Identifying patients with diagnosed cirrhosis in administrative health databases: a validation study
Notice bibliographique
Résumé
Objectives: Case ascertainment algorithms were developed and validated to identify people living with cirrhosis in administrative health data in Manitoba, Canada using primary care electronic medical records (EMR) to define the reference standards. Methods: We linked provincial administrative health data to primary care EMR data. The validation cohort included 116,675 Manitobans aged >18 years with at least one primary care visit between April 1998 and March 2015. Hospital records, physician billing claims, vital statistics, and prescription drug data were used to develop and test 93 case-finding algorithms. A validated case definition for primary care EMR data was the reference standard. We estimated sensitivity, specificity, positive and negative predictive values (PPV, NPV), Youden's index, area under the receiver operative curve, and their 95% confidence intervals (CIs). Results: = 1593). Algorithm sensitivity estimates ranged from 32.5% (95% CI 32.2-32.8) to 68.3% (95% CI 68.0-68.9) and PPV from 17.4% (95% CI 17.1-17.6) to 23.4% (95% CI 23.1-23.6). Specificity (95.5-98.2) and NPV (approximately 99%) were high for all algorithms. The algorithms had slightly higher sensitivity estimates among men compared with women, and individuals aged ≥45 years compared to those aged 18-44 years. Conclusion: Cirrhosis algorithms applied to administrative health data had moderate validity when a validated case definition for primary care EMRs was the reference standard. This study provides algorithms for identifying diagnosed cirrhosis cases for population-based research and surveillance studies.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».