Recurrent Traumatic Brain Injury Surveillance Using Administrative Health Data: A Bayesian Latent Class Analysis
Notice bibliographique
Résumé
Background: The initial injury burden from incident TBI is significantly amplified by recurrent TBI (rTBI). Unfortunately, research assessing the accuracy to conduct rTBI surveillance is not available. Accurate surveillance information on recurrent injuries is needed to justify the allocation of resources to rTBI prevention and to conduct high quality epidemiological research on interventions that mitigate this injury burden. This study evaluates the accuracy of administrative health data (AHD) surveillance case definitions for rTBI and estimates the 1-year rTBI incidence adjusted for measurement error. Methods: A 25% random sample of AHD for Montreal residents from 2000 to 2014 was used in this study. Four widely used TBI surveillance case definitions, based on the International Classification of Disease and on radiological exams of the head, were applied to ascertain suspected rTBI cases. Bayesian latent class models were used to estimate the accuracy of each case definition and the 1-year rTBI measurement-error-adjusted incidence without relying on a gold standard rTBI definition that does not exist, across children (<18 years), adults (18-64 years), and elderly (> =65 years). Results: The adjusted 1-year rTBI incidence was 4.48 (95% CrI 3.42, 6.20) per 100 person-years across all age groups, as opposed to a crude estimate of 8.03 (95% CrI 7.86, 8.21) per 100 person-years. Patients with higher severity index TBI had a significantly higher incidence of rTBI compared to patients with lower severity index TBI. The case definition that identified patients undergoing a radiological examination of the head in the context of any traumatic injury was the most sensitive across children [0.46 (95% CrI 0.33, 0.61)], adults [0.79 (95% CrI 0.64, 0.94)], and elderly [0.87 (95% CrI 0.78, 0.95)]. The most specific case definition was the discharge abstract database in children [0.99 (95% CrI 0.99, 1.00)], and emergency room visits claims in adults/elderly [0.99 (95% CrI 0.99, 0.99)]. Median time to rTBI was the shortest in adults (75 days) and the longest in children (120 days). Conclusion: Conducting accurate surveillance and valid epidemiological research for rTBI using AHD is feasible when measurement error is accounted for.
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 | 0,043 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».