MétaCan
Menu
Retour à la cohorte
Enregistrement W2084602542 · doi:10.1097/mlr.0b013e3181e419fd

Using Administrative Datasets to Study Outcomes in Dialysis Patients

2010· article· en· W2084602542 sur OpenAlexafffundabout
Robert R. Quinn, Andreas Laupacis, Peter C. Austin, Janet E. Hux, Amit X. Garg, Brenda R. Hemmelgarn, Matthew J. Oliver

Notice bibliographique

RevueMedical Care · 2010
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensPublic Health OntarioUniversity of TorontoSt. Michael's HospitalWestern UniversityHealth Sciences CentreLondon Health Sciences CentreUniversity of CalgaryInstitute for Clinical Evaluative SciencesSunnybrook Health Science Centre
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésDialysisMedicineBaseline (sea)Medical recordIntensive care medicineModality (human–computer interaction)Health careEmergency medicineComputer scienceInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The use of administrative health data and other secondary data sources to conduct research are increasing, and the quality of these data requires careful scrutiny to ensure that findings of studies based on them are accurate. METHODS: We conducted a multicenter, chart-abstraction study in Ontario, Canada to evaluate the ability of linked administrative databases to identify important baseline demographic and treatment information, changes in dialysis treatment modality over time, and the occurrence of important outcome events in incident dialysis patients. The medical record was considered the reference standard. RESULTS: Within administrative databases, demographic information was very well coded, as was the location where individuals started dialysis, the first treatment modality, the first outpatient modality, and the treatment that was in use 90 days after the start of therapy. The ability to accurately recreate an individual patient's entire dialysis treatment history using physician billing claims was somewhat limited. The treatment changes were often identified in the correct temporal sequence, but the dates that the events occurred did not agree well. Finally, important outcomes including the death and kidney transplantation were captured well, although the recovery of kidney function could not be evaluated because of poor inter-rater reliability. CONCLUSIONS: This validation study provides important information concerning the ability to detect variables related to dialysis care using administrative datasets. Validation work should focus not only on the ability of secondary data to identify baseline comorbidities, but should also attempt to verify that other key variables required to conduct analyses are reliably captured.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,042
score de la tête « metaresearch » (Gemma)0,148
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,116
Score d'incertitude au seuil0,230

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0420,148
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,009
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,235
Tête enseignante GPT0,522
Écart entre enseignants0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations57
Publié2010
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMedical CareMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207