MétaCan
Menu
Retour à la cohorte
Enregistrement W2892116193 · doi:10.23889/ijpds.v3i4.992

Advancing data collection of hospital-related harms: Results from hospital discharges dually coded with ICD-10 and ICD-11

2018· article· en· W2892116193 sur OpenAlexaff
Catherine Eastwood, Danielle A. Southern, Alicia Boxill, Natalie Wiebe, William A. Ghali, Hude Quan

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-10MedicineCoding (social sciences)Adverse effectMedical emergencyDiagnosis codeHarmEmergency medicineStatisticsInternal medicinePsychologyPsychiatryPopulation

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,036
score de la tête « metaresearch » (Gemma)0,078
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,036
Score d'incertitude au seuil0,191

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0360,078
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0090,006
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,128
Tête enseignante GPT0,465
Écart entre enseignants0,336 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

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