Notice bibliographique
Résumé
BACKGROUND: Adjustment for comorbidity is an important component of any clinical outcome study using administrative data. The Elixhauser Index is a relatively newer comorbidity index for use with administrative data and has not been used to assess prognosis in patients with stroke. Similarly, an International Classification of Diseases (ICD)-10 coding algorithm has been rarely reported for Elixhauser Index. OBJECTIVE: To evaluate whether the Elixhauser Index provides a useful comorbidity adjustment for predicting in-hospital case-fatality in stroke outcome studies and to compare the degree of consistency using ICD-9-CM and ICD-10 coding algorithms. METHODS: Patients who had stroke from 1998 to 2000 (cohort A in the ICD-9-CM data) and 2003 to 2005 (cohort B in the ICD-10 data) in a large Canadian city were identified from the Hospital Discharge database. The performance of two coding algorithms for predicting the in-hospital case-fatality was assessed using multivariable logistic regression models. The C-statistic was used to compare the performance of each coding algorithm in predicting in-hospital case-fatality. RESULTS: Among 2,465 patients with stroke in the ICD-9-CM data (cohort A) and 2,987 patients with stroke in the ICD-10 data (cohort B), there was no difference in model performance using ICD-9-CM (C-statistic was 0.717) as compared with ICD-10 coding algorithms (C-statistic was 0.721; p = 0.83). Elixhauser comorbidity adjustment provided a better prediction of in-hospital case-fatality compared to reduced models including only age and gender (p < 0.0001) for both coding models. CONCLUSION: The Elixhauser Index provides similar comorbidity adjusted risk estimates using both ICD-9-CM and ICD-10, and may be useful for predicting risk-adjusted in-hospital case-fatality in stroke outcome 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».