Development and validation of an administrative data algorithm to estimate the disease burden and epidemiology of multiple sclerosis in Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: Few studies have assessed the accuracy of administrative data for identifying multiple sclerosis (MS) patients. OBJECTIVES: To validate administrative data algorithms for MS, and describe the burden and epidemiology over time in Ontario, Canada. METHODS: We employed a validated search strategy to identify all MS patients within electronic medical records, to identify patients with and without MS (reference standard). We then developed and validated different combinations of administrative data for algorithms. The most accurate algorithm was used to estimate the burden and epidemiology of MS over time. RESULTS: The accuracy of the algorithm of one hospitalisation or five physician billings over 2 years provided both high sensitivity (84%) and positive predictive value (86%). Application of this algorithm to provincial data demonstrated an increasing cumulative burden of MS, from 13,326 patients (0.14%) in 2000 to 24,647 patients in 2010 (0.22%). Age-and-sex standardised prevalence increased from 133.9 to 207.3 MS patients per 100,000 persons in the population, from 2000 - 2010. During this same period, age-and-sex-standardised incidence varied from 17.9 to 19.4 patients per 100,000 persons. CONCLUSIONS: MS patients can be accurately identified from administrative data. Our findings illustrated a rising prevalence of MS over time. MS incidence rates also appear to be rising since 2009.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».