Influence of Using Different Databases and ‘Look Back’ Intervals to Define Comorbidity Profiles for Patients with Newly Diagnosed Hypertension: Implications for Health Services Researchers
Notice bibliographique
Résumé
OBJECTIVE: To determine the data sources and 'look back' intervals to define comorbidities. DATA SOURCES: Hospital discharge abstracts database (DAD), physician claims, population registry and death registry from April 1, 1994 to March 31, 2010 in Alberta, Canada. STUDY DESIGN: Newly-diagnosed hypertension cases from 1997 to 2008 fiscal years were identified and followed up to 12 years. We defined comorbidities using data sources and duration of retrospective observation (6 months, 1 year, 2 years, and 3 years). The C-statistics for logistic regression and concordance index (CI) for Cox model of mortality and cardiovascular disease hospitalization were used to evaluate discrimination performance for each approach of defining comorbidities. PRINCIPAL FINDINGS: The comorbidities prevalence became higher with a longer duration. Using DAD alone underestimated the prevalence by about 75%, compared to using both DAD and physician claims. The C-statistic and CI were highest when both DAD and physician claims were used, and model performance improved when observation duration increased from 6 months to one year or longer. CONCLUSION: The comorbidities prevalence is greatly impacted by the data source and duration of retrospective observation. A combination of DAD and physicians claims with at least one year observation duration improves predictions for cardiovascular disease and one-year mortality outcome model performance.
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 ».