The Challenges of Identifying Patients With Peripheral Artery Disease Utilizing Administrative Databases
Notice bibliographique
Résumé
Peripheral artery disease (PAD) carries a high burden of morbidity when identified in patients with coronary artery disease (CAD). However, the identification of patients with concomitant CAD and PAD remains challenging. Using linked administrative databases of 207,026 individuals with CAD between 2002 and 2019 (median follow-up 4.7 years), a model for PAD was applied to identify baseline PAD and the development of PAD during follow-up. Both baseline PAD and future PAD models demonstrated poor calibration and discrimination (c-statistic 0.618 and 0.583). In the absence of additional variables, the present models are unable to identify patients with concomitant CAD and PAD. Peripheral artery disease (PAD) carries a high burden of morbidity when identified in patients with coronary artery disease (CAD). However, the identification of patients with concomitant CAD and PAD remains challenging. Using linked administrative databases of 207,026 individuals with CAD between 2002 and 2019 (median follow-up 4.7 years), a model for PAD was applied to identify baseline PAD and the development of PAD during follow-up. Both baseline PAD and future PAD models demonstrated poor calibration and discrimination (c-statistic 0.618 and 0.583). In the absence of additional variables, the present models are unable to identify patients with concomitant CAD and PAD.
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 | 0,000 |
| 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 ».