Validating health conditions in a clinical registry using administrative data algorithms
Notice bibliographique
Résumé
IntroductionClinical registries are a potentially valuable resource to study the effects of medical interventions on outcomes, particularly patient-reported outcomes like health-related quality of life, which are not included in administrative data. However, because clinical registries are primarily intended for patient management and not for research, their validity must be established. Objectives and ApproachOur objective was to validate patient self-reported health conditions in a clinical registry. Study data were from a population-based regional joint replacement registry in the Canadian province of Manitoba. The clinical registry data were linked to administrative health data. Validated administrative data algorithms for 12 conditions were defined using diagnosis codes in hospital and physician records and medication codes in prescription drug records for the period up to three years prior to the joint replacement surgery. Accuracy of the clinical registry data was estimated using Cohen’s kappa coefficient, sensitivity, specificity, and positive and negative predictive values (PPV; NPV); 95% confidence intervals were also estimated. Analyses were stratified by joint type, age group, and sex. ResultsThe study cohort included 20,592 individuals (average age 66.3 years; 58.4% female); 8,424 (40.9%) had a total hip replacement. Sensitivity of the clinical registry data ranged from 16% (anemia) to more than 70% (diabetes, high blood pressure, rheumatoid arthritis); specificity was greater than 92% for all conditions, except back pain and high blood pressure. PPV ranged from 19% (back pain) to 83% (diabetes). Chance-adjusted agreement was very good for diabetes (kappa: 0.74), moderate for heart disease and high blood pressure (kappa range: 0.41-0.53) and poor or fair for back pain, anemia, cancer, depression, kidney disease, liver disease, rheumatoid arthritis and stomach ulcers (kappa range: 0.14-0.37). Estimates varied by sex (i.e., generally higher agreement for females) and age (i.e., generally lower agreement for older age groups), but not joint type. Conclusion/ImplicationsSelf-reported health conditions in registry data had good validity for conditions with clear diagnostic criteria, but low validity for conditions that are difficult to diagnose or rare (e.g., cancer). Linked registry and administrative data is strongly recommended to ensure valid and accurate comorbidity measures when developiong risk prediction models and conducting inter-jurisdictional comparisons of patient-reported outcome measures.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,115 | 0,277 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».