MétaCan
Menu
Retour à la cohorte
Enregistrement W3156103863 · doi:10.23889/ijpds.v6i1.1406

Mapping Three Versions of the International Classification of Diseases to Categories of Chronic Conditions

2021· article· en· W3156103863 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueInternational Journal for Population Data Science · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMedical Coding and Health Information
Établissements canadiensCancerCare ManitobaResearch Institute in Oncology and HematologyUniversity of Manitoba
Organismes subventionnairesWinnipeg Foundation
Mots-clésSchema crosswalkICD-10Diagnosis codeMedical diagnosisComputer scienceMedicineData miningGeographyPopulationPathologyPsychiatryEnvironmental health

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Administrative health data capture diagnoses using the International Classification of Diseases (ICD), which has multiple versions over time. To facilitate longitudinal investigations using these data, we aimed to map diagnoses identified in three ICD versions - ICD-8 with adaptations (ICDA-8), ICD-9 with clinical modifications (ICD-9-CM), and ICD-10 with Canadian adaptations (ICD-10-CA) - to mutually exclusive chronic health condition categories adapted from the open source Clinical Classifications Software (CCS). METHODS: We adapted the CCS crosswalk to 3-digit ICD-9-CM codes for chronic conditions and resolved the one-to-many mappings in ICD-9-CM codes. Using this adapted CCS crosswalk as the reference and referring to existing crosswalks between ICD versions, we extended the mapping to ICDA-8 and ICD-10-CA. Each mapping step was conducted independently by two reviewers and discrepancies were resolved by consensus through deliberation and reference to prior research. We report the frequencies, agreement percentages and 95% confidence intervals (CI) from each step. RESULTS: We identified 354 3-digit ICD-9-CM codes for chronic conditions. Of those, 77 (22%) codes had one-to-many mappings; 36 (10%) codes were mapped to a single CCS category and 41 (12%) codes were mapped to combined CCS categories. In total, the codes were mapped to 130 adapted CCS categories with an agreement percentage of 92% (95% CI: 86%-98%). Then, 321 3-digit ICDA-8 codes were mapped to CCS categories with an agreement percentage of 92% (95% CI: 89%-95%). Finally, 3583 ICD-10-CA codes were mapped to CCS categories; 111 (3%) had a fair or poor mapping quality; these were reviewed to keep or move to another category (agreement percentage = 77% [95% CI: 69%-85%]). CONCLUSIONS: We developed crosswalks for three ICD versions (ICDA-8, ICD-9-CM, and ICD-10-CA) to 130 clinically meaningful categories of chronic health conditions by adapting the CCS classification. These crosswalks will benefit chronic disease studies spanning multiple decades of administrative health data.

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.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,266
Score d'incertitude au seuil0,527

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,004
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 savante0,0000,001
Science ouverte0,0010,000
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 Opus0,374
Tête enseignante GPT0,527
Écart entre enseignants0,153 · 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