Comparison of Fracture Identification Using Different Definitions in Healthcare Administrative (Claims) Data
Notice bibliographique
Résumé
We identified inconsistency in fracture definitions in a prior review of studies that utilized claims data. Here, we aimed to compare fracture rates estimated using thirteen hip and seven radius/ulna fracture definitions. Our primary analysis compared results in a cohort of 120,363 older adults treated with oral bisphosphonates for ≥3 years. The most inclusive definition (hip: inpatient or emergency diagnosis; radius/ulna: inpatient, emergency, or outpatient diagnosis) served as a referent to compare the number and proportion of fractures captured. In sensitivity analyses, we considered a 180-day washout, excluded fractures associated with trauma; and hip only, excluded: (1) subtrochanteric fractures, and (2) hip replacement procedures. Hip fractures varied by definition in number (52-8058) and incidence (0.7-111.8/10,000 person-years). The second most inclusive definition required one inpatient diagnosis and identified 8% fewer hip fractures than the referent. Excluding hip replacements missed 33% of hip fractures relative to the primary analysis. Radius/ulna fractures also ranged in number (1589-6797) and incidence (22.0-94.3/10,000 person-years). Outpatient data were important, when restricted to inpatient or emergency data, only 78% of radius/ulna fractures were identified. Other than hip replacement procedures, sensitivity analyses had minimal impact on fracture identification. Analyses were replicated in a cohort of patients treated with long-term glucocorticoids. This study highlights the importance and impact of coding decisions on fracture outcome definitions. Further research is warranted to inform best practice in fracture outcome identification.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».