Data on Patient Record Trajectory for Linkage (DataPRinT Linkage).
Notice bibliographique
Résumé
The linkage of Electronic Medical Records, Administrative and other data sources is highly valuable for research and health system monitoring. Once linked, combined resources can be analyzed to provide the answers to a variety of health questions that otherwise could not be answered. However, legislative and administrative barriers, including lengthy processes for data sharing agreements, may preclude timely linkage which is a key requirement during pandemics. ObjectiveTo develop a method using a patient’s health trajectory to probabilistically link primary care Electronic Medical Record (EMR) data with administrative and other data, without the need to transfer large datasets or identifiable information. To determine the legislative feasibility, accuracy and validity of this linkage process. Study DesignIdentify data strings that do not directly identify patients and could be used as unique linkage variables. The data strings, which we are calling dataprints, are sufficiently similar over time in different databases. One example in Ontario, Canada, is the pattern of submitted health claims. For every patient seen by a family physician, there exists a unique pattern of dates/billing codes/diagnoses over time. These unique patterns are reasonably similar in EMR and administrative datasets. We will apply an algorithm which turns the string in the selected dataprints to an irreversibly hashed code for each person. The hashed code and no additional information will be provided by both data controllers to a trusted-third party who will determine which records match and send a mapping table to both. This enables analyses to be run in parallel, without divulging any direct person identifiers. DatasetIndividuals contained in the University of Toronto Practice Based Research Network (UTOPIAN). Outcome MeasuresLinkage quality will be assessed by the number of true matches and represented by sensitivity, specificity and positive and negative predictive values. ResultsThe method will be evaluated against a validated, deterministically linked reference standard at North York General Hospital using de-identified EMR and hospital data. Results will inform processes to enable analyses across datasets while adhering to privacy legislation.
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 | 0,017 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,017 | 0,007 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».