Sensitivity and specificity of International Classification of Diseases algorithms (ICD-9 and ICD-10) used to identify opioid-related overdose cases: A systematic review and an example of estimation using Bayesian latent class models in the absence of gold standards
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to summarize validity estimates of International Classification of Diseases (ICD) codes in identifying opioid overdose (OOD) among patient data from emergency rooms, emergency medical services, inpatient, outpatient, administrative, medical claims, and mortality, and estimate the sensitivity and specificity of the algorithms in the absence of a perfect reference standard. METHODS: We systematically reviewed studies published before December 8, 2023, and identified with Medline and Embase. Studies reporting sufficient details to recreate a 2 × 2 table comparing the ICD algorithms to a reference standard in diagnosing OOD-related events were included. We used Bayesian latent class models (BLCM) to estimate the posterior sensitivity and specificity distributions of five ICD-10 algorithms and of the imperfect coroner's report review (CRR) in detecting prescription opioid-related deaths (POD) using one included study. RESULTS: Of a total of 1990 studies reviewed, three were included. The reported sensitivity estimates of ICD algorithms for OOD were low (range from 25.0% to 56.8%) for ICD-9 in diagnosing non-fatal OOD-related events and moderate (72% to 89%) for ICD-10 in diagnosing POD. The last included study used ICD-9 for non-fatal and fatal and ICD-10 for fatal OOD-related events and showed high sensitivity (i.e. above 97%). The specificity estimates of ICD algorithms were good to excellent in the three included studies. The misclassification-adjusted ICD-10 algorithm sensitivity estimates for POD from BLCM were consistently higher than reported sensitivity estimates that assumed CRR was perfect. CONCLUSION: Evidence on the performance of ICD algorithms in detecting OOD events is scarce, and the absence of bias correction for imperfect tests leads to an underestimation of the sensitivity of ICD code estimates.
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 | 0,170 | 0,433 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,011 |
| Bibliométrie | 0,027 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».