MétaCan
Menu
Retour à la cohorte
Enregistrement W3097150301 · doi:10.1017/ice.2020.1188

Validation of Administrative Codes for Identification of <i>Staphylococcus aureus</i> Infections Among Electronic Health Data

2020· article· en· W3097150301 sur OpenAlexfundno aff
Ashley N Rose, Runa H. Gokhale, Isaac See, James Baggs, Rachel B. Slayton, Scott K. Fridkin, Kelly M Hatfield

Notice bibliographique

RevueInfection Control and Hospital Epidemiology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueAntimicrobial Resistance in Staphylococcus
Établissements canadiensnon disponible
Organismes subventionnairesHospital for Sick ChildrenUniversité de MontréalJewish General HospitalUniversity of TorontoDalhousie UniversityPublic Health AgencyIWK Health CentreUniversity of AlbertaUniversity of WaterlooMcGill UniversityPublic Health Agency of CanadaMcGill University Health CentreNabriva TherapeuticsAlberta Health ServicesLondon Health Sciences Centre
Mots-clésMedicineDiagnosis codeStaphylococcus aureusEpidemiologyInternal medicinePredictive valueEmergency medicinePediatricsPopulationEnvironmental healthBiology

Résumé

récupéré en direct d'OpenAlex

Background: Epidemiological studies have utilized administrative discharge diagnosis codes to identify methicillin-resistant and methicillin-sensitive Staphylococcus aureus (MRSA and MSSA) infections and trends, despite debate regarding the accuracy of utilizing codes for this purpose. We assessed the sensitivity and positive predictive value (PPV) of MRSA- and MSSA-specific diagnosis codes, trends, characteristics, and outcomes of S. aureus hospitalizations by method of identification. Methods: Clinical micro biology results and discharge data from geographically diverse US hospitals participating in the Premier Healthcare Database from 2012–2017 were used to identify monthly rates of MRSA and MSSA. Positive MRSA or MSSA clinical cultures and/or a MRSA- or MSSA-specific International Classification of Diseases, Ninth/Tenth Revision, Clinical Modification (ICD-9/10 CM) diagnosis codes from adult inpatients (aged ≥18 years) were included as S. aureus hospitalizations. Septicemia was defined as a positive blood culture or a MRSA or MSSA septicemia code. Sensitivity and PPV for codes were calculated for hospitalizations where admission status was not listed as transfer; true infection was considered a positive clinical culture. Negative binominal regression models measured trends in rates of MRSA and MSSA per 1,000 hospital discharges. Results: We identified 168,634 MRSA and 148,776 MSSA hospitalizations in 256 hospitals; 17% of MRSA and 21% of MSSA were septicemia. Less than half of all S. aureus hospitalizations (49% MRSA, 46% MSSA) and S. aureus septicemia hospitalizations (37% MRSA, 38% MSSA) had both a positive culture and diagnosis code (Fig. 1). Sensitivity of MRSA codes in identifying positive cultures was 61% overall and 56% for septicemia, PPV was 62% overall and 53% for septicemia. MSSA codes had a sensitivity of 49% in identifying MSSA cultures and 52% for MSSA septicemia; PPV was 69% overall and 62% for septicemia. Despite low sensitivity, MRSA trends are similar for cultures and codes, and MSSA trends are divergent (Fig. 2). For hospitalizations with septicemia, mortality was highest among those with a blood culture only (31.3%) compared to hospitalizations with both a septicemia code and blood culture (16.6%), and septicemia code only (14.7%). Conclusions: ICD diagnosis code sensitivity and PPV for identifying infections were consistently poor in recent years. Less than half of hospitalizations have concordant microbiology laboratory results and diagnosis codes. Rates and trend estimates for MSSA differ by method of identification. Using diagnosis codes to identify S. aureus infections may not be appropriate for descriptive epidemiology or assessing trends due to significant misclassification. Funding: None Disclosures: Scott Fridkin reports that his spouse receives consulting fees from the vaccine industry.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,043
score de la tête « metaresearch » (Gemma)0,162
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,957
Score d'incertitude au seuil0,228

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0430,162
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,368
Écart entre enseignants0,312 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInfection Control and Hospital EpidemiologyMême sujetAntimicrobial Resistance in StaphylococcusTravaux en français237 207