Improving the selection of true incident cases of low back pain by screening retrospective administrative data
Notice bibliographique
Résumé
BACKGROUND: The difficulty in identifying the onset of low back pain (LBP) limits the capacity to determine the incidence of LBP at the population level and, further, to identify risk factors. In the literature, incidence cohorts have been built with patients initially considered LBP-free for 6-12 months prior to their selection. This 'clearance period' might not be sufficient to exclude recurrent patients having experienced previous LBP episodes and might result in a misclassification bias. METHODS: Using the Canadian province of Quebec's medical administrative physicians' claims database, a cohort of prevalent claims-based recurrent LBP patients was built for 2007. The medical history of 81,329 patients was screened for a period of 11 years. Positive predictive values (PPVs), kappa statistics and a survival function were calculated to determine the optimal clearance period for capturing first-time events. RESULTS: The 2007 annual incidence of adult claims-based recurrent LBP was estimated at 242 per 100,000 persons. Men between 18 and 34 years of age were found to be 1.18 times more at risk than their counterparts. Altogether, the elderly (over 80 years) had 52% more new cases than the 18-34 age group. A very good convergence for PPV and kappa was found for a 7-year clearance period. This allowed determining the annual incidence from 2000 to 2007, showing a decrease of 26%. CONCLUSION: Screening the medical history of LBP patients can provide more accurate incidence estimates by limiting the over-ascertainment of first-time LBP patients. A 4- to 7-year clearance period should be considered.
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 | 0,010 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».