Automated extraction of weight, height, and obesity in electronic medical records are highly valid
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
Objective: Coding of obesity using the International Classification of Diseases (ICD) in healthcare administrative databases is under-reported and thus unreliable for measuring prevalence or incidence. This study aimed to develop and test a rule-based algorithm for automating the detection and severity of obesity using height and weight collected in several sections of the Electronic Medical Records (EMRs). Methods: In this cross-sectional study, 1904 inpatient charts randomly selected in three hospitals in Calgary, Canada between January and June 2015 were reviewed and linked with AllScripts Sunrise Clinical Manager EMRs. A rule-based algorithm was created which looks for patients' height and weight values recorded in EMRs. Clinical notes were split into sentences and searched for height and weight, and BMI was computed. Results: The study cohort consisted of 1904 patients with 50.8% females and 43.3% > 64 years of age. The final model to identify obesity within EMRs resulted in a sensitivity of 92.9%, specificity of 98.4%, positive predictive value of 96.7%, negative predictive value of 96.6%, and F1 score of 94.8%. Conclusions: This study developed a highly valid rule-based EMR algorithm that detects height and weight. This could allow large-scale analyses using obesity that were previously not possible.
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 | 0,016 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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