Mining rich health data from Canadian physician claims: features and face validity
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
BACKGROUND: Physician claims data are one of the largest sources of coded health information unique to Canada. There is skepticism from data users about the quality of this data. This study investigated features of diagnostic codes used in the Alberta physician claims database. METHODS: Alberta physician claims from January 1 to March 31, 2011 are analyzed. Claims contain coded diagnoses using the International Classification of Diseases, 9th revision (ICD-9), procedures, physician specialty and service-fee type. Descriptive statistics examined the diversity and frequency of unique ICD-9 diagnostic codes used and the level of code extension (e.g. 3- or 4-digit coding). RESULTS: A total of 7,441,005 claims by 6,601 physicians were analyzed. The average number of claims per physician was 1,079, with ranges between 1,330 for family medicine, 690 for internal medicine, 722 for surgery, 516 for pediatrics and 409 for neurology. Family physicians used an average of 121 diagnostic codes, internal medicine physicians 32, surgery 36, pediatrics 46 and neurology 27. Overall, 43.5% of claims had a more detailed diagnosis (ICD code with >3 digits). Physicians on a fee-for-service plan submitted 1,184 claims and used 88 unique diagnosis codes on average compared to 438 claims and 44 unique diagnosis codes from physicians on an alternative payment plan (APP). CONCLUSIONS: Face validity of diagnosis coded in physician claims is substantially high and the features of diagnosis codes seem to reasonably reflect the clinical specialty. Physicians submit a diverse array of ICD 9 diagnostic codes and nearly half of the ICD-9 diagnostic codes examined were more detailed than required (i.e. ICD code with >3 digits). Finally, guidelines and policies should be explored to assess the submission of shadow billings for physicians on APPs.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| 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