Can Chemotherapy-Related Acute Care Visits Be Accurately Identified in Administrative Data?
Notice bibliographique
Résumé
PURPOSE: There is increasing interest in using administrative data to examine treatment-related complications that lead to emergency department (ED) visits or hospitalizations (H). The purpose of this study was to evaluate the reliability of billing codes for identifying chemotherapy-related acute care visits (CRVs) among women with early-stage breast cancer. MATERIALS AND METHODS: The cohort was identified by using deterministically linked health databases and consisted of women who were diagnosed with early-stage breast cancer who started adjuvant chemotherapy between 2007 and 2009 in Ontario, Canada. A random sample of 496 patient cases was chosen as the validation cohort. Sensitivity (SN) and specificity (SP) were calculated for three scenarios: chemotherapy-related ED visit, chemotherapy-related H, and febrile neutropenia (FN)-related visit. For FN-related visits, three definitions were considered: general, moderate, and strict. RESULTS: The administrative cohort consisted of 8,359 patients, 43.4% of whom had at least one ED or H, including 1,496 women who had multiple visits that resulted in 6,293 unique visits. Of these, 73.1% were considered CRVs. The algorithm performed well in identifying CRVs that included H either from ED (SN, 90%; SP, 100%) or directly from home (SN, 91%; SP, 93%), but less well for ED visits that did not result in H (SN, 65%; SP, 80%). Depending on which FN algorithm was used, 4.8% to 24% of visits were considered related. The moderate FN algorithm provided the best tradeoff between SN (69% to 97%) and SP (83% to 98%). CONCLUSION: Administrative data can be valuable in evaluating chemotherapy-related serious events. Algorithm validation in other cohorts is needed.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».