A Novel Time Series Approach to Bridge Coding Changes with a Consistent Solution Across Causes of Death
Notice bibliographique
Résumé
Revisions of the International Classification of Diseases (ICD) can lead to biases in cause-specific mortality levels and trends. We propose a novel time series approach to bridge ICD coding changes which provides a consistent solution across causes of death. Using a state space model with interventions, we performed time series analysis to cause-proportional mortality for ICD9 and ICD10 in the Netherlands (1979-2010), Canada (1979-2007) and Italy (1990-2007) on chapter level. A constraint was used to keep the sum of cause-specific interventions zero. Comparability ratios (CRs) were estimated and compared to existing bridge coding CRs for Italy and Canada. A significant ICD9 to ICD10 transition occurred among 13 cause of death groups in Italy, 7 in Canada and 3 in the Netherlands. Without the constraint, all-cause mortality after the classification change would be overestimated by 0.4 % (NL), 0.03 % (Canada) and 0.2 % (Italy). The time series CRs were in the same direction as the bridge coding CRs but deviated more from 1. A smooth corrected trend over the ICD-transition resulted from applying the time series approach. Comparing the time series CRs for Italy (2003), Canada (1999) and the Netherlands (1995) revealed interesting commonalities and differences. We demonstrated the importance of adding the constraint, the validity of our methodology and its advantages above earlier methods. Applying the method to more specific causes of death and integrating medical content to a larger extent is advocated.
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 | 0,013 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».