MétaCan
Menu
Retour à la cohorte
Enregistrement W2170585699 · doi:10.1136/jech-2013-202386.4

PREVALENCE OF DYSLIPIDEMIA IN NEWFOUNDLAND ADULTS: APPROACHES TO ESTIMATION USING ELECTRONIC MEDICAL RECORDS

2013· article· en· W2170585699 sur OpenAlexaffabout
Justin D. Oake, Shabnam Asghari, Marshall Godwin, Kayla Collins, Kris Aubrey

Notice bibliographique

RevueJournal of Epidemiology & Community Health · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueDiabetes, Cardiovascular Risks, and Lipoproteins
Établissements canadiensNewfoundland and Labrador Centre for Applied Health ResearchMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésDyslipidemiaMedicineMedical recordDiabetes mellitusPopulationPredictive valueLipid profileDiagnosis codePediatricsInternal medicineDiseaseEnvironmental healthDemographyCholesterolEndocrinology

Résumé

récupéré en direct d'OpenAlex

Introduction Dyslipidemia is a leading risk factor for cardiovascular disease (CVD). Newfoundland and Labrador (NL) has a higher level of CVD mortality than any other province in Canada. This high level may be partially explained by the lipid profiles of people in this province. To our knowledge, there is no study in NL or Canada to use electronic medical records (EMR) to assess the prevalence of dyslipidemia. Objectives First, to assess the prevalence of dyslipidemia in NL using Canadian Primary Care Sentinel Surveillance Network (CPCSSN) EMR data. Second, to develop an algorithm that will provide a more accurate estimation of dyslipidemia using EMR data. Methods This is a secondary, cross-sectional analysis of existing data in our province. The study population included all patients aged 20 years or older who lived in NL. The most recent lipid profile (triglyceride, total cholesterol, high density lipoprotein (HDL-C), low density lipoprotein (LDL-C)) available on patients between 1 January 2009 and 31 December 2010 was identified. Independent variables included sex, age, lipid lowering medication use, and presence of comorbid conditions and other risk factors, such as hypertension and diabetes. The sensitivity, specificity, positive predictive value, negative predictive value and κ agreement, were calculated to compare different algorithms (ICD-9 code, laboratory result and lipid lowering medication use) for estimating the prevalence of dyslipidemia. Results This study included 4424 primary healthcare patients. Approximately 42% of patients were considered to have high total cholesterol, almost 36% had unhealthy levels of LDL-C, 25% had low HDL-C, and nearly 25% had high triglycerides. For adults with multiple dyslipidemias, elevated total cholesterol and LDL-C was the most common combination (32.9%), followed by elevated total cholesterol and triglycerides (13.1%). A combination of lipid lowering medication use and laboratory results revealed a sensitivity of 99.4%, and the κ agreement was 0.99 compared with the combination of the three existing variables. This algorithm showed a dyslipidemic prevalence of 76.0% among these patients. Conclusions Results of the NL component of the CPCSSN database showed a high prevalence of both individual and multiple dyslipidemias. Furthermore, the optimal criteria to estimate the prevalence of dyslipidemia in EMRs is using laboratory results together with lipid lowering medication use. These findings highlight the need for further investigation into lipid research in NL in order to determine the magnitude of dyslipidemia as an important risk factor of CVD and other chronic diseases in NL.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,025
score de la tête « metaresearch » (Gemma)0,054
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,702
Score d'incertitude au seuil0,593

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,054
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0110,010
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,144
Tête enseignante GPT0,370
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Epidemiology & Community HealthMême sujetDiabetes, Cardiovascular Risks, and LipoproteinsTravaux en français237 207