MétaCan
Menu
Retour à la cohorte
Enregistrement W4400346513 · doi:10.1016/j.jeph.2024.202744

Validated administrative data based ICD-10 algorithms for chronic conditions: A systematic review

2024· review· en· W4400346513 sur OpenAlexafffundabout
Angela Kuang, Claire Xu, Danielle A. Southern, Namneet Sandhu, Hude Quan

Notice bibliographique

RevueJournal of Epidemiology and Population Health · 2024
Typereview
Langueen
DomaineHealth Professions
ThématiqueMedical Coding and Health Information
Établissements canadiensUniversity of Calgary
Organismes subventionnairesCumming School of Medicine, University of CalgaryUniversity of Calgary
Mots-clésCINAHLData extractionPsycINFOMEDLINEAlgorithmMedicineSystematic reviewData miningInformation retrievalComputer sciencePsychiatryPsychological intervention

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: This systematic review aimed to identify ICD-10 based validated algorithms for chronic conditions using health administrative data. METHODS: A comprehensive systematic literature search using Ovid MEDLINE, Embase, PsycINFO, Web of Science and CINAHL was performed to identify studies, published between 1983 and May 2023, on validated algorithms for chronic conditions using administrative health data. Two reviewers independently screened titles and abstracts and reviewed full text of selected studies to complete data extraction. A third reviewer resolved conflicts arising at the screening or study selection stages. The primary outcome was validated studies of ICD-10 based algorithms with both sensitivity and PPV of ≥70 %. Studies with either sensitivity or PPV <70 % were included as secondary outcomes. RESULTS: Overall, the search identified 1686 studies of which 54 met the inclusion criteria. Combining a previously published literature search, a total of 61 studies were included for data extraction. The study identified 40 chronic conditions with high validity and 22 conditions with moderate validity. The validated algorithms were based on administrative data from different countries including Canada, USA, Australia, Japan, France, South Korea, and Taiwan. The algorithms identified included several types of cancers, cardiovascular conditions, kidney diseases, gastrointestinal disorders, and peripheral vascular diseases, amongst others. CONCLUSION: With ICD-10 prominently used across the world, this up-to-date systematic review can prove to be a helpful resource for research and surveillance initiatives using administrative health data for identifying chronic conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,025
score de la tête « metaresearch » (Gemma)0,126
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,975
Score d'incertitude au seuil0,134

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,126
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0090,008
Bibliométrie0,0200,018
Études des sciences et des technologies0,0010,001
Communication savante0,0040,004
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,792
Tête enseignante GPT0,681
Écart entre enseignants0,112 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeRevue systématique
DomaineMéthodes
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Epidemiology and Population HealthMême sujetMedical Coding and Health InformationTravaux en français237 207