Advancing data collection of hospital-related harms: Validity of the new ICD-11 Quality & Safety Use Case
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
IntroductionThe beta version of the new ICD-11 includes a 3-part model for coding hospital acquired conditions (harms) to enhance adverse event descriptions. This method includes code clusters for detail each condition/event (e.g. bleed), cause (e.g. anticoagulant drug), and mode (over-dose).
 Objectives and ApproachTo compare the proportion of adverse events captured in ICD-11 to clinical chart review. A large field trial of 3000 inpatient charts are being coded with ICD-11 and chart review. Hospital admissions were randomly selected between January- June 2015 for adults at 3 Calgary hospitals. Chart reviewers were nurses trained to identify 11 categories of harms. Six coding specialists were trained to code with the ICD-11 3-part model for harm description. Coding decision trees and case examples of hospital-related harms were reviewed extensively by both teams. Coding training focused on new codes, code clustering, and extension codes for cause and mode of the harm.
 ResultsOf the 1,009 records reviewed and coded using ICD-11 to date, chart reviewers and coding specialists accurately identified 49 (37%) of the same charts with documented hospital harms. Both correctly identified 797 (91\%) of cases with no harm. Detailed analysis will follow. Study case examples will demonstrate advanced features of ICD-11 and the coding rules being collaboratively developed by our team, CIHI, and and WHO representatives.
 Conclusion/ImplicationsIdentification of hospital-related harms was consistent between coding specialists using ICD-11 principles and clinical chart reviewers. Variation existed in determining the cause and the mode of the harm. Case examples exemplify the new 3-part model for ICD-11 description of hospital-related harms.
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.
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 | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle