Assessing the Hereditary Hemorrhagic Telangiectasia Algorithms in a Community-Based Patient Population
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
INTRODUCTION: Hereditary hemorrhagic telangiectasia (HHT) is a rare, genetic, and underdiagnosed disease that causes vascular malformations throughout the body. Two specific combinations of International Classification of Diseases, Ninth Revision-Clinical Modification diagnosis codes, the "HHT Algorithms" (HHTAs), were developed previously from a derivation cohort to help identify undiagnosed HHT cases. OBJECTIVES: To test these 2 algorithms, and a third, newly designed HHTA, in an independent population with available clinical records and thus identify people who might have undiagnosed HHT. METHODS: The HHTAs were applied to the patient population of Kaiser Permanente Northern California. The HHTAs produced 3 groups (A, B, and C) using different combinations of diagnosis codes reflecting clinical manifestations of HHT. First, the number of Kaiser Permanente Northern California patients with each code was determined by database programming. Next, detailed chart review was performed, and patients with a Curaçao score of 2 or higher were considered to have possible HHT. RESULTS: Of 3,065,210 records queried, 163 patients met HHTA criteria. After chart review, the study identified 113 patients with possible undiagnosed HHT (Group A: n = 3, Group B: n = 3, Group C: n = 107). CONCLUSION: Employing the HHTAs in this community-based population resulted in a modest yield of patients with possible HHT. Further research is required to assess the utility of the HHTAs in identifying patients with actual HHT.
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 | 0,000 | 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 | 0,001 |
| 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