MétaCan
Menu
Retour à la cohorte
Enregistrement W3111412015 · doi:10.23889/ijpds.v5i5.1450

Using Linked Administrative Health Databases for An Obesity Case Definition

2020· article· en· W3111412015 sur OpenAlexaffabout
Naomi C. Hamm, Lin Yan, Lisa M. Lix

Notice bibliographique

RevueInternational Journal for Population Data Science · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueHealth Promotion and Cardiovascular Prevention
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésMedicineMedical prescriptionObesityBody mass indexDiagnosis codePopulationHealth careDatabaseFamily medicinePediatricsEnvironmental healthInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

IntroductionCapture of obesity using administrative health data is poor, with many cases being under coded within the data. Linking multiple health data sources may improve case ascertainment and facilitate the use of administrative health data for obesity research and surveillance.
 Objectives and ApproachThis research aims to determine if using individual-level linked data from multiple sources can improve case ascertainment for obesity in administrative health data. Data from between April 1, 2001 and March 31, 2015 were obtained from the Manitoba Population Data Repository. Eighteen obesity case definitions were developed with different observation times and combinations of diagnosis, procedure, and prescription codes from physician billing claims, hospitalization abstracts, and prescription drug records. Body mass index (BMI) records from primary care data and the Bone Mineral Density (BMD) registry were used for validation. Sensitivity, specificity, and Cohen’s kappa were calculated.
 ResultsIndividuals with a higher BMI class had more physician visits and were more likely to have comorbidities and obese codes in the administrative health data. A higher BMI class was associated with being in a lower income quintile and the age group 40-59. Overall, the case definitions for obesity had high specificity (0.98-0.99) and low sensitivity (0.005-0.19) when validated using primary care data. Case definitions with obesity codes from multiple databases 3 year prior to and including the index date had the highest sensitivity (0.06-0.19) and kappa (0.04-0.23). Results with the BMD data were similar (specificity: 0.97-0.99; sensitivity: 0.007-0.21). Stratified analyses found agreement measures improved slightly for females, those who had chronic conditions and a later index year, and the age group 40-59.
 Conclusion / ImplicationsWhen using multiple databases to build a case definition for obesity, sensitivity improves but remains low. Individuals with other chronic conditions and a higher BMI class were more likely to be accurately classified as an obese case.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,864
Score d'incertitude au seuil0,459

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,641
Tête enseignante GPT0,562
Écart entre enseignants0,080 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
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'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetHealth Promotion and Cardiovascular PreventionTravaux en français237 207