Developing case‐finding algorithms for second events of oropharyngeal cancer using administrative data: A population‐based validation study
Notice bibliographique
Résumé
BACKGROUND: Second event (recurrence or second primary cancer)-free survival is an important indicator for assessing treatment efficacy. However, second events are not explicitly documented in administrative data such as cancer registries. Thus, validated algorithms using administrative data are needed to identify second events of oropharyngeal cancers. METHODS: The algorithms were developed using classification and regression tree models. Data from chart review served as the reference standard. Sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), and accuracy were calculated. RESULTS: The high-sensitivity algorithm achieved 87.9% (95% confidence interval: 82.2%-93.6%) sensitivity, 84.5% (81.1%-87.8%) specificity, 61.2% (54.1%-68.4%) PPV, 96.2% (94.2%-98.1%) NPV, and 85.2% (82.3%-88.1%) accuracy. The high-PPV algorithm obtained 52.4% (43.6%-61.2%) sensitivity, 99.1% (98.2%-100.0%) specificity, 94.2% (88.7%-99.7%) PPV, 88.2% (85.3%-91.0%) NPV, and 88.9% (86.3%-91.5%) accuracy. CONCLUSION: The validity of the algorithms for identifying second events following primary treatment of oropharyngeal cancers was acceptable.
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) | 0,001 | 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) | 0,000 | 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 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 ».