Minimizing misclassification bias with a model to identify acetabular fractures using health administrative data
Notice bibliographique
Résumé
ABSTRACT: Acetabular fractures (AFs) are relatively uncommon thereby limiting their study. Analyses using population-based health administrative data can return erroneous results if case identification is inaccurate ('misclassification bias'). This study measured the impact of an AF prediction model based exclusively on administrative data upon misclassification bias.We applied text analytical methods to all radiology reports over 11 years at a large, tertiary care teaching hospital to identify all AFs. Using clinically-based variable selection techniques, a logistic regression model was created.We identified 728 AFs in 438,098 hospitalizations (15.1 cases/10,000 admissions). The International Classification of Disease, 10th revision (ICD-10) code for AF (S32.4) missed almost half of cases and misclassified more than a quarter (sensitivity 51.2%, positive predictive value 73.0%). The AF model was very accurate (optimism adjusted R2 0.618, c-statistic 0.988, calibration slope 1.06). When model-based expected probabilities were used to determine AF status using bootstrap imputation methods, misclassification bias for AF prevalence and its association with other variables was much lower than with International Classification of Disease, 10th revision S32.4 (median [range] relative difference 1.0% [0%-9.0%] vs 18.0% [5.4%-75.0%]).Lone administrative database diagnostic codes are inadequate to create AF cohorts. The probability of AF can be accurately determined using health administrative data. This probability can be used in bootstrap imputation methods to importantly reduce misclassification bias.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».