Validation of Medical Service Insurance Claims as a Surrogate for Ascertaining Vitiligo Cases
Notice bibliographique
Résumé
Abstract Background: The epidemiology of vitiligo, especially its disease burden on the healthcare system, can be assessed indirectly by analyzing health insurance claims data. Validating this approach is integral to ensuring accurate case identification and cohort characterization.Objectives: The primary aim of this study was to develop and validate an indirect measure of vitiligo ascertainment using health insurance claims data. These data were used secondarily to identify demographic characteristics, body site involvement, vitiligo subtypes, disease associations, and treatments. Methods: This study assessed the validity of identifying vitiligo from billing claims within a Canadian provincial universal health insurance program, versus vitiligo cases accrued from direct medical chart reviews. Claims-based algorithms combining ICD-9-CM diagnostic code 709 with treatment-specific data were derived and tested to identify vitiligo patients. This was compared against cases arising from the manual review of medical records of 606 patient with a diagnostic code for “dyschromia” (ICD-9-CM diagnostic code 709) from January 1 to December 31, 2016.Results: Based on the chart reviews, 204 (33.7%) patients were confirmed to have vitiligo. 42 separate claims-based algorithms combining ICD-9-CM diagnostic code 709 with treatment data specific to vitiligo were modelled and individually tested to evaluate their accuracy for vitiligo ascertainment. One algorithm achieved a sensitivity, specificity, PPV and NPV of 86.8% (95% CI 82.1-91.4), 92.5% (95% CI 90.0-95.1), 85.5% (95% CI 80.7-90.3), and 93.2% (95% CI 90.8-95.7), respectively. There was a 2.2 female to male ratio. The most common medical treatments were tacrolimus (74.5%) and topical corticosteroids (54.3%). Hypertension (24.2%) and hypothyroidism (19.6%) were the predominant co-morbidities associated with vitiligo. Conclusions: Health insurance claims data can be used to indirectly ascertain vitiligo for epidemiologic purposes with relatively high diagnostic performance between 85.5-93.2%.
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 | 0,063 | 0,148 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».