Under-coding of secondary conditions in coded hospital health data: impact of co-existing conditions, death status and number of codes in a record
Notice bibliographique
Résumé
ABSTRACTObjectivesAdministrative health data including hospital discharge abstract data have been widely collected and analyzed for various purposes, including disease surveillance, case-mix costing, tracking healthcare system performance, policy-making and research. This study examined the coding validity of hypertension, diabetes, obesity and depression related to the presence of their co-existing conditions, death status and number of diagnosis codes in hospital discharge abstract data (DAD).
 ApproachWe randomly selected around 4000 DAD records from four teaching hospitals in Alberta, Canada and reviewed their charts to extract 31 conditions listed in Charlson and Elixhauser comorbidity indices. Conditions associated with the four study conditions were identified through multivariable logistic regression. We examined the coding validity of the four study conditions related to whether their co-existing conditions were coded, whether the patient died in hospital and the total number of diagnosis codes recorded in a DAD record.Results Hypertension, diabetes, obesity and depression are generally secondary diagnosis and their validity are affected by the coding of their co-existing conditions. The sensitivity for the four conditions increased as the total number of diagnosis codes in the record increased. The impact of death status on coding validity for the four conditions was minimal.ConclusionThe coding validity of conditions is closely related to its clinical importance and complexity of patients’ case mix. We recommend mandatory coding of certain secondary diagnosis to meet the need of health research based on administrative health data.
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 | 0,005 | 0,004 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».