Validation of the Diagnostic Algorithms for 5 Chronic Conditions in the Canadian Primary Care Sentinel Surveillance Network (CPCSSN): A Kingston Practice-based Research Network (PBRN) Report
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: The objective of this study was to assess the validity of electronic medical records-based diagnostic algorithms for 5 chronic conditions. METHODS: A retrospective validation study using primary chart abstraction. A standardized abstraction form was developed to ascertain diagnoses of diabetes, hypertension, osteoarthritis, chronic obstructive pulmonary disease, and depression. Information about billing, laboratory tests, notes, specialist and hospital reports, and physiologic data was collected. An age-stratified random sample of 350 patient charts was selected from Kingston, Ontario, Canada. Approximately 90% of those charts were allocated to people aged ≥60 years. RESULTS: Three hundred thirteen patient records were included in the study. Patients' mean age was 68 years and 52% were women. High interrater reliability was indicated by 92% complete agreement and a κ statistic of 89.3%. The sensitivities of algorithms were 100% (diabetes), 83% (hypertension), 45% (osteoarthritis), 41% (chronic obstructive pulmonary disease), and 39% (depression). The lowest specificity was 97%, for depression. The positive predictive value ranged from 79% (depression) to 100%, and the negative predictive value ranged from 68% (osteoarthritis) to 100%. CONCLUSIONS: The diagnostic algorithms for diabetes and hypertension demonstrate adequate accuracy, thus allowing their use for research and policy-making purposes. The algorithms for the other 3 conditions require further refinement to attain better sensitivities.
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.
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 | 0,010 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle