Poor Validation of Medical Record ICD-9 Diagnoses of Gout in a Veterans Affairs Database
Notice bibliographique
Résumé
OBJECTIVE: Diagnostic codes based on medical records or claims data have been used to identify patient populations with gout for important epidemiologic and clinical studies. We evaluated whether we can document the accuracy of such diagnoses by review of medical records and then on direct interviews with a subset of patients. METHODS: Electronic medical records of 289 patients with 2 visits with ICD-9 codes for gout were extensively reviewed to search for documentation of features that would classify patients as having gout by 3 sets of proposed criteria, the American College of Rheumatology (ACR), New York, or Rome criteria. Records of patients who had been seen by rheumatologists were compared with all others. A subset of patients seen in clinic were directly interviewed for comparison with the results from the records. RESULTS: Based on medical records review there was documentation of gout by the ACR criteria in only 36%, Rome criteria in 30%, and New York criteria in 33%. Records of patients who had seen rheumatologists had better documentation of classification features. Interview in clinic of 37 patients also improved documentation of the 3 sets of criteria features of gout in 65%-81% of those with ICD-9 codes for gout. CONCLUSION: We found it difficult to confirm ICD-9 coded diagnoses of gout using currently available proposed criteria from details recorded in medical records. This may reflect a problem with available criteria and with documentation. Direct interview of patients may be needed to confirm the presence of typical features when high specificity is desired.
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 | 0,002 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».