Biais de classification dans les algorithmes de recensement des cas de maladies chroniques : une approche de reclassification
Promotion de la santé et prévention des maladies chroniques au Canada · 2026-05 · 46 (5) · 209-219
DOI: 10.24095/hpcdp.46.5.02f ↗Kurz gefasst
Fachartikel in der Zeitschrift Promotion de la santé et prévention des maladies chroniques au Canada, 2026-05. Verfasst von Naomi C. Hamm und 4 weiteren Autor:innen.
Abstract (Originalsprache)
Introduction
L’utilisation de données administratives sur la santé pour recenser les cas de maladies chroniques peut entraîner des biais de classification. Des règles de sortie basées sur la reclassification pourraient réduire ces biais de classification. Méthodologie Nous avons utilisé les données administratives du Manitoba sur la santé (1995-2022) pour mesurer la prévalence de la sclérose en plaques (SP) et du diabète insulino-dépendant (DID). Nous avons élaboré des algorithmes basés sur un modèle de régression logistique multivarié et utilisé une règle de sortie de probabilité prédite par le modèle pour reclasser chaque année les cas de DID et de SP. Nous avons estimé la sensibilité, la spécificité, la valeur prédictive positive (VPP), la valeur prédictive négative (VPN) et les taux de reclassification. La régression linéaire a permis de tester les différences dans les estimations de prévalence entre un algorithme basé sur un modèle avec règle de sortie et un algorithme existant du Système canadien de surveillance des maladies chroniques (SCSMC) sans règle de sortie. Résultats La cohorte de la SP comprenait 60 228 personnes (608 cas, 59 620 non-cas) et la cohorte du DID 44 125 personnes (2 506 cas, 41 619 non-cas). La sensibilité de l’algorithme basé sur un modèle était comprise entre 0,62 et 0,85 pour la SP et entre 0,87 et 0,95 pour le DID. La VPP était comprise entre 0,21 et 0,60 pour la SP et entre 0,92 et 0,95 pour le DID. La spécificité et la VPN étaient systématiquement élevées (0,98 à 1,00). Les non-cas ont souvent été mal classés et les taux de reclassification des non-cas ont été plus élevés que ceux des cas à la fois pour la SP (0,22 à 0,33 c. 0,14 à 0,28) et pour le DID (0,18 à 0,65 c. 0,13 à 0,15). L’algorithme basé sur un modèle avec règle de sortie a produit une augmentation plus lente de la prévalence que l’algorithme du SCSMC pour la SP, mais pas pour le DID.
Conclusion
Les algorithmes de vérification des cas avec règle de sortie peuvent résoudre les biais de classification erronée lors de l’estimation de la prévalence des maladies chroniques à l’aide de données administratives sur la santé. Les améliorations dépendent de la maladie.
Zitieren
APA
Hamm, N. C., Marrie, R. A., Jiang, D., Irani, P., & Lix, L. M. (2026). Biais de classification dans les algorithmes de recensement des cas de maladies chroniques : une approche de reclassification. Promotion de la santé et prévention des maladies chroniques au Canada, 46(5), 209-219. https://doi.org/10.24095/hpcdp.46.5.02f
Vancouver
Hamm NC, Marrie RA, Jiang D, Irani P, Lix LM. Biais de classification dans les algorithmes de recensement des cas de maladies chroniques : une approche de reclassification. Promotion de la santé et prévention des maladies chroniques au Canada. 2026;46(5):209-219. doi:10.24095/hpcdp.46.5.02f
BibTeX
@article{Hamm2026,
author = {Hamm, Naomi C. and Marrie, Ruth Ann and Jiang, Depeng and Irani, Pourang and Lix, Lisa M.},
title = {Biais de classification dans les algorithmes de recensement des cas de maladies chroniques : une approche de reclassification},
journal = {Promotion de la santé et prévention des maladies chroniques au Canada},
year = {2026},
volume = {46},
number = {5},
pages = {209--219},
doi = {10.24095/hpcdp.46.5.02f}
}
EUVIMED