Validation of ICD-9-CM/ICD-10 coding algorithms for the identification of patients with acetaminophen overdose and hepatotoxicity using administrative data
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
BACKGROUND: Acetaminophen overdose is the most common cause of acute liver failure (ALF). Our objective was to develop coding algorithms using administrative data for identifying patients with acetaminophen overdose and hepatic complications. METHODS: Patients hospitalized for acetaminophen overdose were identified using population-based administrative data (1995-2004). Coding algorithms for acetaminophen overdose, hepatotoxicity (alanine aminotransferase >1,000 U/L) and ALF (encephalopathy and international normalized ratio >1.5) were derived using chart abstraction data as the reference and logistic regression analyses. RESULTS: Of 1,776 potential acetaminophen overdose cases, the charts of 181 patients were reviewed; 139 (77%) had confirmed acetaminophen overdose. An algorithm including codes 965.4 (ICD-9-CM) and T39.1 (ICD-10) was highly accurate (sensitivity 90% [95% confidence interval 84-94%], specificity 83% [69-93%], positive predictive value 95% [89-98%], negative predictive value 71% [57-83%], c-statistic 0.87 [0.80-0.93]). Algorithms for hepatotoxicity (including codes for hepatic necrosis, toxic hepatitis and encephalopathy) and ALF (hepatic necrosis and encephalopathy) were also highly predictive (c-statistics = 0.88). The accuracy of the algorithms was not affected by age, gender, or ICD coding system, but the acetaminophen overdose algorithm varied between hospitals (c-statistics 0.84-0.98; P = 0.003). CONCLUSION: Administrative databases can be used to identify patients with acetaminophen overdose and hepatic complications. If externally validated, these algorithms will facilitate investigations of the epidemiology and outcomes of acetaminophen overdose.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle