External Validation of ASPECT (Algorithm for Suspected Pulmonary Embolism Confirmation and Treatment)
Notice bibliographique
Résumé
BACKGROUND: Administrative health care databases are increasingly being used to study pulmonary embolism (PE), but the validity of single PE codes is variable. Using data from Quebec, Canada, we developed ASPECT (Algorithm for Suspected Pulmonary Embolism Confirmation and Treatment), combining 3 components to ascertain confirmed PE: emergency department (ED) diagnoses, imaging codes, and dispensed prescriptions or hospital diagnoses. Herein, we used unrelated administrative health care databases to externally validate ASPECT. METHODS: We used ED electronic health records (ED-EHRs) to identify all residents of Calgary (Alberta, Canada) with PE codes between January and June, 2016. We applied ASPECT by identifying imaging studies in the ED-EHR, admission diagnoses in linked discharge abstract database and filled prescriptions in linked pharmacy information. Confirmed PE in ASPECT was validated against chart review in the ED-EHR. RESULTS: The cohort included 498 patients. Overall, 258 (51.9%) were managed as outpatients and 327 were adjudicated to have confirmed PE; the positive predictive value (PV) of single PE codes was 65.6%. With ASPECT the positive PV was 96.5% [95% confidence interval (CI), 94.4-98.5%] and positive likelihood ratio was 10.9 (95% CI, 6.8-15.1). The negative PV and negative likelihood ratio were 85.1% (95% CI, 80.0-90.2%) and 0.1 (95% CI, 0.0-0.1), respectively. Overall agreement of ASPECT with confirmed PE was 92.2%. Further, ASPECT was similarly robust in inpatients and outpatients and was more precise than any 2-component combination of ASPECT. CONCLUSIONS: Our findings reiterate the limitations of using single administrative codes for PE and suggest ASPECT as an acceptable tool to study PE.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».