Development and Validation of a Machine Learning Algorithm for Problematic Menopause in the Canadian Primary Care Sentinel Surveillance Network (CPCSSN)
Notice bibliographique
Résumé
Abstract Background Menopause is a normal transition in a women’s life. For some women, it is a stage without significant difficulties; for others, menopause symptoms can severely affect their quality of life. Identifying problematic menopause is essential to study the condition and to improve quality of care. This study developed and validated a case definition for problem menopause using Canadian primary care electronic medical records. Methods We used data from the Canadian Primary Care Sentinel Surveillance Network (CPCSSN). A case definition was developed using a reference set created by expert reviewers and a machine learning approach was applied to produce a case definition. Methods to select the most appropriate features and to re-balance our cohort were also applied. Results We randomly selected 2,776 women aged 45–60 for this analysis. An algorithm of two occurrences of ICD-9-CM code 627 in diagnosis fields within 24 months OR one occurrence of ATC code G03CA in medication fields detected problem menopause. This definition produced sensitivity 81.5% (95%CI 76.3%-85.9%), specificity of 93.5% (95%CI 91.9%-94.8%), positive predicted value 73.8% (95%CI 68.3%-78.6%), and negative predicted value 95.7% (95%CI 94.4%-96.8%). Conclusion Our case definition for problem menopause is useful for epidemiological study and demonstrated strong validity metrics. This case definition will help inform future studies exploring management of menopause in primary care settings.
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 | 0,012 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».