Assessment of accuracy of data obtained from patient-reported questionnaire (PRQ) compared to electronic patient records (EPR) in patients with lung cancer.
Notice bibliographique
Résumé
40 Background: Cigarette smoking, alcohol consumption and co-morbidities are important determinants of health in lung cancer patients. The gold standard for obtaining accurate data is PRQ. The purpose of this study is to ascertain the accuracy of abstracting health-related behaviour data from retrospective chart review compared to data directly obtained from PRQ in a lung cancer patient population. Methods: 731 lung cancer patients completed a PRQ related to lifetime tobacco use, alcohol consumption and co-morbidity. Relevant smoking, alcohol and co-morbidity data was collected independently from EPR. Results: Ever/never status for smoking showed almost perfect agreement (k=0.95) between PRQ and EPR and surpassed all other health behavioural measures and co-morbidity agreement values. Both the sensitivity and specificity were high (0.94 and 0.99 respectively). The calculation of pack-years from EPR and PRQ showed substantial agreement (k=0.77); However, categorizing the smoking status into current/ former / never, resulted in moderate agreement (k=0.46). Alcohol ever/ never status agreement was moderate (0.43) with high sensitivity (0.90) but low specificity (0.50). Agreement for co-morbidities varied by condition showing moderate to substantial agreement for hypertension (K=0.57), heart attack (K=0.80) and diabetes (K=0.76) while fair to slight agreement (K<0.4) was seen in the others. Specificity was 0.86 or higher for co-morbidity conditions and was consistently higher than the sensitivity. Conclusions: EPR may be used as a reliable surrogate to PRQ in determining ever/never smoking status and lifetime smoking exposure. Evaluation of current/former/never smoking status and alcohol consumption is best determined by PRQ. Diabetes, hypertension and heart attack are more accurately reported in the PRQ than other co-morbidities. Patients tend to report absence of a medical condition more accurately than the presence of it. Missing EPR data related to smoking pack years, alcohol consumption and lung co-morbidities is concerning and suggests more synoptic reporting by physicians would improve opportunities for 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,128 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».