Development and validation of a case-finding algorithm for neck and back pain in the Canadian Armed Forces using health administrative data
Notice bibliographique
Résumé
Introduction: In military organizations, neck and back pain are a leading cause of clinical encounters, medical evacuations out of theatres of operations, and involuntary release from service. However, tools to efficiently and accurately study these conditions in Canadian Armed Forces (CAF) personnel are lacking, and little is known about their distribution across the Canadian military. Methods: We reviewed the medical charts of 691 randomly sampled CAF personnel, and determined whether these subjects had suffered from neck or back pain at any point during the 2016 calendar year. We then developed an algorithm to identify neck or back pain patients, using large clinical and administrative databases. The algorithm was then validated by comparing its output to the results of our medical chart review. Results: Of the 691 randomly sampled subjects, 190 (27%) had experienced neck or back pain at some point during the 2016 calendar year, 43% of whom had experienced chronic pain (i.e. pain lasting for at least 90 consecutive days). Our final algorithm correctly identified 65% of all patients with past-year pain, and 80% of patients with past-year chronic pain. Overall, the algorithm’s measures of diagnostic accuracy were as follows: 65% sensitivity, 97% specificity, 91% positive predictive value, and 88% negative predictive value. Discussion: We have developed an algorithm that can be used to identify neck and back pain in CAF personnel efficiently. This algorithm is a novel research and surveillance tool that could be used to provide the epidemiological data needed to guide future intervention and prevention efforts.
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 | 0,015 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».