Myocardial infarction and the validation of physician billing and hospitalization data using electronic medical records
Notice bibliographique
Résumé
OBJECTIVE: Population-based identification of patients with a myocardial infarction is limited to patients presenting to hospital with an acute event. We set out to determine if adding physician billing data to hospital discharge data would result in an accurate capture of patients who have had a myocardial infarction. METHODS: We performed a retrospective chart abstraction of 969 randomly selected adult patients using data abstracted from primary care physicians on an electronic medical record in Ontario, Canada, as the reference standard. RESULTS: An algorithm of 3 physician billings in a one-year period with at least one being by a specialist or within a hospital or emergency room plus one hospital discharge abstract performed with a sensitivity of 80.4% (95% CI: 69.5-91.3), specificity of 98.0% (95% CI: 97.1-98.9), positive predictive value of 69.5% (95% CI: 57.7-81.2), negative predictive value of 98.9% (95% CI: 98.2% to 99.6%) and kappa statistic of 0.73 (95% CI: 0.63-0.83). CONCLUSION: Using a combination of hospital discharge abstracts and physician billing data may be the best way of assessing trends of MI occurrence over time since it increases the capture of MI beyond those patients who have been hospitalized.
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 ».