1672-P: Identifying Type 1 Diabetes in Electronic Medical Records Data in Ontario: A Validation Study
Notice bibliographique
Résumé
Electronic Medical Record (EMR) data are an efficient method for constructing large type 1 diabetes (T1D) cohorts but are limited by availability of accurate diagnosis codes. We sought to derive an algorithm for identifying T1D using Electronic Medical Records - Primary Care (EMRPC) also known as EMRALD, a database including records from >300,000 primary care patients in Ontario, Canada. A 25% random sample of adults with diabetes and at least 1 year of records in EMRPC prior to September 30, 2015 formed the reference cohort. Charts of potential T1D cases (those on insulin±metformin) were abstracted; all others were classified as non-T1D. Algorithms were derived using variables from free-text searches (diagnosis terms in the Cumulative Patient Profile (CPP)) and standardized fields (medications, age, BMI) using 1)a priori combinations of variables; 2)classification and regression tree analysis (CART). Algorithms were evaluated for sensitivity, specificity, positive and negative predictive values (PPV and NPV) with adjustment for optimism for CART. Of 21,547 eligible patients with diabetes, the reference cohort was 5407: 4968 non-abstracted non-T1D, 240 abstracted non-T1D and 199 T1D. The prevalence of T1D was 3.7%. The optimal algorithm using a priori variable combinations was T1D diagnosis in the CPP + rapid-acting insulin (sensitivity 69.3% (95% CI 62.4-75.7%), specificity 99.8% (99.6-99.9), PPV 92.6% (87.2-96.3), NPV 98.8% (98.5-99.1)). CART partitioned on T1D diagnosis in the CPP, any insulin, and non-metformin oral hypoglycemic medications and improved performance with optimism-adjusted sensitivity of 77% (72.0-83.9), specificity 99.8% (99.8-100.0), PPV 96.8% (94.6-99.6), and NPV 99.1% (98.9-99.4). Simple algorithms using EMR variables yielded good diagnostic performance for identification of T1D and CART further improved performance. Pending additional validation these algorithms can be applied to study large T1D cohorts in EMR databases. Disclosure A. Weisman: None. J. Young: None. M. Kumar: None. P. Austin: None. K. Tu: None. L. Jaakkimainen: None. L. Lipscombe: None. G. Booth: None. Funding Diabetes Action Canada
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 | 0,005 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».