Are Electronic Health Records Sufficiently Accurate to Phenotype Rheumatology Patients With Chronic Pain?
Notice bibliographique
Résumé
Chronic pain in rheumatic diseases (RDs), a symptom often neglected, is prevalent and an important contributor to poor health and reduced quality of life. Various studies report that up to a third of patients with inflammatory RDs have persistent pain, often attributed to pain sensitization, even when the underlying disease is controlled.1-3 Beyond personal suffering, chronic pain has considerable societal implications that include increased healthcare utilization and economic disadvantages. It therefore follows that chronic pain deserves to be highlighted as an important comorbidity of RDs, deserving attention, management, and further study. A reliable estimate of the prevalence of chronic pain is necessary to better understand the contributors, life impact, and treatment of RD-associated pain. Electronic health records (EHRs) are ideally poised to provide information on large numbers of unselected patients in a real-world setting with an opportunity to contribute to a better understanding of chronic pain. A critical issue is whether the information currently available in usual EHRs can sufficiently categorize patients experiencing subjective symptoms. Information collected in EHRs is mostly in real time and entered in a structured format using controlled vocabulary, including demographics, diagnostic codes (eg, International Classification of Diseases [ICD] codes), procedure codes, laboratory test results, medications, and unstructured clinical free-text data.4,5 Developed to track and manage patients, the near universal adoption of EHRs has provided researchers with the opportunity to access real-life health data that is free of the inherent biases when patients are specifically selected for study.4 EHRs have evolved to broaden the scope of an electronic medical record with inclusion of data beyond the clinical encounter, such as information on prescriptions filled, health data from other clinicians, and patient-provided data. At the most basic level, diagnostic codes provide estimates of disease prevalence, but a more detailed study … Address correspondence to Dr. M.A. Fitzcharles, Montreal General Hospital, McGill University Health Centre, 1650 Cedar Ave, Montreal, QC H3G 1A4, Canada. Email: mfitzcharles{at}sympatico.ca.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,328 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».