Validation of a Population-Based Algorithm to Detect Chronic Psychotic Illness
Notice bibliographique
Résumé
OBJECTIVE: To validate algorithms to detect people with chronic psychotic illness in population-based health administrative databases. METHOD: We developed 8 algorithms to detect chronic psychotic illness using hospitalization and physician service claims data from administrative health databases in Ontario to identify cases of chronic psychotic illness between 2002 and 2007. Diagnostic data abstracted from the records of 281 randomly selected psychiatric patients from 2 hospitals in Toronto were linked to the administrative data cohort to test sensitivity, specificity, and positive predictive values (PPV) and negative predictive values. RESULTS: Using only hospitalization data to capture chronic psychotic illness yielded the highest specificity (range 69.9% to 84.7%) and the highest PPV (range 55.2% to 80.8%). Using physician service claims in addition to hospitalization data to capture cases increased sensitivity (range 90.1% to 98.8%) but decreased specificity (range 31.1% to 68.0%) and PPV (range 38.4% to 71.1%). CONCLUSION: Using health administrative data to study population-based outcomes for people with chronic psychotic illness is feasible and valid. Researchers can select case identification methods based on whether a more sensitive or more specific definition of chronic psychotic illness is desired.
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 | 0,000 | 0,000 |
| 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 ».