Identifying people with multiple sclerosis in the Canadian Primary Care Sentinel Surveillance Network
Notice bibliographique
Résumé
BACKGROUND: We validated a case definition for multiple sclerosis using a clinical cohort linked with the Manitoba Primary Care Research Network of the Canadian Primary Care Sentinel Surveillance Network, and applied this definition to describe multiple sclerosis epidemiology using the Canadian Primary Care Sentinel Surveillance Network repository. METHODS: We developed candidate case definitions for multiple sclerosis in the Manitoba Primary Care Research Network using diagnoses and medications. We compared these case definitions to multiple sclerosis diagnoses identified by applying a validated definition to population-based administrative data (reference standard 1) and multiple sclerosis diagnoses recorded by the provincial Multiple Sclerosis Clinic (reference standard 2) using sensitivity, specificity, positive predictive value and negative predictive value. We applied the preferred case definition to the national Canadian Primary Care Sentinel Surveillance Network dataset. RESULTS: The Manitoba Primary Care Research Network included 160,904 patients. The preferred case definition required ≥2 billing records for multiple sclerosis within 2 years or multiple sclerosis listed as a health condition or ≥1 multiple sclerosis-specific prescription. This definition had a low sensitivity versus administrative (44.25%) and clinic datasets (53.41%) but high specificity versus administrative data (99.95%). Specificity was lower versus clinic data (71.43%), but the positive predictive value was high. CONCLUSION: We developed a case definition for multiple sclerosis that can be applied to the Canadian Primary Care Sentinel Surveillance Network dataset for studies examining primary care of persons with multiple sclerosis.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».