Identification of prosthetic hip and knee joint infections using administrative databases—A validation study
Notice bibliographique
Résumé
OBJECTIVE: To determine whether combinations of diagnosis and procedures codes can improve the detection of prosthetic hip and knee joint infections from administrative databases. DESIGN: We performed a validation study of all readmissions from January 1, 2010, until December 31, 2016, following primary arthroplasty comparing the diagnosis and procedure codes obtained from an administrative database based upon the International Classification of Disease, Tenth Revision (ICD-10) to the reference standard of chart review. SETTING: Four tertiary-care hospitals in Toronto, Canada, from 2010 to 2016. PARTICIPANTS: Individuals who had a primary arthroplasty were identified using procedure codes. INTERVENTION: Chart review of readmissions identified the presence of a prosthetic joint infection and, if present, the surgical procedure performed. RESULTS: Overall, 27,802 primary arthroplasties were performed. Among 8,844 readmissions over a median follow-up of 669 days (interquartile range, 256-1,249 days), a PJI was responsible for or present in 586 of 8,844 (6.6%). Diagnosis codes alone exhibited a sensitivity of 0.88 (95% CI, 0.85-0.92) and positive predictive value (PPV) of 0.78 (95% CI, 0.74-0.82) for detecting a PJI. Combining a PJI diagnosis code with procedure codes for an arthroplasty and the insertion of a peripherally inserted central catheter improved detection: sensitivity was 0.92 (95% CI, 0.88-0.94) and PPV was 0.78 (95% CI, 0.74-0.82). However, procedure codes were unable to identify the specific surgical approach to PJI treatment. CONCLUSIONS: Compared to PJI diagnosis codes, combinations of diagnosis and procedure codes improve the detection of a PJI in administrative databases.
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 ».