A systematic review of validated methods for identifying pancreatitis using administrative data
Notice bibliographique
Résumé
PURPOSE: To systematically review algorithms identifying cases of pancreatitis in administrative data, with a focus on studies examining algorithm validity. METHODS: A literature search was conducted using PubMed and the Iowa Drug Information Service database. Reviews were conducted by two investigators identifying studies using data sources from the USA or Canada. These data sources most likely reflect the coding practices of Mini-Sentinel data partners. RESULTS: Eight studies were obtained examining the validity of an algorithm to identify pancreatitis in either hospital or ambulatory medical records or billing databases. The best-performing algorithm was International Classification of Diseases, Ninth Revision, Clinical Modification (ICD-9-CM) code 577.0; with a positive predictive value of 60%-80% and a negative predictive value usually greater than 90%. Populations involved in different studies were heterogeneous; age ranges, level of population risk, pancreatitis etiology, and geographic distribution were highly variable. CONCLUSIONS: Validation studies find that the principal ICD-9-CM diagnosis code of 577.0 had the best positive predictive value and specificity. Current studies do not support the use of the ICD-9-CM codes 577.1 and 577.2. Databases enhanced with laboratory values at point of care would invariably increase the specificity of existing algorithms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,006 |
| Bibliométrie | 0,022 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».