Overweight and obesity code (E66) trends and predictors in Canada: Cross-sectional analysis of Discharge Abstract Data (DAD), 2018–2022
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
INTRODUCTION: Since the adoption of billing codes for obesity, few studies have examined their use in administrative healthcare data. Of those that have, analyses have been limited to examinations of coding validity and trends among persons diagnosed with obesity (ICD-10, E66 code). This study aimed to explore the prevalence and predictors in E66 use across Canada two years prior to, and after the onset of Covid-19. METHODS: This secondary analysis used the 2018-2022 Discharge Abstract Dataset of the Canadian Institute for Health Information. The sample consists of 166,335 individuals 20 to 64 years old across all provinces/territories, excluding Québec. Prevalence of E66 was assessed for each province, and multivariable logistic regression analysis was used to estimate the odds of E66 coding. RESULTS: Regional variations were present in E66 use, with Manitoba having the highest prevalence of coding. Of those with a E66 code, 98.7 % were within the obesity BMI category. In general, females of higher age, with one or more comorbidities, and shorter length of stay had higher odds of receiving the E66 code. Odds of E66 coding were also lower in females after the onset of Covid-19, whereas in males, only those with shorter length of hospital stay had consistently higher odds of diagnosis. CONCLUSION: This study offers new insight into E66 use across Canada, and points to the need for consistent acquisition of weight and height information, and the use of E66 coding within existing electronic medical records systems to inform inter-provincial care gaps for obesity-related care.
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 | 0,034 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 découle