Overcoming barriers to population-based injury research: development and validation of an ICD-10–to–AIS algorithm
Notice bibliographique
Résumé
BACKGROUND: Hospital administrative databases are a useful source of population-level data on injured patients; however, these databases use the International Classification of Diseases (ICD) system, which does not provide a direct means of estimating injury severity. We created and validated a crosswalk to derive Abbreviated Injury Scale (AIS) scores from injury-related diagnostic codes in the tenth revision of the ICD (ICD-10). METHODS: We assessed the validity of the crosswalk using data from the Ontario Trauma Registry Comprehensive Data Set (OTRCDS). The AIS and Injury Severity Scores (ISS) derived using the algorithm were compared with those assigned by expert abstractors. We evaluated the ability of the algorithm to identify patients with AIS scores of 3 or greater. We used κ and intraclass correlation coefficients (ICC) as measures of concordance. RESULTS: In total, 10 431 patients were identified in the OTRCDS. The algorithm accurately identified patients with at least 1 AIS score of 3 or greater (κ 0.65), as well as patients with a head AIS score of 3 or greater (κ 0.78). Mapped and abstracted ISS were similar; ICC across the entire cohort was 0.83 (95% confidence interval 0.81-0.84), indicating good agreement. When comparing mapped and abstracted ISS, the difference between scores was 10 or less in 87% of patients. Concordance between mapped and abstracted ISS was similar across strata of age, mechanism of injury and mortality. CONCLUSION: Our ICD-10-to-AIS algorithm produces reliable estimates of injury severity from data available in administrative databases. This algorithm can facilitate the use of administrative data for population-based injury research in jurisdictions using ICD-10.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».