Identifying Individuals with Eating Disorders Using Health Administrative Data
Notice bibliographique
Résumé
AbstractObjective:Eating disorders are common and have a high public health burden. However, existing clinically relevant data sources are scarce, limiting the capacity to accurately measure the burden of eating disorders. This study tests the feasibility of generating a large clinically relevant cohort of individuals with eating disorders using health administrative data.Methods:We developed 3 clinically relevant eating disorder prevalence cohorts using health administrative data from Ontario, Canada, between 1990 and 2014. Cohort 1 included patients with a hospitalization where an eating disorder diagnosis was the primary diagnosis, cohort 2 included patients with a hospitalization where an eating disorder diagnosis was any diagnosis, and cohort 3 included cohort 2 plus any patient with an emergency department visit with an eating disorder diagnosis.Results:Cohort 1 had 7268 patients, cohort 2 had 13,197 patients, and cohort 3 had 17,373 patients. As cohort size increased, the proportion of eating disorder patients with diagnoses of bulimia nervosa and eating disorder not otherwise specified increased. Although the cohorts differed according to demographic and clinical characteristics, these differences were small compared to the degree to which they differed from the Ontario population.Discussion:It is feasible to use health administrative data to measure the clinically relevant burden of eating disorders. The cohorts differed significantly in the eating disorder diagnostic composition. Eating disorders have a high burden, but poor data availability has resulted in fewer public health–related eating disorders studies in comparison to other mental disorders. The use of administrative data can address this evidence gap. RésuméObjectif :Les troubles alimentaires sont communs et constituent un fardeau de santé publique élevé. Toutefois, les sources existantes de données pertinentes sur le plan clinique sont rares, et limitent ainsi la capacité de mesurer avec exactitude le fardeau des troubles alimentaires. Cette étude vérifie la faisabilité de générer une vaste cohorte pertinente sur le plan clinique de personnes souffrant de troubles alimentaires à l’aide des données de santé administratives.Méthodes :Nous avons formé trois cohortes ayant une prévalence de troubles alimentaires pertinente sur le plan clinique à partir des données de santé administratives de l’Ontario, au Canada, entre 1990 et 2014. La cohorte 1 comprenait des patients ayant eu une hospitalisation quand le diagnostic de trouble alimentaire était le principal diagnostic; la cohorte 2 comportait des patients ayant eu une hospitalisation quand un diagnostic de trouble alimentaire était un quelconque diagnostic; et la cohorte 3 regroupait des patients de la cohorte 2 en plus de patients qui comptaient une visite au service d’urgence avec un diagnostic de trouble alimentaire.Résultats :La cohorte 1 comportait 7 268 patients, la cohorte 2, 13 197 patients, et la cohorte 3, 17 373 patients. À mesure que s’accroissait la taille des cohortes, la proportion des patients des troubles alimentaires présentant des diagnostics de boulimie et de trouble alimentaire non spécifié augmentait également. Même si les cohortes différaient à l’égard des caractéristiques démographiques et cliniques, ces différences étaient minimes comparativement au degré auquel elles différaient de la population ontarienne.Discussion :Il est faisable d’utiliser les données de santé administratives pour mesurer le fardeau des troubles alimentaires pertinent sur le plan clinique. Les cohortes différaient significativement en ce qui concerne la composition des diagnostics de troubles alimentaires. Les troubles alimentaires constituent un fardeau élevé, mais la mauvaise disponibilité des données a fait en sorte que moins d’études des troubles alimentaires liées à la santé publique aient été menées en comparaison d’autres troubles mentaux. Le recours aux données administratives peut combler ces lacunes des données probantes.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».