Neuropathic pain in a primary care electronic health record database
Notice bibliographique
Résumé
BACKGROUND: Neuropathic pain (NP) is common in the adult population but is difficult to study in electronic health record (EHR) databases because it is a symptom rather than a pathologic diagnosis. The first step in studying NP in EHR databases is to develop methods for identifying patients with NP. The objectives of this study were to develop estimates of the prevalence of NP among patients in a primary care EHR database and describe these patients' demographic characteristics and health-care utilization. METHODS: This was a retrospective cohort study of de-identified data from a 5-year period (2005-2010) from 23 general practitioners (GPs) in 10 primary care practices in southwestern Ontario, Canada. International Classification of Diseases version 9 (ICD-9) diagnostic codes and medication prescriptions were used to identify patients with certain and probable NP. RESULTS: Different methods produced prevalence estimates ranging from 1.5% (for certain NP in the epidemiologically rigorous period cohort) to 11.2% (for certain NP + probable NP in the more inclusive database cohort). Patients in the NP groups had more GP visits, specialist referrals and analgesic prescriptions than patients without NP. CONCLUSION: This study represents a step towards being able to utilize EHR databases to study NP by proposing methods to identify patients with certain and probable NP in a primary care EHR database. Validation against a gold standard is the next step.
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 | 0,006 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 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 | 0,000 |
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 ».