MétaCan
Menu
Retour à la cohorte
Enregistrement W2328211964 · doi:10.1097/mlr.0000000000000484

Validation of Molecular Pathology Codes for the Identification of Mutational Testing in Lung and Colon Cancer

2016· article· en· W2328211964 sur OpenAlexaff
Anil Vachani, Yu‐Ning Wong, Jennifer Israelite, Nandita Mitra, Sakhena Hin, Lin Yang, Aaron Smith–McLallen, Katrina Armstrong, Peter W. Groeneveld, Andrew J. Epstein

Notice bibliographique

RevueMedical Care · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueLung Cancer Treatments and Mutations
Établissements canadiensInstitute of Health Economics
Organismes subventionnairesNational Institute of Environmental Health Sciences
Mots-clésMedicineColorectal cancerLung cancerCancerInternal medicineCurrent Procedural TerminologyOncologyKRASMutationAlgorithmSurgeryGeneBiologyComputer scienceGenetics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Targeted therapy for patients with lung and colon cancer based on tumor molecular profiles is an important cancer treatment strategy, but the impact of gene mutation tests on cancer treatment and outcomes in large populations is not clear. In this study, we assessed the accuracy of an algorithm to identify tumor mutation testing in administrative claims data during a period before test-specific Current Procedural Terminology codes were available. MATERIALS AND METHODS: We used Pennsylvania Cancer Registry data to select patients with lung or colon cancer diagnosed between 2007 and 2011 who were treated at the University of Pennsylvania Health System, and we obtained their administrative claims. A combination of Current Procedural Terminology laboratory codes (stacking codes) was used to identify potential tumor mutation testing in the claims data. Patients' electronic medical records were then searched to determine whether tumor mutation testing actually had been performed. The sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV) were calculated. RESULTS: An algorithm using stacking codes had moderate sensitivity (86% for lung cancer and 81% for colon cancer) and high specificity (98% for lung cancer and 96% for colon cancer). Sensitivity and specificity did not vary significantly during 2007-2011. In patients with lung cancer, PPV was 98% and NPV was 92%. In patients with colon cancer, PPV was 96% and NPV was 83%. CONCLUSIONS: An algorithm using stacking codes can identify tumor mutation testing in administrative claims data among patients with lung and colon cancer with a high degree of accuracy.

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)0,013
score de la tête « metaresearch » (Gemma)0,069
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 enseignants0,013
Score d'incertitude au seuil0,071

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,069
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0060,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
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 Opus0,017
Tête enseignante GPT0,366
Écart entre enseignants0,349 · 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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical CareMême sujetLung Cancer Treatments and MutationsTravaux en français237 207