Detection of serious adverse drug reactions using diagnostic codes in the International Statistical Classification of Diseases and Related Health Problems
Notice bibliographique
Résumé
Canadian hospitals are legally required to report serious adverse drug reactions (ADRs). This study aimed to assess the ability to detect serious ADRs from diagnostic codes and the potential benefit of adding stand-alone diagnostic codes to the regular process for detecting serious ADRs. In this descriptive study, clinical pharmacists and a reference work on drug-induced diseases allowed to identify diagnostic codes in the International Statistical Classification of Diseases and Related Health Problems, 10th Revision, Canada (ICD-10-CA), reflecting clinical manifestations related to an ADR. Records for admissions to a large urban mother-child hospital in the fiscal year 2018-2019, as coded by medical archivists, were analysed. Of 69 ICD-10-CA diagnostic codes reflecting an ADR identified, 38 were included in the detailed analysis of patient records and 18 (which appeared in 130 admissions) deemed to indicate a serious ADR. Among the 130 admissions analysed, 70 serious ADRs were identified, of which 52 were previously detected by the regular process and 18 were not, increasing the detection of serious ADRs by 34.6% (18/52). These 18 serious ADRs were newly identified from 11 of the 18 codes reflecting clinical manifestation of a serious ADR. Adding ICD-10-CA diagnostic codes not associated with external cause codes can increase the capacity to detect serious ADRs in hospitals. Over a 12-month period, the use of 11 such diagnostic codes increased the detection capacity for serious ADRs by 34.6%.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».