A systematic review of validated methods for identifying infection related to blood products, tissue grafts, or organ transplants using administrative data
Notice bibliographique
Résumé
PURPOSE: To systematically review algorithms to identify infections related to blood products, tissue grafts, or organ transplants in administrative and claims data, focusing on studies that have examined the validity of the algorithms. METHODS: A literature search was conducted using PubMed and the database of the Iowa Drug Information Service. 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: Searches identified one study that examined the validity of an algorithm to identify aspergillosis in transplant recipients and 16 studies that used nonvalidated algorithms to identify infections in recipients of blood products, tissue grafts, or organ transplants. Transfusion was studied as a risk factor for infection, but no studies attempted to identify infection transmitted by any of the exposures under review. Two studies reported sensitivity ranging from 21% to 83% and specificity of 100% of codes to identify allogeneic blood transfusion. No validation studies of algorithms to identify tissue grafts or organ transplant were identified. CONCLUSIONS: There is little evidence to support the validity of algorithms to identify infections related to blood products, tissue grafts, or organ transplants in administrative data or algorithms to identify the exposures. Although it may be possible to validate algorithms to identify the exposures and infectious outcomes, the use of administrative data to identify infections transmitted by these exposures may be challenging. Codes indicating infections acquired through medical care may be useful.
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 | 0,012 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,000 |
| 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 ».