Development of Data Quality Indicators for Improving Hospital International Classification of Diseases–Coded Health Data Quality Globally
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,008 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle