Identification of patients with systemic lupus erythematosus in administrative healthcare databases
Notice bibliographique
Résumé
OBJECTIVE: Our aim was to validate and compare decision rules for the identification of patients with systemic lupus erythematosus (SLE) in administrative healthcare databases. METHODS: A retrospective cohort study was performed using administrative health care data from a population of 1 million people with access to universal healthcare. Information was available on hospital discharges and physician billings over a 10-year period. Each SLE case was matched 4:1 by age and gender to randomly selected controls. Seven case definitions were applied to identify SLE cases and their performance compared with the diagnosis by a rheumatologist. RESULTS: We identified 373 SLE cases and 1492 non-SLE controls, all of whom had been reviewed by a rheumatologist. The overall accuracy of the case definitions for SLE cases varied between 88.2-95.6% with a kappa statistic between 0.53-0.86. The sensitivity varied from 41.0-86.6% and the specificity between 92.4-99.9%. In a total reference population of 1 million the mean estimated annual incidence of SLE was between 29-255 and the mean estimated annual prevalence was between 172-920. CONCLUSION: The accuracy of case definitions for the identification of SLE patients in administrative healthcare databases is variable and this should be considered when comparing results across studies. This variability may also be used to advantage in different study designs depending on the relative importance of sensitivity and specificity for identifying the population of interest to the research question.
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 | 0,045 | 0,165 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».