Distinguishing Primary Prevention From Secondary Prevention Implantable Cardioverter Defibrillators Using Administrative Health and Cardiac Device Registry Data
Notice bibliographique
Résumé
Background: Administrative health data and cardiac device registries can be used to empirically evaluate outcomes and costs after implantable cardioverter defibrillator (ICD) implantation. These datasets often have incomplete information on the indication for implantation (primary vs secondary prevention of sudden cardiac death). Methods: We used 16 years of population-based cardiac device registry and administrative health data from British Columbia, Canada, to derive and internally validate statistical models that predict the likely indication for ICD implantation. We used chart review data as the reference standard for ICD indication in the Cardiac Device Registry database (CDR; 2004-2012 [Cardiac Services BC]) and nonmissing indication as the reference standard in the Heart Information System registry database (HEARTis; 2013-2019 [Cardiac Services BC]). We created 3 logistic regression prediction models in each database: one using only registry data, one using only administrative data, and one using both registry and administrative data. We assessed the predictive performance of each model using standard metrics after optimism correction with 200 bootstrap resamples. Results: Models that used registry data alone demonstrated excellent predictive performance (sensitivity ≥ 89%; specificity ≥ 87%). Models that used only administrative data performed well (sensitivity ≥ 84%; specificity ≥ 70%). Models that used both registry and administrative data showed modest gains over those that used registry data alone (sensitivity ≥ 90%; specificity ≥ 89%). Conclusions: Administrative health data and cardiac device registry data can distinguish secondary prevention ICDs from primary prevention ICDs with acceptable sensitivity and specificity. Imputation of missing ICD indication might make these data resources more useful for research and health system monitoring.
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 | 0,024 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».