Incidence de l’infarctus du myocarde et validation des données de facturation des médecins et des données d’hospitalisation à partir des dossiers médicaux électroniques
Notice bibliographique
Résumé
Objectif La détection au sein d’une population des personnes qui ont subi un infarctus du myocarde ne repose actuellement que sur la liste des patients en phase aiguë se présentant à l’hôpital. Nous voulons déterminer si, en combinant les données de facturation des médecins aux données sur les congés d’hôpital, nous obtiendrions une meilleure détection. Méthodologie Nous avons utilisé comme échantillon de référence 969 patients adultes, choisis au hasard à partir de dossiers médicaux électroniques fournis par des médecins de première ligne en Ontario (Canada). Résultats Un algorithme fondé sur trois facturations de médecins au cours d’une période d’un an, dont au moins une provenait d’un spécialiste ou d’une consultation dans un centre hospitalier ou une salle d’urgence, et sur un dossier de congé d’hôpital a permis d’obtenir une sensibilité de 80,4 % (IC à 95 % : 69,5-91,3), une spécificité de 98,0 % (IC à 95 % : 97,19-8,9), une valeur prédictive positive de 69,5 % (IC à 95 % : 57,7-81,2), une valeur prédictive négative de 98,9 % (IC à 95 % : 98,2-99,6) et une valeur kappa de 0,73 (IC à 95 % : 0,63-0,83). Conclusion L’utilisation combinée des dossiers de congé d’hôpital et des données de facturation des médecins pourrait être la meilleure façon d’évaluer les tendances sur une longue période de la fréquence des infarctus du myocarde, car elle permet de détecter davantage de cas que la méthode fondée sur les seules données d’hospitalisation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».