MétaCan
Menu
Retour à la cohorte
Enregistrement W2889740895 · doi:10.23889/ijpds.v3i4.1006

Coding Agreement on Identification of Main Resource Use Using ICD-10 and ICD-11

2018· article· en· W2889740895 sur OpenAlexaffabout
Chelsea Doktorchik, Danielle A. Southern, Hude Quan, Catherine Eastwood

Notice bibliographique

RevueInternational Journal for Population Data Science · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMedical Coding and Health Information
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésICD-10Coding (social sciences)StatisticsSchema crosswalkComputer scienceMedicineData miningMathematicsGeography

Résumé

récupéré en direct d'OpenAlex

IntroductionMain condition coding definitions in the International Classification of Disease (ICD) 10th and 11th versions are broadly defined in the current and upcoming versions of ICD, and coding health data can involve subjective coding specialist interpretation. Inconsistent coding can lead to inaccurate reporting, and lower quality data for research use.
 Objectives and ApproachMain condition coding agreement was compared between ICD-10 and ICD-11. 730 hospital charts were randomly selected from Foothills Medical Centre in Calgary, Alberta. These charts were previously coded using ICD-10, and six professional coding specialists recoded them using ICD-11. To compare frequencies of ICD-10 to ICD-11, we used current WHO crosswalk tables to match codes. For any missing codes, manual comparison by done by a qualified reviewer. In Canada, the “main condition” is the clinically significant reason for the hospital visit. If multiple problems were present, the diagnosis using the greatest amount of resources is coded, “main resource use”.
 ResultsOverall, 730 ICD-10 coded charts were analyzed. Of these charts, 79% (577) had matching resource coding between ICD-10 and ICD-11, and 21% (153) had mismatching coding. Matching coding was either considered an exact match between definitions (23.2%, 134), or similar but not identical (often one code has greater detail, 76.8%, 443). Mismatching codes were either due to different codes for similar conditions (13.1%, 20), different codes for not similar but related conditions (43.8%, 67), or completely different codes for unrelated conditions (43.1%, 66).
 Conclusion/ImplicationsICD-10 and ICD-11 main resource codes had a high match frequency indicating consistency between coding practices and ICD definitions (577/730, 79%). Future research will aim to understand underlying causes of mismatched main resource use codes. This research will help us understand issues in coding and contribute to future ICD-11 revisions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,548
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,488
Tête enseignante GPT0,561
Écart entre enseignants0,073 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
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

Citations0
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

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