A systematic review of validated methods for identifying transfusion‐related sepsis using administrative and claims data
Notice bibliographique
Résumé
PURPOSE: To systematically review algorithms to identify transfusion-related sepsis or septicemia in administrative data, with a focus on studies that have examined the validity of the algorithms. METHODS: A literature search was conducted using PubMed, the database of the Iowa Drug Information Service (IDIS/Web), and Embase. A Google Scholar search was conducted because of difficulty identifying relevant studies. 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 sources. RESULTS: No studies that were identified that used administrative data to identify sepsis or septicemia related to transfusion of blood products. Thus, four studies that studied the validity of algorithms to identify sepsis and two that studied algorithms to identify allogeneic blood transfusion are described in this review. Two studies found acceptable positive predictive values of 80% and 89% for algorithms to identify sepsis in hospitalized patients. One study reported a negative predictive value of 80% in hospitalized patients, and another, a sensitivity of 75%. One study of veterans receiving surgery reported much worse performance characteristics. Two studies reported near-perfect specificity of codes for allogeneic red blood cell transfusion, but sensitivity ranged from 21% to 83%. CONCLUSIONS: There is no information to assess the validity of algorithms to identify transfusion-related sepsis or septicemia. Codes to identify sepsis performed well in most studies. Algorithms to identify transfusions need further research that includes a broader range of transfusion types.
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.
Comment cette classification a été obtenuedéplier
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 | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».