Identifying Patients With Atrial Fibrillation in Administrative Data
Notice bibliographique
Résumé
BACKGROUND: Identifying patients with atrial fibrillation (AF) using administrative data is important for epidemiologic and outcomes research. Although administrative data cover large populations, it is necessary to assess their validity in identifying AF patients. METHODS: We used Ontario family physician electronic medical records from the Electronic Medical Record Administrative data Linked Database (EMRALD) as a reference standard to assess the accuracy of administrative data algorithms in identifying patients with AF. From a random sample of 7500 adult patients, patients with AF as recorded in family physician records were identified. RESULTS: The optimal algorithm consisted of any of: hospitalization or an emergency room code for AF or prescription for an AF-specific antiarrhythmic agent or billing code for cardioversion, or prescription for an anticoagulant that was accompanied by a physician billing code. for arrhythmia. The algorithm sensitivity was 80.7% (95% confidence interval [CI], 75.1-86.3), specificity 99.1% (95% CI, 98.9-99.3), positive predictive value 71.1% (95% CI, 65.1-77.1), and negative predictive value 99.5% (95% CI, 99.3-99.7). This algorithm, applied to the Ontario population, resulted in a calculated increase in AF prevalence from 1.68% to 2.36% over the years 2000-2014. Anticoagulation rates for AF patients increased from 53% in 2011 to 60% in 2014. Among AF patients receiving anticoagulants, novel oral anticoagulant utilization increased from < 5% in 2011 to > 50% in 2014. CONCLUSIONS: Identifying patients with AF can be done using administrative data, and the algorithm can be used to assess trends in disease burden over time and patterns of care in large populations.
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 ».