Coded Chief Complaints—Automated Analysis of Free‐text Complaints
Notice bibliographique
Résumé
OBJECTIVES: To describe a new chief-complaint categorization schema, the development of a computer text-parsing algorithm to automatically classify free-text chief complaints into this schema, and use of these coded chief complaints to describe the case mix of a community emergency department (ED). METHODS: Coded Chief Complaints for Emergency Department Systems (CCC-EDS) is a new and untested schema of 228 chief complaints, grouped within dimensions of type and system. A computerized text-parsing algorithm for automatically reading and classifying free-text chief complaints into 1 of these 228 coded chief complaints was developed by using a consecutive derivation sample of 46,602 patients who presented to a community teaching-hospital ED in 2004. Descriptive statistics included frequency of patients presenting with the 228 coded chief complaints; percentage of free-text complaints not categorizable by the CCC-EDS; and admission rate, age, and gender differences by chief complaint. RESULTS: In the derivation sample, the text-parsing algorithm classified 87.5% of 45,329 ED visits with non-null free-text chief complaints into 1 of 194 coded chief complaints. The text-parsing algorithm successfully classified 87.3% of the free-text chief complaints in a validation sample. The five most common coded chief complaints were Abdominal Pain (3,734 visits), Fever (2,234), Chest Pain (2,183), Breathing Difficulty (2,030), and Cuts-Lacerations (2,028). CONCLUSIONS: The CCC-EDS is a new comprehensive, granular, and useful classification schema for categorizing chief complaints in an ED. A CCC-EDS text-parsing algorithm successfully classified the majority of free-text chief complaints from an ED computer log. These coded chief complaints were used to describe the case mix of a community teaching-hospital ED.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,006 | 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 ».