A systematic review of validated methods for identifying seizures, convulsions, or epilepsy using administrative and claims data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: To systematically review algorithms to identify seizure, convulsion, or epilepsy cases in administrative and claims data, with a focus on studies that have examined the validity of the algorithms. METHODS: A literature search was conducted using PubMed and the Iowa Drug Information Service database. Reviews were conducted by two investigators to identify studies using data sources from the USA or Canada because these data sources were most likely to reflect the coding practices of Mini-Sentinel data partners. RESULTS: Eleven studies that validated seizure, convulsion, or epilepsy cases were identified. All algorithms included International Classification of Diseases, Ninth Revision, Clinical Modification code 345.X (epilepsy) and either code 780.3 (convulsions) or code 780.39 (other convulsions). Six studies included 333.2 (myoclonus). In populations that included children, 779.0 (convulsions in newborn) was also fairly common. Positive predictive values (PPVs) ranged from 21% to 98%. Studies that used nonspecific indicators such as presence of an electroencephalogram or anti-epileptic drug (AED) level monitoring had lower PPVs. In studies focusing exclusively on epilepsy as opposed to isolated seizure events, sensitivity ranged from 70% to 99%. CONCLUSIONS: Algorithm performance was highly variable, so it is difficult to draw any strong conclusions. However, the PPVs were generally best in studies where epilepsy diagnoses were required. Using procedure codes for electroencephalograms or prescription claims for drugs possibly used for epilepsy or convulsions in the absence of a diagnostic code is not recommended. Many newer AEDs require no drug level monitoring, so requiring an AED level monitoring procedure in algorithms to identify epilepsy is not recommended.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle