Creation of an Algorithm to Identify Non-traumatic Spinal Cord Dysfunction Patients in Canada Using Administrative Health Data
Notice bibliographique
Résumé
The lack of consensus on the best methodology for identifying cases of non-traumatic spinal cord dysfunction (NTSCD) in administrative health data limits the ability to determine the burden of disease and provide evidence-informed services. Objective: The purpose of this study is to develop an algorithm for identifying cases of NTSCD with Canadian health administrative databases using a case-based approach. Method: Data were provided by the Canadian Institute for Health Information that included all acute care hospital and day surgery (Discharge Abstract Database), ambulatory (National Ambulatory Care Reporting System), and inpatient rehabilitation records (National Rehabilitation Reporting System) of patients with neurological impairment (paraplegia, tetraplegia, and cauda equina syndrome) between April 1, 2004 and March 31, 2011. The approach to identify cases of NTSCD involved using a combination of diagnostic codes for neurological impairment and NTSCD etiology. Results: Of the initial cohort of 23,703 patients with neurological impairment, we classified 6,362 as the "most likely NTSCD" group (had a most responsible diagnosis or pre-existing diagnosis of NTSCD and diagnosis of neurological impairment); 2,777 as "probable NTSCD" defined as having a secondary diagnosis of NTSCD, and 11,179 as "possible NTSCD" who had no NTSCD etiology diagnoses but neurological impairment codes. Conclusion: The proposed algorithm identifies an inpatient NTSCD cohort that is limited to patients with significant paralysis. This feasibility study is the first in a series of 3 that has the potential to inform future research initiatives to accurately determine the incidence and prevalence of NTSCD.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».