Performance of administrative case definitions for comorbidity in multiple sclerosis in Manitoba and Nova Scotia
Notice bibliographique
Résumé
INTRODUCTION: As the population ages and the prevalence of comorbid conditions increases, the need for feasible, validated methods of comorbidity surveillance in chronic diseases such as multiple sclerosis (MS) increases. METHODS: Using kappa (k) statistics, we evaluated the performance of administrative case definitions for comorbidities commonly observed in MS by comparing agreement between Manitoba (MB) administrative data and self-report (n = 606) and Nova Scotia (NS) administrative data and self-report (n = 1923). RESULTS: Agreement between the administrative definitions and self-report was substantial for hypertension (k = 0.69 [NS], 0.76 [MB]) and diabetes (k = 0.70 [NS], 0.66 [MB]); moderate for hyperlipidemia (k = 0.53 [NS], 0.51 [MB]) and heart disease (k = 0.42 [NS], 0.51 [MB]) and fair for anxiety (k = 0.27 [NS], 0.26 [MB]). In NS, agreement was substantial for inflammatory bowel disease (k = 0.71) and moderate for epilepsy (k = 0.48). CONCLUSION: Administrative definitions for commonly observed comorbidities in MS performed well in 2 distinct jurisdictions. This suggests that they could be used more broadly across Canada and in national studies.
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 | 0,011 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».