How accurate is ICD coding for epilepsy?
Notice bibliographique
Résumé
PURPOSE: Assess the validity of ICD-9-CM and ICD-10 epilepsy coding from an emergency visit (ER) and a hospital discharge abstract database (DAD). METHODS: Two separate sources of patient records were reviewed and validated. (1) Charts of patients admitted to our seizure monitoring unit over 2 years (n = 127, ICD-10 coded records) were reviewed. Sensitivity (Sn), specificity (Sp), and positive and negative predictive values (PPV and NPV) were calculated. (2) Random sample of charts for patients seen in the ER or admitted to hospital under any services, and whose charts were coded with epilepsy or an epilepsy-like condition, were reviewed. Two time-periods were selected to allow validation of both ICD-9-CM (n = 486) and ICD-10 coded (n = 454) records. Only PPV and NPV were calculated for these records. All charts were reviewed by two physicians to confirm the presence/absence of epilepsy and compare to administrative coding. RESULTS: Sample 1: Sn, Sp, PPV, and NPV of ICD-10 epilepsy coding from the seizure monitoring unit (SMU) chart review were 99%, 70%, 85%, and 97% respectively. Sample 2: The PPV and NPV for ICD-9-CM coding from the ER database were, respectively, 99% and 97% and from the DAD were 98% and 99%. The PPV and NPV for ICD-10 coding from the ER database were, respectively, 100% and 90% and from the DAD were 98% and 99%. The epilepsy subtypes grand mal status and partial epilepsy with complex partial seizures both had PPVs >75% (ICD-9-CM and ICD-10 data). DISCUSSION: Administrative emergency and hospital discharge data have high epilepsy coding validity overall in our health region.
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 | 0,024 | 0,234 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».