Drug and natural health product data collection and curation in the Canadian Longitudinal Study on Aging (CLSA)
Notice bibliographique
Résumé
Abstract Purpose The mapping of drug and natural health product (NHP) data to standardized terminologies is central to its analysis. This study aimed to develop an efficient data collection and curation process for all drug and NHP used by Canadian Longitudinal Study on Aging (CLSA) participants. Methods The 3-step sequential data collection and curation process consisted of: 1) mapping drug inputs to the Health Canada Drug Product Database (DPD), 2) algorithm-recoding of unmapped drug and NHP inputs, and 3) manual recoding. A gold standard manually recoded input was established by two pharmacy technicians. The proportion of algorithm-correctly recoded inputs was calculated as the number of algorithm-correctly recoded inputs, based on the gold standard, divided by the number of algorithm-recoded inputs. Results Among the 30,097 CLSA Comprehensive cohort participants, 26,000 (86.4%) were using a drug or a NHP with a mean of 5.3 (SD 3.8) inputs per participant-user for a total of 137,366 inputs. Of those inputs, 70,177 (51.1%) were mapped to the Health Canada DPD, 20,729 (15.1%) were recoded by algorithms and 44,108 (32.1%) were manually recoded. In a validation sample (n = 1407 inputs), the Direct algorithm correctly classified 99.4% of drug and 99.5% of NHP inputs for which a gold standard could be established. In another validation sample of 329 manually recoded free-text inputs, consensus was reached by 2 recoders for 89.7% of drug and 74.8% of NHP inputs. Conclusion We developed an efficient 3-step process for drug and NHP data collection and curation for use in a longitudinal cohort.
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 | 0,004 | 0,001 |
| 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 | 0,001 |
| 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 ».