Multimorbidity measures from health administrative data using <scp>ICD</scp> system codes: A systematic review
Notice bibliographique
Résumé
BACKGROUND: We aimed to identify and characterize adult population-based multimorbidity measures using health administrative data and the International Classification of Diseases (ICD) codes for disease identification. METHODS: We performed a narrative systematic review of studies using or describing development or validation of multimorbidity measures. We compared the number of diseases included in the measures, the process of data extraction (case definition) and the validation process. We assessed the methodological robustness using eight criteria, five based on general criteria for indicators (AIRE instrument) and three multimorbidity-specific criteria. RESULTS: Twenty-two multimorbidity measures were identified. The number of diseases they included ranged from 5 to 84 (median = 20), with 19 measures including both physical and mental conditions. Diseases were identified using ICD codes extracted from inpatient and outpatient data (18/22) and sometimes including drug claims (10/22). The validation process relied mainly on the capacity of the measures to predict health outcome (5/22), or on the validation of each individual disease against a gold standard (8/22). Six multimorbidity measures met at least six of the eight robustness criteria assessed. CONCLUSION: There is significant heterogeneity among the measures used to assess multimorbidity in administrative databases, and about a third are of low to moderate quality. A more consensual approach to the number of diseases or groups of diseases included in multimorbidity measures may improve comparison between regions, and potentially provide better control for multimorbidity-related confounding in studies.
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 | 0,011 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».