The Accuracy of Administrative Data Diagnoses of Systemic Autoimmune Rheumatic Diseases
Notice bibliographique
Résumé
OBJECTIVE: To examine the validity of case definitions for systemic autoimmune rheumatic diseases [SARD; systemic lupus erythematosus (SLE), systemic sclerosis (SSc), myositis, Sjögren's syndrome, vasculitis, and polymyalgia rheumatica] based on administrative data, compared to rheumatology records. METHODS: A list of rheumatic disease diagnoses was generated from population-based administrative billing and hospitalization databases. Subjects who had been seen by an arthritis center rheumatologist were identified, and the medical records reviewed. RESULTS: We found that 844 Nova Scotia residents had a diagnosis of one of the rheumatic diseases of interest, based on administrative data, and had had ≥ 1 rheumatology assessment at a provincial arthritis center. Charts were available on 824 subjects, some of whom had been identified in the administrative database with > 1 diagnosis. Thus a total of 1136 diagnoses were available for verification against clinical records. Of the 824 subjects, 680 (83%) had their administrative database diagnoses confirmed on chart review. The majority of subjects who were "false-positive" for a given rheumatic disease on administrative data had a true diagnosis of a similar rheumatic disease. Most sensitivity estimates for specific administrative data-based case definitions were > 90%, although for SSc, the sensitivity was 80.5%. The specificity estimates were also > 90%, except for SLE, where the specificity was 72.5%. CONCLUSION: Although health administrative data may be a valid resource, there are potential problems regarding the specificity and sensitivity of case definitions, which should be kept in mind for future studies.
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 | 0,001 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».