Validated Administrative Data-Based ICD-10 Algorithms for Chronic Conditions
Notice bibliographique
Résumé
ObjectiveThis systematic review aimed to identify ICD-10 based validated algorithms for chronic conditions using health administrative data. MethodsA 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. ResultsOverall, the search identified 1686 studies of which 55 met the inclusion criteria. Combining a previously published literature search, a total of 61 studies were included for data extraction. Of these, 30 studies demonstrated algorithms with high validity and 30 showed moderate validity. Studies with highly valid algorithms were based on administrative data from different countries including Canada, USA, Australia, Japan, France, South Korea, and Taiwan. Validated algorithms with PPV and sensitivity of ≥70% were identified for more than 40 chronic conditions that included several types of cancers, cardiovascular conditions, kidney diseases, gastrointestinal disorders, and peripheral vascular diseases, amongst others. ConclusionWith 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 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 | 0,005 | 0,003 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».