2442. Detection of Prosthetic Hip and Knee Joint Infections Using Administrative Databases – A Validation Study
Notice bibliographique
Résumé
Abstract Background Forming large cohorts to study prosthetic joint infections (PJIs) is a challenge without an existing surgical registry, as is the case in Canada. Administrative databases are an option, yet PJI diagnostic codes are insensitive. There is a need to improve the detection of PJIs from within administrative databases. Methods Individuals who had a primary arthroplasty at four hospitals in Toronto, Canada from 2010 to 2016 were identified using Canadian Classification of Health Intervention codes (based on the International Classification of Disease, Tenth Revision). Each re-admission to the same hospital until December 31, 2016 was reviewed for the presence of a PJI. The performance characteristics (sensitivity, specificity, positive and negative predictive values) of combinations of diagnostic and procedure codes when compared with the gold standard of chart review were calculated. The primary outcome was the algorithm that maximized sensitivity and positive predictive value. Results 27,843 primary arthroplasties were performed with 8595 readmissions, of which 572 involved a PJI. Median follow-up was 1258 days (interquartile range (IQR) 614–1891 days), with median time to first re-admission of 352 days (IQR range 166–725 days). PJI codes exhibited a sensitivity of 0.86 (95% confidence interval (95% CI) 0.83–0.89) and positive predictive value (PPV) of 0.89 (95% CI 0.86–0.92). The best performing algorithm is a combination of a PJI code or joint spacer insertion procedure code or insertion of a peripherally inserted central catheter along with an arthroplasty code (sensitivity 0.90, 95% CI 0.88–0.93 and PPV 0.89, 95% CI 0.86–0.91). Using timing from primary arthroplasty, spacer insertion codes and presence of a subsequent arthroplasty procedure code identified 68% (71/105) of first stage and 74% (108/146) of debridement with joint retention procedures during the first re-admission for a PJI. Conclusion Combinations of diagnosis and procedure codes can reliably identify PJIs from administrative databases. Individual orthopaedic procedure codes and timing from primary arthroplasty can inform the surgical procedure performed. This PJI detection algorithm could be used for PJI surveillance and research. Disclosures All authors: No reported disclosures.
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 | 0,012 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 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 ».