réglementation concernant le respect de la vie privée s'applique aux\nparticularités des registres. La législation actuellement en vigueur au Québec prévoit\nl'obligation d'obtenir le consentement du patient avant d'inclure les données le concernant\ndans le registre. Ces renseignements personnels de santé recueillis dans le registre doivent\nêtre protégés afin de respecter la vie privée des participants. Pour cela, des mesures\nconcernant la confidentialité et la sécurité des données doivent être mises en place en vue\nde leur conservation et durant celle-ci. Après l'utilisation principale de ces données, il est\npossible de se servir à nouveau de ces renseignements personnels à d'autres fins, qu'il faille\nou non les transférer vers une autre banque de données, nationale ou étrangère. Néanmoins\ncette utilisation secondaire ne peut se faire qu'à certaines conditions, sans porter atteinte au\ndroit des participants concernant le respect de la vie privée.
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 | 0.024 | 0.055 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.017 | 0.012 |
| Open science | 0.004 | 0.009 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.084 | 0.044 |
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".