The accuracy of using integrated electronic health care data to identify patients with undiagnosed diabetes mellitus
Notice bibliographique
Résumé
RATIONALE, AIMS AND OBJECTIVES: Diabetes mellitus is a growing health and economic burden. Identification of patients with unrecognized diabetes, or those at high risk for diabetes, provides an opportunity for timely intervention. This study assessed the accuracy of using electronic health care data to identify patients with undiagnosed diabetes. METHODS: The study was conducted at a tertiary-care teaching facility in Ottawa, Canada. The study cohort was a stratified random sample of hospitalizations between 1 January 2003 and 31 December 2008. We used diagnostic codes, pharmacy orders and serum glucose tests to classify patients into six groups: 'recognized diabetes' (a diabetes diagnostic code or any diabetes medication), 'probable diabetes' (maximum glucose ≥ 11.1 mmol L(-1)), 'possible diabetes' (maximum glucose between 7.8 and 11.1 mmol L(-1)), 'unlikely diabetes' (maximum glucose between 6.0 and 7.8 mmol L(-1)), 'no diabetes' (maximum glucose < 6.0 mmol L(-1)) and 'unknown diabetes status' (no glucose test). We compared this electronic classification to a reference standard chart review performed by a blinded abstractor. RESULTS: A total of 500 hospitalizations were included. The prevalence of each diabetes group was: recognized - 17%; probable - 4%; possible - 15%; unlikely - 20%; none - 15%; and unknown - 29%. Our electronic algorithm correctly classified 88.8% (95% confidence interval 85.7-91.3) of hospitalizations (weighted-Kappa = 0.885; 95% confidence interval 0.851-0.919). The sensitivity, specificity and positive predictive values of our algorithm for 'known diabetes' was 0.842, 0.988 and 0.941, respectively. For patients at a 'high risk for diabetes' (maximum glucose > .8 mmol L(-1)), the corresponding values were 0.921, 0.971 and 0.872. CONCLUSIONS: Patients with diagnosed and undiagnosed diabetes can be accurately identified using electronic health care data.
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 | 0,019 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».