Advancing data collection of hospital-related harms: Results from hospital discharges dually coded with ICD-10 and ICD-11
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
IntroductionHospital safety performance is difficult to monitor when under-coding of hospital harms is common. The beta version of ICD-11 includes a 3-part model for coding harms to enhance adverse event descriptions. This method includes code clusters to detail each condition/event (e.g. bleed), cause (e.g. anticoagulant drug), and mode (over-dose).
 Objectives and ApproachThe study objective was to compare the proportion of adverse events captured using different classification systems. A large field trial of inpatient charts, previously coded in ICD-10 were coded with ICD-11. Coding training for the new ICD-11 focused on new codes, code clustering, and extension codes for cause and mode of the harm. Sensitivity, Specificity, NPV and PPV were reported for ICD-10 compared to ICD-11.
 ResultsOf the 1,009 records reviewed and coded using ICD-11 to date, 128 cases were coded as a harm in ICD-10 using our previously published PSI work. Coders identified 88 cases with the new ICD-11. Sensitivity and specificity were as follows: 31.3% and 94.6%. ICD-11 had NPV and PPV of 45.5% and 90.5% respectively compared to ICD-10. Detailed clinical comparison of mismatched codes will be completed. Study case examples will demonstrate advanced features of ICD-11, the coding rules being collaboratively developed by our team, CIHI, and WHO representatives, and potential analytic challenges.
 Conclusion/ImplicationsThe new ICD-11 found 8% of hospital admission were associated with a harm. Although the sensitivity was modest, specificity is quite high and correctly Identifies those cases without a harm. Clinical review of mismatched codes will provide further detailed code comparisons.
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 | 0,004 | 0,006 |
| 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 | 0,004 |
| Science ouverte | 0,001 | 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