Validation of an EMR algorithm to measure the prevalence of ADHD in the Canadian Primary Care Sentinel Surveillance Network (CPCSSN)
Notice bibliographique
Résumé
BACKGROUND: Building and validating electronic algorithms to identify patients with specific disease profiles using health data is becoming increasingly important to disease surveillance and population health management. The aim of this study was to develop and validate an algorithm to find patients with ADHD diagnoses within primary care electronic medical records (EMR); and then use the algorithm to describe the epidemiology of ADHD from 2008 to 2015 in a Canadian Primary care sample. METHODS: This was a cross sectional time series that used data from the Canadian Primary Care Sentinel Surveillance Network (CPCSSN), a repository of primary care EMR data. A sample of electronic patient charts from one local clinic were manually reviewed to determine the positive predictive value (PPV) and negative predictive value (NPV) of an ADHD case-finding algorithm. In each study year a practice population was determined, and the algorithm was used to measure an observed prevalence of ADHD. The observed prevalence was adjusted for misclassification, as measured by the validity indices, to obtain an estimate of the true prevalence. Estimates were calculated by age group (4-17 year olds, 18 to 34 year olds, and 35 to 64 year olds) and gender, and compared over time. RESULTS: The EMR algorithm had a PPV of 98.0% (95% CI [92.5, 99.5]) and an NPV of 95.0% (95% CI [92.9, 98.6]). After adjusting for misclassification, it was determined that the prevalence of patients with a clinical diagnosis of ADHD has risen in all age groups between 2008 and 2015, most notably in children and young adults (6.92, 95% CI [5.62, 8.39] to 8.57, 95% CI [7.32, 10.00]; 5.73, 95% CI [4.40, 7.23] to 7.33, 95% CI [6.04, 8.78], respectively). The well-established gender gap persisted in all age groups across time but was considerably smaller in older adults compared to children and young adults. CONCLUSION: Overall, the ADHD case-finding algorithm was found to be a valid tool to assess the epidemiology of ADHD in Canadian primary care practice. The increased prevalence of ADHD between 2008 and 2015 may reflect an improvement in the recognition and treatment of this disorder within primary care.
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 | 0,001 |
| 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 | 0,000 |
| 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 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 ».