Chronic rhinosinusitis identification in administrative databases and health surveys: A systematic review
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: Much of the epidemiological data on chronic rhinosinusitis (CRS) are based on large administrative databases and health surveys. The accuracy of CRS identification with these methods is unknown. METHODS: A systematic review was performed to identify studies that measured the accuracy of CRS diagnoses in large administrative databases or within health surveys. The Quality Assessment of Diagnostic Accuracy Studies 2 tool was used to assess study quality. RESULTS: Of 512 abstracts initially identified, 122 were selected for full-text review; only three studies (2.5%) measured the accuracy of CRS patient identification. In a single, large administrative database study with a CRS prevalence of 54.8%, a single International Classification of Diseases-9th Revision diagnostic code for CRS had a positive predictive value (PPV) of only 34%. A diagnostic code algorithm identified CRS patients with a PPV of 91.3% (95% confidence interval [CI], 85.3-95.1); in a population with a CRS prevalence of 5%, this algorithm had a PPV of 31%. In health survey studies having an estimated CRS prevalence of 25% to 46%, self-reported symptom-based CRS diagnosis had a PPV of 62% (95% CI, 50.2-72.1) when nasal endoscopy was the gold standard for CRS diagnosis, and 70% (95% CI, 57.4-80.8) when otolaryngologist-based CRS diagnosis (after interview and nasal endoscopy) was the gold standard. CONCLUSION: Most health administrative data and health surveys examining CRS did not consider the accuracy of case identification. For unselected populations, administrative data and health surveys using self-reported diagnoses inaccurately identify patients with CRS. Epidemiological results based on such data should be interpreted with these results in mind. Laryngoscope, 126:1303-1310, 2016.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».