A population-based assessment of systemic lupus erythematosus incidence and prevalence results and implications of using administrative data for epidemiological studies
Notice bibliographique
Résumé
OBJECTIVES: To estimate (i) systemic lupus erythematosus (SLE) incidence and prevalence using multiple sources of population-based administrative data; (ii) the sensitivity and specificity of case ascertainment methods; and (iii) variation in performance of each ascertainment approach, according to patient and physician characteristics. METHODS: We examined the physician billing and hospitalization databases of the province of Quebec (1994-2003) covering all health care beneficiaries (approximately 7.5 million). We compared various approaches to ascertain SLE cases, using information from each database separately or combining sources; we then estimated the sensitivity and specificity of these alternative approaches. We used regression models to determine if sensitivity was independently influenced by patient or physician characteristics. RESULTS: Using billing data, we calculated SLE incidence at 3.0/100,000 person-years [95% confidence interval (CI) 2.6-3.4]; prevalence was 32.8/100,000 persons, in 2003. Results were similar using hospitalization data. However, only a proportion of prevalent cases were identified as having SLE by both methods. Combining cases from billing and hospitalization data, we found a prevalence of 51/100,000 in 2003. Our latent class regression model estimated a prevalence of 44.7/100,000 (95% CI 37.4-54.7). We found high specificity for SLE diagnoses across all strategies and data sources; sensitivity ranged from 42.1% to 67.6%, and was independently influenced by both patient and physician characteristics. CONCLUSIONS: In observational studies, particularly with administrative databases, SLE incidence and prevalence estimates differ considerably, according to the approach for case ascertainment. In the absence of gold standards, statistical modelling can provide sensitivity and specificity estimates for different approaches.
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 | 0,054 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».