Adaptation and Validation of the Combined Comorbidity Score for ICD-10-CM
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The combined comorbidity score, which merges the Charlson and Elixhauser comorbidity indices, uses the ninth revision of the International Classification of Diseases, Clinical Modification (ICD-9-CM). In October 2015, the United States adopted the 10th revision (ICD-10-CM). OBJECTIVE: The objective of this study is to examine different coding algorithms for the ICD-10-CM combined comorbidity score and compare their performance to the original ICD-9-CM score. METHODS: Four ICD-10-CM coding algorithms were defined: 2 using General Equivalence Mappings (GEMs), one based on ICD-10-CA (Canadian modification) codes for Charlson and Elixhauser measures, and one including codes from all 3 algorithms. We used claims data from the Clinfomatics Data Mart to identify 2 cohorts. The ICD-10-CM cohort comprised patients who had a hospitalization between January 1, 2016 and March 1, 2016. The ICD-9-CM cohort comprised patients who had a hospitalization between January 1, 2015 and March 1, 2015. We used logistic regression models to predict 30-day hospital readmission for the original score in the ICD-9-CM cohort and for each ICD-10-CM algorithm in the ICD-10-CM cohort. RESULTS: Distributions of each version of the score were similar. The algorithm based on ICD-10-CA codes [c-statistic, 0.646; 95% confidence interval (CI), 0.640-0.653] had the most similar discrimination for readmission to the ICD-9-CM version (c, 0.646; 95% CI, 0.639-0.653), but combining all identified ICD-10-CM codes had the highest c-statistic (c, 0.651; 95% CI, 0.644-0.657). CONCLUSIONS: We propose an ICD-10-CM version of the combined comorbidity score that includes codes identified by ICD-10-CA and GEMs. Compared with the original score, it has similar performance in predicting readmission in a population of United States commercially insured individuals.
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.
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 | 0,006 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle