A Validation Study of Administrative Data Algorithms to Identify Patients with Parkinsonism with Prevalence and Incidence Trends
Notice bibliographique
Résumé
BACKGROUND: Epidemiological studies for identifying patients with Parkinson's disease (PD) or Parkinsonism (PKM) have been limited by their nonrandom sampling techniques and mainly veteran populations. This reduces their use for health services planning. The purpose of this study was to validate algorithms for the case ascertainment of PKM from administrative databases using primary care patients as the reference standard. METHODS: We conducted a retrospective chart abstraction using a random sample of 73,003 adults aged ≥ 20 years from a primary care Electronic Medical Record Administrative data Linked Database (EMRALD) in Ontario, Canada. Physician diagnosis in the EMR was used as the reference standard and population-based administrative databases were used to identify patients with PKM from the derivation of algorithms. We calculated algorithm performance using sensitivity, specificity, and predictive values and then determined the population-level prevalence and incidence trends with the most accurate algorithms. RESULTS: We selected, '2 physician billing codes in 1 year' as the optimal administrative data algorithm in adults and seniors (≥ 65 years) due to its sensitivity (70.6-72.3%), specificity (99.9-99.8%), positive predictive value (79.5-82.8%), negative predictive value (99.9-99.7%), and prevalence (0.28-1.20%), respectively. CONCLUSIONS: Algorithms using administrative databases can reliably identify patients with PKM with a high degree of accuracy.
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 | 0,076 | 0,207 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».