Case Definitions for Chronic Rhinosinusitis in Administrative Data: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: The use of administrative data for pharmacoepidemiologic research on chronic rhinosinusitis (CRS) has become increasingly popular. Although large sample sizes and ease of accessibility have made electronic health data an attractive data option, the risk of inaccurate cohort identification can lead to biased outcomes. OBJECTIVES: The objectives of this systematic review were to (1) report current case definitions for CRS used in administrative data base research, and (2) define the various administrative data bases used for CRS research. METHODS: Medical literature data bases were searched from the date of their inception to February 1, 2015. Included studies were publications that obtained CRS-specific data from a health records data base. Studies were excluded if they evaluated a non-CRS cohort, failed to use or report an international classification of disease (ICD) code in the case definition, or published in a non-peer-reviewed journal. RESULTS: Of the 27 studies that met inclusion criteria, 8 different CRS case definitions were identified and 13 administrative data bases were evaluated. Of the 8 different CRS case definitions identified, only one was validated. The most commonly used CRS case definition was the ICD-9 473.x code alone. CONCLUSION: To optimize the accuracy of pharmacoepidemiologic research for CRS that used administrative data, it is important to apply appropriate case definitions for CRS. Various nonvalidated CRS case definitions are currently being used in administrative data base research. There is a need to develop a generalizable and validated ICD-based CRS case definition to increase the accuracy of future pharmacoepidemiologic research.
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) | 0,004 | 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 | 0,001 |
| 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 ».