Estimating Disease Prevalence in Administrative Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Disease prevalence estimates from population-based administrative databases are often biased due to measurement (misclassification) errors. The purpose of this article is to review the methodology for estimating disease prevalence in administrative data, with a focus on bias correction. SOURCE: Several approaches to bias correction in administrative data were reviewed and application of these methods was demonstrated using an example from the literature: physician claims and hospitalization data were employed to estimate diabetes prevalence in Ontario, Canada. FINDINGS: Misclassification bias in prevalence estimates from administrative data can be reduced by developing and selecting an optimal algorithm for case identification, applying a bias correction formula, or using statistical modelling. An algorithm for which sensitivity equals positive predictive value provides an unbiased estimate of prevalence. Bias reduction methods generally require information about the measurement properties of the algorithm, such as sensitivity, specificity, or predictive value. These properties depend on disease type, prevalence, algorithm definition (including the observation window), and may vary by population and time. Prevalence estimates can be improved by applying multivariable disease prediction models. CONCLUSION: Frequency of a positive case identification algorithm in administrative data is generally not equivalent to disease prevalence. Although prevalence estimates can be corrected for bias using known measurement properties of the algorithm, these properties may be difficult to estimate accurately; therefore, disease prevalence estimates based on administrative data must be treated with caution.
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.
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 | 0,004 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,008 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 découle