Validating use of diagnostic codes in Canadian administrative data for identification of adverse drug events
Notice bibliographique
Résumé
AIMS: While diagnostic codes from administrative health data might be a valuable source to identify adverse drug events (ADEs), their ability to identify unintended harms remains unclear. We validated claims-based diagnosis codes for ADEs based on events identified in a prospective cohort study and assessed whether key attributes predicted their documentation in administrative data. METHODS: This was a retrospective analysis of 3 prospective cohorts in British Columbia, from 2008 to 2015 (n = 13 969). We linked prospectively identified ADEs to administrative insurance data to examine the sensitivity and specificity of different diagnostic code schemes. We used logistic regression to assess which key attributes (e.g., type of event, symptoms and culprit medications) were associated with better documentation of ADEs in administrative data. RESULTS: Among 1178 diagnosed events, the sensitivity of the diagnostic codes in administrative data ranged from 3.4 to 52.6%, depending on the database and codes used. We found that documentation was worse for certain types of ADEs (dose-related: odds ratio [OR]: 0.32, 95% confidence interval [CI]: 0.15, 0.69; nonadherence events (OR: 0.35, 95% CI: 0.20, 0.62), and better for those experiencing arrhythmias (OR: 4.19, 95% CI: 0.96, 18.28). CONCLUSION: ADEs were not well documented in administrative data. Alternative methods should be explored to capture ADEs for health research.
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 | 0,006 | 0,006 |
| 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 | 0,001 |
| 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 ».