Coding of Stroke and Stroke Risk Factors Using <i>International Classification of Diseases</i> , Revisions 9 and 10
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 AND PURPOSE: Surveillance is necessary to understand and meet the future demands stroke will place on health care. Administrative data are the most accessible data source for stroke surveillance in Canada. The International Classification of Diseases, 10th revision (ICD-10) coding system has potential improvements over ICD-9 for stroke classification. Our purpose was to compare hospital discharge abstract coding using ICD-9 and ICD-10 for stroke and its risk factors. METHODS: We took advantage of a switch in coding systems from ICD-9 to ICD-10 to independently review stroke patient charts. From time periods April 2000 to March 2001, 717 charts, and from April 2002 to March 2003, 249 charts were randomly selected for review. Using a before-and-after time period design, the accuracy of hospital coding of stroke (part I) and stroke risk factors (part II) using ICD-9 and ICD-10 was compared. We used careful definitions of stroke and its types based on ICD-9 using the fourth and fifth digit modifier codes. RESULTS: Stroke coding was equally good with ICD-9 (90% [CI95 86 to 93] correct) and ICD-10 [92% (CI95 88 to 95 correct) with ICD-10. There were some differences in coding by stroke type, notably with transient ischemic attack, but these differences were not statistically significant. Atrial fibrillation, coronary artery disease/ischemic heart disease, diabetes mellitus, and hypertension were coded with high sensitivity (81% to 91%) and specificity (83% to 100%). ICD-10 was as good as ICD-9 for stroke risk factor coding. CONCLUSIONS: Passive surveillance using administrative data are a useful tool for identifying stroke and its risk factors using both ICD-9 and ICD-10.
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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 découle