Coding diagnoses and procedures using a high‐quality clinical database instead of a medical record review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A discharge abstract must be completed for each hospitalization. The most time-consuming component of this task is a complete review of the doctors' progress notes to identify and code all diagnoses and procedures. We have developed a clinical database that creates hospital discharge summaries. To compare diagnostic and procedural coding from a clinical database vs. the standard chart review by health records analysts (HRA). All patients admitted and discharged from general medical and surgical services at a teaching hospital in Ontario, Canada. Diagnostic and procedural codes were identified by reviewing discharge summaries generated from a clinical database. Independently, codes were identified by hospital health records analysts using chart review alone. Codes were compared with a gold standard case review conducted by a health records analyst and a doctor. Coding accuracy (percentage of codes in gold standard review) and completeness (percentage of gold standard codes identified). The study included 124 patients (mean length of stay 5.5 days; 66.4% medical patients). The accuracy of the most responsible diagnosis was 68.5% and 62.9% for the database (D) and chart review (C), respectively (P = 0.18). Overall, the database significantly improved the accuracy (D = 78.9% vs. C = 74.5%; P = 0.02) and completeness (D = 63.9% vs. C = 36.7%; P < 0.0001) of diagnostic coding. Although completeness of procedural coding was similar (D = 5.4% vs. C = 64.2%; P = NS), accuracy decreased with the database (D = 70.3% vs. C = 92.2%; P < 0.0001). Mean resource intensity weightings calculated from the codes (D = 1.3 vs. C = 1.4; P = NS) were similar. Coding from a clinical database may circumvent the need for HRAs to review doctors' progress notes, while maintaining the quality of coding in the discharge abstract.
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.
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 | 0,200 | 0,623 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle