Validating methods used to identify non‐adherence adverse drug events in Canadian administrative health data
Notice bibliographique
Résumé
AIMS: Medication non-adherence is a type of adverse drug event that can lead to untreated and exacerbated chronic illness, and that drives healthcare utilization. Research using medication claims data has attempted to identify instances of medication non-adherence using the proportion of days covered or by examining gaps between medication refills. We sought to validate these measures compared to a gold standard diagnosis of non-adherence made in hospital. METHODS: This was a retrospective analysis of adverse drug events diagnosed during three prospective cohorts in British Columbia between 2008 and 2015 (n = 976). We linked prospectively identified adverse drug events to medication claims data to examine the sensitivity and specificity of typical non-adherence measures. RESULTS: The sensitivity of the non-adherence measures ranged from 22.4% to 37.5%, with a proportion of days covered threshold of 95% performing the best; the non-persistence measures had sensitivities ranging from 10.4% to 58.3%. While a 7-day gap was most sensitive, it classified 61.2% of the sample as non-adherent, whereas only 19.6% were diagnosed as such in hospital. CONCLUSIONS: The methods used to identify non-adherence in administrative databases are not accurate when compared to a gold standard diagnosis by healthcare providers. Research that has relied on administrative data to identify non-adherent patients both underestimates the magnitude of the problem and may label patients as non-adherent who were in fact adherent.
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 | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».