Enhancement and external validation of algorithms using diagnosis codes to identify invasive <i>Escherichia coli</i> disease
Notice bibliographique
Résumé
Objective To assess the predictive accuracy of code-based algorithms for identifying invasive Escherichia coli (E. coli) disease (IED) among inpatient encounters in US hospitals.Methods The PINC AI Healthcare Database (10/01/2015–03/31/2020) was used to assess the performance of six published code-based algorithms to identify IED cases among inpatient encounters. Case-confirmed IEDs were identified based on microbiological confirmation of E. coli in a normally sterile body site (Group 1) or in urine with signs of sepsis (Group 2). Code-based algorithm performance was assessed overall, and separately for Group 1 and Group 2 based on sensitivity, specificity, positive and negative predictive value (PPV and NPV) and F1 score. The improvement in performance of refinements to the best-performing algorithm was also assessed.Results Among 2,595,983 encounters, 97,453 (3.8%) were case-confirmed IED (Group 1: 60.9%; Group 2: 39.1%). Across algorithms, specificity and NPV were excellent (>97%) for all but one algorithm, but there was a trade-off between sensitivity and PPV. The algorithm with the most balanced performance characteristics included diagnosis codes for: (1) infectious disease due to E. coli OR (2) sepsis/bacteremia/organ dysfunction combined with unspecified E. coli infection and no other concomitant non-E. coli invasive disease (sensitivity: 56.9%; PPV: 56.4%). Across subgroups, the algorithms achieved lower algorithm performance for Group 2 (sensitivity: 9.9%–61.1%; PPV: 3.8%–16.0%).Conclusions This study assessed code-based algorithms to identify IED during inpatient encounters in a large US hospital database. Such algorithms could be useful to identify IED in healthcare databases that lack information on microbiology data.
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 | 0,001 | 0,004 |
| 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 | 0,000 | 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 ».