Methods of defining hypertension in electronic medical records: validation against national survey data
Notice bibliographique
Résumé
ABSTRACTObjectivesElectronic medical records (EMR) can be a cost-effective source for hypertension surveillance. However, diagnosis of hypertension in EMR is commonly under-coded and warrants the needs to review blood pressure and antihypertensive drugs for hypertension case identification. To advocate for the use of EMR data for research, we developed methods for defining hypertension using diagnosis codes, blood pressure measurements and antihypertensive drug prescriptionApproachWe included all the patients actively registered in The Health Improvement Network (THIN) database, UK, on 31 December 2011. Three case definitions using diagnosis code, antihypertensive drug prescriptions and abnormal blood pressure, respectively, were used to identify hypertension patients. We compared the prevalence and treatment rate of hypertension in THIN with results from Health Survey for England (HSE) in 2011. ResultsCompared with prevalence reported by HSE (29.7%), the use of diagnosis code alone (14.0%) underestimated hypertension prevalence. The use of any of the definitions (38.4%) or the combination of antihypertensive drug prescriptions and abnormal blood pressure (38.4%) had the higher prevalence than HSE. The use of diagnosis code or two abnormal blood pressure records within a 2-year period (31.1%) had similar prevalence and treatment rate of hypertension with HSE. ConclusionsDifferent definitions should be used for different study purposes. The definition of ‘diagnosis code or two abnormal blood pressure records with a 2-year period’ could be used for hypertension surveillance in THIN.
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 | 0,013 | 0,026 |
| 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 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».