Diagnostic Validity of Chronic Kidney Disease in Health Claims Data Over Time: Results from a Cohort of Community-Dwelling Older Adults in Germany
Notice bibliographique
Résumé
Purpose: The validity of ICD-10 diagnostic codes for chronic kidney disease (CKD) in health claims data has not been sufficiently studied in the general population and over time. Patients and Methods: We used data from the Berlin Initiative Study (BIS), a prospective longitudinal cohort of community-dwelling individuals aged ≥70 years in Berlin, Germany. With estimated glomerular filtration rate (eGFR) as reference, we assessed the diagnostic validity (sensitivity, specificity, positive [PPV], and negative predictive values [NPV]) of different claims-based ICD-10 codes for CKD stages G3-5 (eGFR <60mL/min/1.73m²: ICD-10 N18.x-N19), G3 (eGFR 30-<60mL/min/1.73m²: N18.3), and G4-5 (eGFR <30mL/min/1.73m²: N18.4-5). We analysed trends over five study visits (2009-2019). Results: We included data of 2068 participants at baseline (2009-2011) and 870 at follow-up 4 (2018-2019), of whom 784 (38.9%) and 440 (50.6%) had CKD G3-5, respectively. At baseline, sensitivity for CKD in claims data ranged from 0.25 (95%-confidence interval [CI] 0.22-0.28) to 0.51 (95%-CI 0.48-0.55) for G3-5, depending on the included ICD-10 codes, 0.20 (95%-CI 0.18-0.24) for G3, and 0.36 (95%-CI 0.25-0.49) for G4-5. Over the course of 10 years, sensitivity increased by 0.17 to 0.29 in all groups. Specificity, PPVs, and NPVs remained mostly stable over time and ranged from 0.82-0.99, 0.47-0.89, and 0.66-0.98 across all study visits, respectively. Conclusion: German claims data showed overall agreeable performance in identifying older adults with CKD, while differentiation between stages was limited. Our results suggest increasing sensitivity over time possibly attributable to improved CKD diagnosis and awareness.
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 | 0,014 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».