Validation of Insurance Billing Codes for Monitoring Antenatal Screening
Notice bibliographique
Résumé
BACKGROUND: Prevalence statistics for pregnancy complications identified through screening such as gestational diabetes usually assume universal screening. However, rates of screening completion in pregnancy are not available in many birth registries or hospital databases. We validated screening-test completion by comparing public insurance laboratory and radiology billing records with medical records at three hospitals in British Columbia, Canada. METHODS: We abstracted a random sample of 140 delivery medical records (2014-2019), and successfully linked 127 to valid provincial insurance billings and maternal-newborn registry data. We compared billing records for gestational diabetes screening, any ultrasound before 14 weeks gestational age, and Group B streptococcus screening during each pregnancy to the gold standard of medical records by calculating sensitivity and specificity, positive predictive value, negative predictive value, and prevalence with 95% confidence intervals (CIs). RESULTS: Gestational diabetes screening (screened vs. unscreened) in billing records had a high sensitivity (98% [95% CI = 93, 100]) and specificity (>99% [95% CI = 86, 100]). The use of specific glucose screening approaches (two-step vs. one-step) were also well characterized by billing data. Other tests showed high sensitivity (ultrasound 97% [95% CI = 92, 99]; Group B streptococcus 96% [95% CI = 89, 99]) but lower negative predictive values (ultrasound 64% [95% CI = 33, 99]; Group B streptococcus 70% [95% CI = 40, 89]). Lower negative predictive values were due to the high prevalence of these screening tests in our sample. CONCLUSIONS: Laboratory and radiology insurance billing codes accurately identified those who completed routine antenatal screening tests with relatively low false-positive rates.
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 | 0,001 | 0,002 |
| 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 ».