137 Accuracy of using administrative data to identify epilepsy cases: a systematic review of validation studies
Notice bibliographique
Résumé
Purpose To ascertain the accuracy of using administrative healthcare data to identify epilepsy cases. Method We searched MEDLINE and Embase from 01/01/1975–03/07/2018 for studies evaluating the diagnostic accuracy of administrative data in identifying epilepsy cases using any disease coding system. Two authors independently screened studies, extracted data, and quality-assessed studies. We assessed PPV, sensitivity, NPV, and specificity. The primary analysis was narrative. Results Thirty studies were included between 1989–2018. Risks of bias were low, high, and unclear in four, 14, and 12 studies, respectively. Coding systems included ICD-9, ICD-10 and Read Codes, with or without antiepileptic drugs (AEDs). PPVs included ranges of 5.2–100% (Canada), 32.7–96.0% (US), 47.0–100% (UK), and 37.0–88.0% (Norway). Sensitivities included ranges of 22.2–99.7% (Canada), 12.2–97.3% (US), and 79.0–94.0% (UK). Nineteen studies contained ≥1 algorithm with a PPV >80%. Sixteen studies contained ≥1 algorithm with a sensitivity >80%. PPV was highest in algorithms consisting of disease codes (ICD-10 G40–41, ICD-9 345) in combination with ≥1 AED. The addition of symptom codes to this (ICD-10 R56, ICD-9 780.3, 780.39) lowered PPV. Sensitivity was highest in algorithms consisting of symptom codes with ≥1 AED. Whilst using AEDs alone achieved high sensitivities, the associated PPVs were low. Most NPVs and specificities were >90%. Conclusion In the first global systematic review of this topic, we conclude that it is reasonable to use administrative data to identify people with epilepsy in epidemiological research. mbizvogkm@gmail.com
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 | 0,088 | 0,392 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,011 |
| Bibliométrie | 0,018 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».