MétaCan
Menu
Retour à la cohorte
Enregistrement W2883238867 · doi:10.23889/ijpds.v3i1.445

Coding reliability and agreement of international classification of disease, 10th revision (ICD-10) codes in emergency department data

2018· article· en· W2883238867 sur OpenAlexaffabout
Mingkai Peng, Cathy A. Eastwood, Alicia Boxill, Rachel Jolley, Laura E. Rutherford, Karen Carlson, Stafford Dean, Hude Quan

Notice bibliographique

RevueInternational Journal for Population Data Science · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMedical Coding and Health Information
Établissements canadiensAlberta Health ServicesUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésAuditCoding (social sciences)Emergency departmentDiagnosis codeICD-10MedicineMedical emergencyReliability (semiconductor)Computer scienceStatisticsNursingEnvironmental healthBusinessMathematicsPopulation

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Administrative health data from emergency departments play important roles in understanding health needs of the public and reasons for health care resource use. International Classification of Disease (ICD) diagnostic codes have been widely used to code reasons of clinical encounters for administrative purposes in emergency departments. OBJECTIVE: The purpose of the study is to examine the coding agreement and reliability of ICD diagnosis codes in emergency department records through auditing the routinely collected data. METHODS: We randomly sampled 1 percent of records (n=1636) between October and December 2013 from 11 emergency departments in Alberta, Canada. Auditors were employed to review the same chart and independently assign main diagnosis codes. We assessed coding agreement and reliability through comparison of codes assigned by auditors and hospital coders using proportion of agreement and Cohen's kappa. Error analysis was conducted to review diagnosis codes with disagreement and categorized them into six groups. RESULTS: Overall, the agreement was 86.5% and 82.2% at 3 and 4 digits levels respectively, and reliability was 0.86 and 0.82 respectively. Variations of agreement and reliability were identified across different emergency departments. The major two categories of coding discrepancy were the use of different codes for same condition (23.6%) and the use of codes at different levels of specificity (20.9%). CONCLUSIONS: Diagnosis codes in emergency departments show high agreement and reliability, although there are variations of coding quality across different hospitals. Stricter coding guidelines regarding the use of unspecified codes are needed to enhance coding consistency.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,092
score de la tête « metaresearch » (Gemma)0,233
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,908
Score d'incertitude au seuil0,486

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0920,233
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,004
Études des sciences et des technologies0,0010,002
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,381
Tête enseignante GPT0,550
Écart entre enseignants0,169 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations35
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetMedical Coding and Health InformationTravaux en français237 207