Identifying Peritoneal Dialysis (PD)-Associated Peritonitis Using Medicare Claims
Notice bibliographique
Résumé
Background: Medicare fee-for-service (FFS) claims offer a population-based approach to PD-associated peritonitis that may offer valuable insights into predictors, trends and preferred practices. Methods: We used United States Renal Data System (USRDS) standard analysis files for claims (inpatient, outpatient and physician-supplier), eligibility, modality and demographic information. The sample consisted of PD patient-months from 2013 through 2017 characterized by Medicare FFS coverage and paid claims for dialysis or hospital services. We identified ICD-9 and ICD-10 diagnosis codes for peritonitis, including those that do not clearly distinguish peritonitis from catheter infections/inflammation (“catheter codes”). A new peritonitis episode was defined as a peritonitis claim 30+ days from any prior peritonitis claim or 50+ days from the initial peritonitis claim for a prior episode. Results: The sample included 88,396 adult patients (128,000 observed patient-years), yielding 510,000 peritonitis claims and 75,000 peritonitis episodes. Coding was heterogeneous with no single diagnosis code present on the majority of claims. Peritonitis episodes were inferred from aggregated claims (mean 6.3, median 2). Half of episodes were exclusively outpatient, 7% exclusively inpatient, and 16% exclusively comprised of catheter code claims. The overall peritonitis rate was 0.59 and 0.49 episodes per patientyear with and without inclusion of catheter codes respectively. Peritonitis rates declined by 4%/year from 2013-2017, and varied by age, race (Black > White >Asian), and ESKD vintage. Conclusions: Coding heterogeneity indicates a lack of standardization and need for clearer coding guidance. We found differences between races, ages, and patient vintages, and declining rates from 2013-2017. These rates are 2-fold higher than reported in US-PDOPPS by Perl et al (AJKD 2020) which is not restricted to Medicare. Claims are an important data source for peritonitis, but more work is needed to validate these rates. Funding: Other NIH Support - Agency for Healthcare Research and Quality
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».