Defining major surgical complications using administrative data in Ontario: a validation study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Although surgical complications are often included as an outcome of surgical research conducted using administrative data, little validation work has been performed. We sought to evaluate the diagnostic performance of an algorithm designed to capture major surgical complications using health administrative data. METHODS: This retrospective study included patients who underwent high-risk elective general surgery at a single institution in Ontario, Canada, from Sept. 1, 2016, to Sept. 1, 2017. Patients were identified for inclusion using the local operative database. Medical records were reviewed by trained clinicians to abstract postoperative complications. Data were linked to administrative data holdings, and a series of code-based algorithms were applied to capture a composite indicator of major surgical complications. We used sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV) and accuracy to evaluate the performance of our administrative data algorithm, as compared with data abstracted from the institutional charting system. RESULTS: The study included a total of 270 patients. According to the data from the chart audit, 55% of patients experienced at least 1 major surgical complication. Overall sensitivity, specificity, PPV, NPV and accuracy for the composite outcome was 72%, 80%, 82%, 70% and 76%, respectively. Diagnostic performance was poor for several of the individual complications. CONCLUSION: Our results showed that administrative data holdings can be used to capture a composite indicator of major surgical complications with adequate sensitivity and specificity. Additional work is required to identify suitable algorithms for several specific complications.
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.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découle