Consensus Statements for the Use of Administrative Health Data in Rheumatic Disease Research and Surveillance
Notice bibliographique
Résumé
OBJECTIVE: Administrative data are increasingly being used for research and surveillance about rheumatic diseases. However, literature reviews have revealed a lack of consistency in methods for conducting observational rheumatic disease studies, a situation that can lead to findings that cannot be compared. Our purpose was to develop best-practice consensus statements about the use of administrative data for rheumatic disease research and surveillance in Canada. METHODS: We convened 52 decision makers, epidemiologists, clinicians, and researchers to a 2-day workshop. Prior to this, participants formed working groups to examine 3 best-practice categories: case definitions, epidemiology methods, and comorbidity and outcomes measurement. The groups conducted systematic or scoping reviews on key topics. At the workshop, evidence from the reviews was presented and consensus-building techniques were used to develop the best-practice statements. The statements were presented, discussed, revised (as needed), and then subjected to voting. RESULTS: Thirteen best-practice consensus statements were developed and endorsed by consensus. For the first category, these consensus statements addressed validation techniques for rheumatic disease case definitions and case ascertainment bias. The consensus statements for epidemiology methods focused on confounding and drug exposure measurement. For comorbidity and outcomes measurement, consensus statements were developed for multiple conditions, including osteoporosis and fragility fractures, cancer, infections, cardiovascular disease, and renal disease. Strengths and limitations of administrative data were identified in relation to each topic. CONCLUSION: Our best-practice consensus statements are consistent with other recent guidelines, including those for rheumatic disease biologics registries, but address additional issues specific to administrative data. Continuing work focuses on disseminating these consensus statements to multiple audiences.
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 | 0,678 | 0,772 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,006 | 0,012 |
| Bibliométrie | 0,017 | 0,012 |
| Études des sciences et des technologies | 0,011 | 0,015 |
| Communication savante | 0,016 | 0,015 |
| Science ouverte | 0,019 | 0,027 |
| Intégrité de la recherche | 0,023 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».