Enhancing description of hospital-conditions with ICD-11 cluster coding: Better codes for monitoring and prevention
Notice bibliographique
Résumé
IntroductionExposure to health care events sometimes has unintended and undesired consequences. Health care and complications arising in the course of care are diverse and complex. Representing them comprehensively in information systems is challenging, and presently beyond the bounds of practicality for routine administrative information systems that include ICD coded data.
 Objectives and ApproachThe ICD-11 conceptual model for hospital-acquired conditions has 3 components: 1) harm to patient 2) cause or source of harm and 3) mode or mechanism. A key feature of the Quality and Safety (Q\&S) code-set in ICD-11 is that a cluster of codes is required to represent an event or injury. Use of the term ‘cluster’ is novel in ICD-11 and so is the extent and the requirement for post-coordination. The cluster required to code a Q\&S case has three codes, one for each of the three components of the model given above.
 ResultsThe first component, ‘harm’, is represented by an ICD–11 diagnosis code, from any chapter of the classification. Q\&S causes or sources of harm fall into 4 types that capture events caused by substances (drugs and medicaments, etc.), procedures, devices, and a mix of other types of causes (e.g. problems associated with transfusions, incorrect diagnosis, etc.). Q\&S ‘mode or mechanism’ refers to the main way in which the ‘cause’ leads to the ‘harm’ and are specific to the type of ‘cause’ (Table 1).
 Table 1 - Examples of corresponding Q\&S Mode or Mechanism
 
 
 
 Cause or Source of Harm
 Mode or Mechanism
 
 
 Substance
 Overdose, under-dose, wrong substance.
 
 
 Procedure
 Accidental perforation of an organ during a procedure.
 
 
 Device
 Dislodgement. Malfunction.
 
 
 Other cause
 Mismatched blood. Patient dropped during transfer from OR table.
 
 
 
 Conclusion/ImplicationsThis new conceptual model for coding healthcare-related harm, dependent on the clustering of codes, has great potential to improve the clinical detail of adverse event descriptions, and the overall quality of coded health data, for better monitoring and strategies for prevention.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».