A systematic review of validated methods for identifying lymphoma using administrative data
Notice bibliographique
Résumé
PURPOSE: To systematically review published studies for algorithms that identified lymphoma as a health outcome of interest in administrative or claims data and examined the validity of the algorithm to identify lymphoma cases. METHODS: A systematic literature search was executed using PubMed and the Iowa Drug Information Service database. Two investigators reviewed search results to identify studies using administrative or claims databases from the USA or Canada that both reported and validated an algorithm to identify lymphoma. RESULTS: The search identified 713 unique citations with 402 eliminated by an initial screen of the article abstract. The remaining 311 resulted in one study that identified and validated an algorithm. Ten other studies reported algorithms but were not validated. The validated study reported four possible algorithms that had a specificity (> 99%), but the algorithm using two diagnostic codes recorded within 2 months had the best positive predictive value (PPV = 62.83%) and a sensitivity (79.81%). The most comprehensive algorithm required multiple diagnostic codes 2 months apart or diagnostic, and procedure codes on the same day had the greatest sensitivity (88.31%) and a PPV = 56.69%. The algorithm that required only a single diagnostic or procedure code had the worst PPV (34.72%). CONCLUSION: The International Classification of Disease, Ninth Revision diagnostic, clinical procedure, and complication codes for lymphoma can identify incident hematologic malignancies and solid tumors with high specificity but with relatively low to moderate sensitivity and PPVs. When diagnostic and procedure codes were required on the same visit or multiple codes between visits, then PPV was increased. Relying on a single registry to confirm true positive cases is also not sufficient.
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 | 0,022 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».