Validation of an Algorithm to Identify Infective Endocarditis in People Who Inject Drugs
Notice bibliographique
Résumé
INTRODUCTION: Infective endocarditis is associated with high morbidity and mortality. Currently, there is concern that the incidence of infective endocarditis associated with people who inject drugs (PWID) is increasing. However, it is difficult to monitor population-wide trends in PWID-associated infective endocarditis, as there is no International Statistical Classification of Diseases, 10th Revision (ICD-10) code for injection drug use. To address this barrier, we sought to develop a validated algorithm using ICD-10 discharge diagnosis codes. MATERIALS AND METHODS: We constructed a cohort of patients whose hospital discharge diagnosis included infective endocarditis. We reviewed 100 patients with incident infective endocarditis from 2014 to 2016 for their infective endocarditis and injection drug use status. We calculated the operating characteristics for algorithms constructed using permutations of ICD-10 codes associated with injection drug use. We repeated this analysis in a cohort of 100 patients with incident infective endocarditis from 2009 to 2011 to examine the temporal stability of the operating characteristics of each algorithm. RESULTS: We found that a combination of hepatitis C virus, drug use, and mental/behavioral disorder codes yielded the highest sensitivity (93%) and positive predictive value (83%) of the algorithms analyzed. DISCUSSION: We have described the first algorithm, validated against chart review data, for identifying PWID-associated infective endocarditis cases using ICD-10 codes. The high sensitivity and positive predictive value indicate that this algorithm can be used for surveillance and research with confidence. CONCLUSIONS: This algorithm will enable researchers to examine epidemiological trends in PWID-associated infective endocarditis.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».