A Survey of LOINC Code Selection Practices Among Participants of the College of American Pathologists Coagulation (CGL) and Cardiac Markers (CRT) Proficiency Testing Programs
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
CONTEXT.—: Biomedical terminologies such as Logical Observation Identifiers, Names, and Codes (LOINC) were developed to enable interoperability of health care data between disparate health information systems to improve patient outcomes, public health, and research activities. OBJECTIVE.—: To ascertain the utilization rate and accuracy of LOINC terminology mapping to 10 commonly ordered tests by participants of the College of American Pathologists (CAP) Proficiency Testing program. DESIGN.—: Questionnaires were sent to 1916 US and Canadian laboratories participating in the 2018 CAP coagulation (CGL) and/or cardiac markers (CRT) surveys requesting information on practice setting, instrument(s) and test method(s), and LOINC code selection and usage in the laboratory and electronic health records. RESULTS.—: Ninety of 1916 CGL and/or CRT participants (4.7%) responded to the questionnaire. Of the 275 LOINC codes reported, 54 (19.6%) were incorrect: 2 codes (5934-2 and 12345-1) (0.7%) did not exist in the LOINC database and the highest error rates were observed in the property (27 of 275, 9.8%), system (27 of 275, 9.8%), and component (22 of 275, 8.0%) LOINC axes. Errors in LOINC code selection included selection of the incorrect component (eg, activated clotting time instead of activated partial thromboplastin time); selection of panels that can never be used to obtain an individual analyte (eg, prothrombin time panel instead of international normalized ratio); and selection of an incorrect specimen type. CONCLUSIONS.—: These findings of real-world LOINC code implementation across a spectrum of laboratory settings should raise concern about the reliability and utility of using LOINC for clinical research or to aggregate data.
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 | 0,001 | 0,004 |
| 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 | 0,004 |
| 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 découle