A cohort study on physician documentation and the accuracy of administrative data coding to improve passive surveillance of transient ischaemic attacks
Notice bibliographique
Résumé
BACKGROUND: Administrative health data are valuable in health research and disease surveillance, but have low to moderate sensitivity in identifying transient ischaemic attacks (TIA) in the emergency department (ED). We aimed to identify the predictors of coding accuracy for TIA. METHODS: The study population was obtained from two ongoing studies on the diagnosis of TIA, minor stroke and stroke mimic. ED charts were manually reviewed by a stroke neurologist to obtain the clinical diagnosis, patient characteristics and content of physician documentation. Administrative data codes were compared with the chart-adjudicated diagnosis to determine cases of misclassification by administrative data. Univariable regression was used to evaluate candidate predictors of disagreement, and the significant variables were tested in a multivariable model to obtain an adjusted estimate of effect. RESULTS: Among 417 patients (39.1% TIA, 37.2% minor stroke and 23.7% stroke mimics), there were 122 cases of disagreement between adjudications and administrative data codes for the diagnosis of TIA. The majority of disagreement (n=103/122, 84.4%) arose from adjudicated TIA cases that were misclassified as non-TIA in administrative data coding. There were 78 (18.7%) charts with documented uncertain diagnosis, and 73 (17.5%) charts had no definite diagnosis. The relative risk of disagreement between chart adjudication and administrative data coding when the final diagnosis was uncertain or absent was 1.82(1.36, 2.44) and the risk difference was 18.5%. Multivariable logistic regression analyses confirmed this association using different case definition algorithms. CONCLUSIONS: In suspected patients with TIA and minor stroke presenting to the ED, physician documentation was the dominant factor in coding accuracy, supporting the concept that physicians are active participants in administrative data coding. Strategies to improve chart documentation are predicted to have a positive effect on coding accuracy.
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 | 0,010 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».