Charts versus Discharge ICD-10 Coding for Sternal Wound Infection Following Coronary Artery Bypass Grafting.
Notice bibliographique
Résumé
BACKGROUND: Sternal wound infection (SWI) in patients undergoing coronary artery bypass grafting (CABG) can carry a significant risk of morbidity and mortality. The objective of this work is to describe the methods used to identify cases of SWI in an administrative database and to demonstrate the effectiveness of using an International Classification of Diseases, Tenth Revision (ICD-10) coding algorithm for this purpose. METHODS: ICD-10 codes were used to identify cases of SWI within one year of CABG between April 2002 and November 2009. We randomly chose 200 charts for detailed chart review (100 from each of the groups coded as having SWI and not having SWI) to determine the utility of the ICD-10 coding algorithm. RESULTS: There were 2,820 patients undergoing CABG. Of these, 264 (9.4 percent) were coded as having SWI. Thirty-eight cases of SWI were identified by chart review. The ICD-10 coding algorithm of T81.3 or T81.4 was able to identify incident SWI with a positive predictive value of 35 percent and a negative predictive value of 97 percent. The agreement between the ICD-10 coding algorithm and presence of SWI remained fair, with an overall kappa coefficient of 0.32 (95 percent confidence interval, 0.22-0.43). The effectiveness of identifying deep SWI cases is also presented. CONCLUSIONS: This article describes an effective algorithm for identifying a cohort of patients with SWI following open sternotomy in large databases using ICD-10 coding. In addition, alternative search strategies are presented to suit researchers' needs.
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 | 0,001 | 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 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 ».