MétaCan
Menu
Retour à la cohorte
Enregistrement W2899096630 · doi:10.1002/hep.30343

Letter to Editor: Using Proper Methods to Identify Patients With Cirrhosis in Administrative Databases Is Crucial to Correctly Predict Outcomes

2018· letter· en· W2899096630 sur OpenAlexaff
Abdel Aziz Shaheen, Mark G. Swain

Notice bibliographique

RevueHepatology · 2018
Typeletter
Langueen
DomaineMedicine
ThématiqueLiver Disease and Transplantation
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicineCirrhosisDecompensationHepatic encephalopathyAscitesContext (archaeology)DatabaseIntensive care medicineInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

Potential conflict of interest: Dr. Swain advises and received grants from Gilead, Intercept, Allergan, and Novartis. He is on the speakers' bureau for Abbott. He received grants from CymaBay, GSK, and Genkyotex. To the Editor: We would like to congratulate Mumtaz et al.1 for their important study attempting to develop and validate a risk score to predict 30‐day hospital readmission in patients with decompensated cirrhosis using the US nationwide readmission database (NRD). Identifying patients with cirrhosis at high risk for readmission is critical for developing processes to effectively address this problem. However, flaws in patient identification challenge the utility of the risk score outlined in this study. Specifically, the authors failed to discuss their observed high readmission rates in the context of published data from the large multistate study by Tapper et al.2 The NRD consists of patient data from multiple state inpatient databases (SID). Tapper et al. used SID data from five large geographically diverse states to describe 12.9% to 24.2% 30‐day readmission rates in patients with 1‐3 cirrhosis decompensation features, respectively. In contrast, Mumtaz et al. report a baseline 30‐day readmission rate of 27%—an unexpected significant difference in readmission rates, given that the NRD is based on SID. This variation could be due to the case definition of decompensated cirrhosis. Specifically, the authors defined decompensated cirrhosis as the presence of cirrhosis plus any of the following: ascites, hepatic encephalopathy, variceal bleeding, or spontaneous bacterial peritonitis. However, in reviewing their coding, the International Classification of Disease Ninth Edition (ICD‐9) clinical modification codes 348.30, 348.39, and 780.97 were included, which describe general encephalopathy or altered mental status. The authors cite two studies to support the use of these codes. However, no study has in fact validated these codes in patients with cirrhosis. Similarly, the authors used nonvalidated codes for coagulopathy. There are important studies describing the validity of ICD‐9 codes to identify patients with cirrhosis.3 The use of well‐validated codes to identify patients with cirrhosis in administrative databases is critical for accuracy of conclusions made from using the data. We re‐extracted the cohort of patients with cirrhosis from the NRD 2013 (n = 14,325,172) using the authors' codes and methodology (cirrhosis plus at least one decompensation condition) and identified 107,317 patients with decompensated cirrhosis, compared with 175,761 patients used for the authors' analysis. Therefore, it is very likely that other nonvalidated decompensation features such as coagulopathy were included in their case definition. An additional concern is the inclusion of patients with cirrhosis who were readmitted for non‐cirrhosis‐related conditions, such as epilepsy or pneumonia, which would increase readmission rates.

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)0,008
score de la tête « metaresearch » (Gemma)0,084
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: aucune
Score de désaccord entre enseignants0,992
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,084
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0040,004
Science ouverte0,0030,001
Intégrité de la recherche0,0120,016
Charge utile insuffisante (le modèle a refusé de juger)0,0080,007

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 Opus0,077
Tête enseignante GPT0,414
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.

Devis d'étudeSans objet
DomaineMéthodes
GenreÉditorial

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHepatologyMême sujetLiver Disease and TransplantationTravaux en français237 207