Development of Data Quality Indicators for Improving Hospital International Classification of Diseases–Coded Health Data Quality Globally
Notice bibliographique
Résumé
BACKGROUND: Hospital inpatient data, coded using the International Classification of Diseases (ICD), is widely used to monitor diseases, allocate resources and funding, and evaluate patient outcomes. As such, hospital data quality should be measured before use; however, currently, there is no standard and international approach to assess ICD-coded data quality. OBJECTIVE: To develop a standardized method for assessing hospital ICD-coded data quality that could be applied across countries: Data quality indicators (DQIs). RESEARCH DESIGN: To identify a set of candidate DQIs, we performed an environmental scan, reviewing gray and academic literature on data quality frameworks and existing methods to assess data quality. Indicators from the literature were then appraised and selected through a 3-round Delphi process. The first round involved face-to-face group and individual meetings for idea generation, while the second and third rounds were conducted remotely to collect online ratings. Final DQIs were selected based on the panelists' quantitative and qualitative feedback. SUBJECTS: Participants included international experts with expertise in administrative health data, data quality, and ICD coding. RESULTS: The resulting 24 DQIs encompass 5 dimensions of data quality: relevance, accuracy and reliability; comparability and coherence; timeliness; and Accessibility and clarity. These will help stakeholders (eg, World Health Organization) to assess hospital data quality using the same standard across countries and highlight areas in need of improvement. CONCLUSIONS: This novel area of research will facilitate international comparisons of ICD-coded data quality and be valuable to future studies and initiatives aimed at improving hospital administrative data 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 | 0,428 | 0,500 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,022 | 0,020 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».