Mapping 3 procedure coding systems to the International Classification of Health Interventions (ICHI): coverage and challenges
Notice bibliographique
Résumé
OBJECTIVE: To study the coverage and challenges in mapping 3 national and international procedure coding systems to the International Classification of Health Interventions (ICHI). MATERIALS AND METHODS: We identified 300 commonly used codes each from SNOMED CT, ICD-10-PCS, and CCI (Canadian Classification of Health Interventions) and mapped them to ICHI. We evaluated the level of match at the ICHI stem code and Foundation Component levels. We used postcoordination (modification of existing codes by adding other codes) to improve matching. Failure analysis was done for cases where full representation was not achieved. We noted and categorized potential problems that we encountered in ICHI, which could affect the accuracy and consistency of mapping. RESULTS: Overall, among the 900 codes from the 3 sources, 286 (31.8%) had full match with ICHI stem codes, 222 (24.7%) had full match with Foundation entities, and 231 (25.7%) had full match with postcoordination. 143 codes (15.9%) could only be partially represented even with postcoordination. A small number of SNOMED CT and ICD-10-PCS codes (18 codes, 2% of total), could not be mapped because the source codes were underspecified. We noted 4 categories of problems in ICHI-redundancy, missing elements, modeling issues, and naming issues. CONCLUSION: Using the full range of mapping options, at least three-quarters of the commonly used codes in each source system achieved a full match. For the purpose of international statistical reporting, full matching may not be an essential requirement. However, problems in ICHI that could result in suboptimal maps should be addressed.
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 | 0,014 | 0,008 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».