Agreement between administrative data and the Resident Assessment Instrument Minimum Dataset (RAI-MDS) for medication use in long-term care facilities: a population-based study
Notice bibliographique
Résumé
BACKGROUND: Prescription medication use, which is common among long-term care facility (LTCF) residents, is routinely used to describe quality of care and predict health outcomes. Data sources that capture medication information, which include surveys, medical charts, administrative health databases, and clinical assessment records, may not collect concordant information, which can result in comparable prevalence and effect size estimates. The purpose of this research was to estimate agreement between two population-based electronic data sources for measuring use of several medication classes among LTCF residents: outpatient prescription drug administrative data and the Resident Assessment Instrument Minimum Data Set (RAI-MDS) Version 2.0. METHODS: Prescription drug and RAI-MDS data from the province of Saskatchewan, Canada (population 1.1 million) were linked for 2010/11 in this cross-sectional study. Agreement for anti-psychotic, anti-depressant, and anti-anxiety/hypnotic medication classes was examined using prevalence estimates, Cohen's κ, and positive and negative agreement. Mixed-effects logistic regression models tested resident and facility characteristics associated with disagreement. RESULTS: The cohort was comprised of 8,866 LTCF residents. In the RAI-MDS data, prevalence of anti-psychotics was 35.7%, while for anti-depressants it was 37.9% and for hypnotics it was 27.1%. Prevalence was similar in prescription drug data for anti-psychotics and anti-depressants, but lower for hypnotics (18.0%). Cohen's κ ranged from 0.39 to 0.85 and was highest for the first two medication classes. Diagnosis of a mood disorder and facility affiliation was associated with disagreement for hypnotics. CONCLUSIONS: Agreement between prescription drug administrative data and RAI-MDS assessment data was influenced by the type of medication class, as well as selected patient and facility characteristics. Researchers should carefully consider the purpose of their study, whether it is to capture medication that are dispensed or medications that are currently used by residents, when selecting a data source for research on LTCF populations.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».