MétaCan
Menu
Retour à la cohorte
Enregistrement W3207035469 · doi:10.23889/ijpds.v6i1.1397

Describing agreement in the Main Condition coding field using Canadian ICD-11 inpatient data

2021· article· en· W3207035469 sur OpenAlexaffabout
Natalie Wiebe, Hude Quan, Danielle A. Southern, Chelsea Doktorchik, Catherine Eastwood

Notice bibliographique

RevueInternational Journal for Population Data Science · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMedical Coding and Health Information
Établissements canadiensHealth Sciences CentreUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésComparabilityMedicineInpatient careEmergency departmentCoding (social sciences)Medical emergencyFamily medicineHealth careStatisticsNursing

Résumé

récupéré en direct d'OpenAlex

IntroductionCountries use varying coding standards, which impact international coded data comparability. The `main condition' (MC) field is coded within the Discharge Abstract Database as "reason for admission" or "largest resource use". ObjectiveWe offer a preliminary analysis on the frequency of and contributing factors to MC definition agreements within an inpatient Canadian dataset. MethodsSix professional coders performed a chart review between August 2016 and June 2017 on 3,000 randomly selected inpatient charts from three acute care hospitals in Calgary, Alberta. Coders classified the MC as "reason for admission", "largest resource use" or "both". Patients were admitted between 1st January and 30th June 2015 and met the inclusion criteria if they were >18 years, had an Alberta personal health care number, and had an inpatient visit for any service outside of obstetrics. Agreement between the two MC definitions was stratified by length of stay (LOS), emergency department admission, hospital of origin, discharge location, age, sex, procedures, and comorbidities. Chi-square analysis and frequency of inconsistencies were reported. ResultsOnly 34 (1.51%) of the 2,250 patient charts had disagreeing MC definitions. Age, emergency visit on admit, LOS, hospital, and discharge location were associated with MC agreement. Chronic conditions were seen more often in MC definition agreements, and acute conditions seen within those disagreeing. ConclusionThere was a small proportion of cases in which the condition bringing the patient to hospital was not also the condition occupying the largest resources. Within disagreements, further research using a larger sample size is needed to explore the presence of MC in a secondary/tertiary condition, the association between patient complexity and disagreeing MC definitions, and the nature of the conditions seen in the inconsistent MC definitions.

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)0,007
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,765
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,002
Science ouverte0,0020,000
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 Opus0,647
Tête enseignante GPT0,562
Écart entre enseignants0,085 · 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.

Devis d'étudeObservationnel
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

Citations1
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetMedical Coding and Health InformationTravaux en français237 207