Diagnostic accuracy of administrative codes for autosomal dominant polycystic kidney disease in clinic patients with cystic kidney disease
Notice bibliographique
Résumé
BACKGROUND: The ability to identify patients with autosomal dominant polycystic kidney disease (ADPKD) and distinguish them from patients with similar conditions in healthcare administrative databases is uncertain. We aimed to measure the sensitivity and specificity of different ADPKD administrative coding algorithms in a clinic population with non-ADPKD and ADPKD kidney cystic disease. METHODS: We used a dataset of all patients who attended a hereditary kidney disease clinic in Toronto, Ontario, Canada between 1 January 2010 and 23 December 2014. This dataset included patients who met our reference standard definition of ADPKD or other cystic kidney disease. We linked this dataset to healthcare databases in Ontario. We developed eight algorithms to identify ADPKD using the International Classification of Diseases, 10th Revision (ICD-10) codes and provincial diagnostic billing codes. A patient was considered algorithm positive if any one of the codes in the algorithm appeared at least once between 1 April 2002 and 31 March 2015. RESULTS: The ICD-10 coding algorithm had a sensitivity of 33.7% [95% confidence interval (CI) 30.0-37.7] and a specificity of 86.2% (95% CI 75.7-92.5) for the identification of ADPKD. The provincial diagnostic billing code had a sensitivity of 91.1% (95% CI 88.5-93.1) and a specificity of 10.8% (95% CI 5.3-20.6). CONCLUSIONS: ICD-10 coding may be useful to identify patients with a high chance of having ADPKD but fail to identify many patients with ADPKD. Provincial diagnosis billing codes identified most patients with ADPKD and also with other types of cystic kidney disease.
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 | 0,001 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».