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 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 | 0,025 | 0,130 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,008 |
| Bibliométrie | 0,017 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».