Characterization of Primary IGF-1 Deficiency in a Cohort of Canadian Children with Short Stature Using a Novel Algorithm Tailored to Electronic Medical Records
Notice bibliographique
Résumé
(1) Background: Severe primary insulin-like growth factor-I deficiency (SPIGFD) is a rare disorder causing short stature in children due to low insulin-like growth factor 1 (IGF-1) levels. Given the sparsity of reported cases of SPIGFD worldwide, the condition may be underdiagnosed, potentially preventing affected children from receiving therapy with recombinant human IGF-1 (rhIGF-1). Our objective was to determine the prevalence of SPIGFD among children with short stature at a large pediatric tertiary care center through the use of a novel electronic medical record (EMR) algorithm. (2) Methods: We queried our EMR using an algorithm that detected all children seen at our center between 1 November 2013 and 31 August 2021 with short stature and low IGF-1. We then conducted chart reviews, applying established diagnostic criteria for those identified with potential SPIGFD. (3) Results: From a cohort of 4863 children with short stature, our algorithm identified 30 (0.6%) patients with potential SPIGFD. Using chart reviews, we determined that none of these patients had SPIGFD. (4) Conclusions: Our algorithm can be used in other EMRs to identify which patients are likely to have SPIGFD and thus benefit from treatment with rhIGF-1. This model can be replicated for other rare diseases.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».