Accuracy of Administrative Health Data for Surveillance of Traumatic Brain Injury
Notice bibliographique
Résumé
BACKGROUND: Traumatic brain injury surveillance provides information for allocating resources to prevention efforts. Administrative data are widely available and inexpensive but may underestimate traumatic brain injury burden by misclassifying cases. Moreover, previous studies evaluating the accuracy of administrative data surveillance case definitions were at risk of bias by using imperfect diagnostic definitions as reference standards. We assessed the accuracy (sensitivity/specificity) of traumatic brain injury surveillance case definitions in administrative data, without using a reference standard, to estimate incidence accurately. METHODS: We used administrative data from a 25% random sample of Montreal residents from 2000 to 2014. We used hierarchical Bayesian latent class models to estimate the accuracy of widely used traumatic brain injury case definitions based on the International Classification of Diseases, or on head radiologic examinations, covering the full injury spectrum in children, adults, and the elderly. We estimated measurement error-adjusted age- and severity-specific incidence. RESULTS: The adjusted traumatic brain injury incidence was 76 (95% CrI = 68, 85) per 10,000 person-years (underestimated as 54 [95% CrI = 54, 55] per 10,000 without adjustment). The most sensitive case definitions were radiologic examination claims in adults/elderly (0.48; 95% CrI = 0.43, 0.55 and 0.66; 95% CrI = 0.54, 0.79) and emergency department claims in children (0.45; 95% CrI = 0.39, 0.52). The most specific case definitions were inpatient claims and discharge abstracts (0.99; 95% CrI = 0.99, 1.00). We noted strong secular trends in case definition accuracy. CONCLUSIONS: Administrative data remain a useful tool for conducting traumatic brain injury surveillance and epidemiologic research when measurement error is adjusted for.
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 | 0,004 | 0,023 |
| 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 | 0,001 |
| 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 ».