The spectrum of rheumatic in-patient diagnoses at a pediatric hospital in Kenya
Notice bibliographique
Résumé
BACKGROUND: Pediatric rheumatic diseases are chronic illnesses that can cause considerable disease burden to children and their families. There is limited epidemiologic data on these diseases in East Africa. The aim of this study was to assess the spectrum of pediatric rheumatic diagnoses in an in-patient setting and determine the accuracy of ICD-10 codes in identifying these conditions. METHODS: Medical records from Gertrude's Children's Hospital in Kenya were reviewed for patients diagnosed with "diseases of the musculoskeletal system and connective tissue" as per ICD-10 diagnostic codes assigned at discharge between January and December 2011. Cases were classified as "rheumatic" or "non-rheumatic". Accuracy of the assigned ICD-10 code was ascertained. Death records were reviewed. Longitudinal follow-up of "rheumatic" cases was done by chart review up to March 2014. RESULTS: Twenty six patients were classified as having a "rheumatic" condition accounting for 0.32% of patients admitted. Of these, 11 (42.3%) had an acute inflammatory arthropathy, 6 (23.1%) had septic arthritis, 4 (15.4%) had Kawasaki disease, 2 (7.7%) had pyomyositis, and there was one case each of septic bursitis, rheumatic fever, and a non-specific soft tissue disorder. No cases of juvenile idiopathic arthritis (JIA) were identified. One case of systemic lupus erythematosus was documented by death records. The agreement between the treating physician's discharge diagnosis and medical records ICD-10 code assignment was good (Kappa: 0.769). On follow-up, one child had recurrent knee swelling that was suspicious for JIA. CONCLUSIONS: Pediatric rheumatic conditions represented 0.32% of admissions at a pediatric hospital in Kenya. Acute inflammatory arthropathies, septic arthritis and Kawasaki disease were the most frequent in-patient rheumatic diagnoses. Chronic pediatric rheumatic diseases were rare amongst this in-patient population. Despite limitations associated with the use of administrative diagnostic codes, they can be a first step in evaluating the spectrum of pediatric rheumatic conditions in Kenya and other countries in East Africa.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».