Validating a case definition for chronic kidney disease using administrative data
Notice bibliographique
Résumé
BACKGROUND: Administrative data are commonly used for surveillance of chronic medical conditions. The purpose of this study was to determine the validity of an algorithm derived from administrative data for identifying chronic kidney disease (CKD) compared to the reference standard of estimated glomerular filtration rate (eGFR). METHODS: We identified adults from the province of Alberta with at least two outpatient serum creatinine measurements within a 1-year time period. Validity indices were estimated for CKD using up to 3 years of administrative data (physician billing claims and hospital discharge abstracts) for various case-definition combinations. For each algorithm, the sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV) were calculated against two reference standard definitions of CKD (two eGFR measurements <60 mL/min/1.73m(2) or mean eGFR < 30 mL/min/1.73m(2)). RESULTS: A total of 321 293 eligible subjects were identified. Irrespective of the algorithm, sensitivities for defining CKD (eGFR < 60 mL/min/1.73m(2)) using administrative codes were low. A case-definition algorithm employing two physician claims or one hospitalization within a 2-year period had sensitivity of 19.4%, specificity of 97.2%, PPV of 60.1% and NPV of 84.8% for detecting CKD. Estimates of sensitivity were higher when <30 mL/min/1.73m(2) was used as the reference standard, although PPVs were lower and consistently less than 50%. CONCLUSION: These results, using eGFR as a reference standard, suggest that administrative data have insufficient sensitivity and PPV for CKD surveillance, although they may be useful when highly specific algorithms are required for research purposes.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».