Administrative data are not sensitive for the detection of peripheral artery disease in the community
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
We sought to evaluate whether case ascertainment using administrative health data would be a feasible way to identify peripheral artery disease (PAD) patients from the community. Subjects' ankle-brachial index (ABI) scores from two previous prospective observational studies were linked with International Classification of Diseases (ICD) and Canadian Classification of Interventions (CCI) codes from three administrative databases from April 2002 to March 2012, including the Alberta Inpatient Hospital Database (ICD-10-CA/CCI), Ambulatory Care Database (ICD-10-CA/CCI), and the Practitioner Payments Database (ICD-9-CM). We calculated diagnostic statistics for putative case definitions of PAD consisting of individual code or sets of codes, using an ABI score ⩽ 0.90 as the gold standard. Multivariate logistic regression was performed to investigate additional predictive factors for PAD. Different combinations of diagnostic codes and predictive factors were explored to find out the best algorithms for identifying a PAD study cohort. A total of 1459 patients were included in our analysis. The average age was 63.5 years, 66% were male, and the prevalence of PAD was 8.1%. The highest sensitivity of 34.7% was obtained using the algorithm of at least one ICD diagnostic or procedure code, with specificity 91.9%, positive predictive value (PPV) 27.5% and negative predictive value (NPV) 94.1%. The algorithm achieving the highest PPV of 65% was age ⩾ 70 years and at least one code within 443.9 (ICD-9-CM), I73.9, I79.2 (ICD-10-CA/CCI), or all procedure codes, validated with ABI < 1.0 (sensitivity 5.56%, specificity 99.4% and NPV 84.6%). In conclusion, ascertaining PAD using administrative data scores was insensitive compared with the ABI, limiting the use of administrative data in the community setting.
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) | 0,000 | 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 découle