Validation of canadian health administrative data algorithms for estimating trends in the incidence and prevalence of osteoarthritis
Notice bibliographique
Résumé
Objective: To estimate the 1) accuracy of algorithms for identifying osteoarthritis (OA) using health administrative data; and 2) population-level OA prevalence and incidence over time in Ontario, Canada. Method: We performed a retrospective chart abstraction study to identify OA patients in a random sample of 7500 primary care patients from electronic medical records. The validation sample was linked with several administrative data sources. Accuracy of administrative data algorithms for identifying OA was tested against two reference standard definitions by estimating the sensitivity, specificity and predictive values. The validated algorithms were then applied to the Ontario population to estimate and compare population-level prevalence and incidence from 2000 to 2017. Results: OA prevalence within the validation sample ranged from 10% to 23% across the two reference standards. Algorithms varied in accuracy depending on the reference standard, with the sensitivity highest (77%) for patients with OA documented in medical problem lists. Using the top performing administrative data algorithms, the crude population-level OA prevalence ranged from 11% to 25% and standardized prevalence ranged from 9 to 22% in 2017. Over time, prevalence increased whereas incidence remained stable (~1% annually). Conclusion: Health administrative data have limited sensitivity in adequately identifying all OA patients and appear to be more sensitive at detecting OA patients for whom their physician formally documented their diagnosis in medical problem lists than individuals who have their diagnosis documented outside of problem lists. Irrespective of the algorithm used, OA prevalence has increased over the past decade while annual incidence has been stable.
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 | 0,000 |
| 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 ».