Concordance between childhood injury diagnoses from two sources: an injury surveillance system and a physician billing claims database
Notice bibliographique
Résumé
OBJECTIVES: (1) To determine the concordance between injury diagnoses (head injury (HI), probable HI, or orthopedic injury) for children visiting an emergency department for an injury using two DATA SOURCES: an injury surveillance system (Canadian Hospitals Injury Research and Prevention Program, CHIRPP) and a physician billing claims database (Regie de l'assurance maladie de Quebec, RAMQ), and (2) to determine the sensitivity and specificity of diagnostic and procedure codes in billing claims for identifying HI and orthopedic injury among children. DESIGN: In this cross sectional cohort, data for 3049 children who sought care for an injury (2000-01) were obtained from both sources and linked using the child's personal health insurance number. METHODS: The physician recorded diagnostic codes from CHIRPP were used to categorize the children into three groups (HI, probable HI, and orthopedic), while an algorithm, using ICD-9-CM diagnostic and procedures codes from the RAMQ, was used to classify children into the same three groups. RESULTS: Concordance between the data sources was "substantial" (weighted Kappa 0.66; 95% CI 0.63 to 0.69). The sensitivity of diagnostic and procedure codes in the RAMQ database for identifying HI and for orthopedic injury were 0.61 (95% CI 0.57 to 0.64) and 0.97 (95% CI 0.96 to 0.98), respectively. The specificity for identifying HI and for orthopedic injury were 0.97 (95% CI 0.96 to 0.98) and 0.58 (95% CI 0.56 to 0.63), respectively. CONCLUSION: Combining diagnostic and procedures codes in a physician billing claims database (the RAMQ database) may be a valid method of estimating injury occurrence among children.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».