Validation of case-ascertainment algorithms using health administrative data to identify people who inject drugs in Ontario, Canada
Notice bibliographique
Résumé
OBJECTIVES: Health administrative data can be used to improve the health of people who inject drugs by informing public health surveillance and program planning, monitoring, and evaluation. However, methodological gaps in the use of these data persist due to challenges in accurately identifying injection drug use (IDU) at the population level. In this study, we validated case-ascertainment algorithms for identifying people who inject drugs using health administrative data in Ontario, Canada. STUDY DESIGN AND SETTING: Data from cohorts of people with recent (past 12 months) IDU, including those participating in community-based research studies or seeking drug treatment, were linked to health administrative data in Ontario from 1992 to 2020. We assessed the validity of algorithms to identify IDU over varying look-back periods (ie, all years of data [1992 onwards] or within the past 1-5 years), including inpatient and outpatient physician billing claims for drug use, emergency department (ED) visits or hospitalizations for drug use or injection-related infections, and opioid agonist treatment (OAT). RESULTS: Algorithms were validated using data from 15,241 people with recent IDU (918 in community cohorts and 14,323 seeking drug treatment). An algorithm consisting of ≥1 physician visit, ED visit, or hospitalization for drug use, or OAT record could effectively identify IDU history (91.6% sensitivity and 94.2% specificity) and recent IDU (using 3-year look back: 80.4% sensitivity, 99% specificity) among community cohorts. Algorithms were generally more sensitive among people who inject drugs seeking drug treatment. CONCLUSION: Validated algorithms using health administrative data performed well in identifying people who inject drugs. Despite their high sensitivity and specificity, the positive predictive value of these algorithms will vary depending on the underlying prevalence of IDU in the population in which they are applied.
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 | 0,027 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,004 | 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 ».