Identifying Individuals with Multiple Sclerosis in an Electronic Medical Record (P3.138)
Notice bibliographique
Résumé
OBJECTIVE: To identify the optimal algorithm for accurately identifying individuals with multiple sclerosis (MS) in an electronic medical record (EMR). BACKGROUND: The increasing use of EMRs presents a unique opportunity to efficiently evaluate and improve quality of care for individuals with MS. EMRs provide more detailed clinical information than administrative databases. Additionally, primary care EMRs are less costly and provide a broader picture of MS patient management compared to information in subspecialty clinic registries. We set out to establish an algorithm to identify individuals with MS in an EMR to facilitate future studies. DESIGN/METHODS: We used a sample of 73,003 adult patients from 83 primary care physicians in Ontario using the Electronic Medical Record Administrative data Linked Database (EMRALD). A reference sample of 247 individuals with MS was identified through chart abstraction. The accuracy of identifying individuals with MS was assessed through testing algorithms that included various combinations of information in the cumulative patient profile (CPP), MS-specific prescriptions and physician billing codes for MS (code 340). RESULTS: The optimal algorithm was MS listed in the CPP, prescriptions for MS-specific medications or physician billing code 340 used at least four times. It performed with a sensitivity of 86.6% (95% confidence interval (CI) 81.8-90.6), specificity of 99.9% (95%CI 99.9-99.9), positive predictive value of 80.1% (95%CI 74.9-84.8), negative predictive value of 100% (95%CI 99.9-100) compared to the reference standard of MS status as recorded in the EMR. CONCLUSIONS: Data within an EMR can be used to accurately identify patients with MS. This study has positive implications for clinicians, researchers and policy makers as it provides the potential to identify cohorts of MS patients in the primary care setting to study patterns of care including symptom onset to diagnosis and screening for and management of comorbid conditions in MS patients compared to control patients. Study supported by: A grant from the Canadian Institutes of Health Research (CIHR).
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 | 0,004 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».