Adjudication of Codes for Identifying Sepsis in Hospital Administrative Data by Expert Consensus*
Notice bibliographique
Résumé
OBJECTIVES: Refine the administrative data definition of sepsis in hospitalized patients, including less severe cases. DESIGN AND SETTING: For each of 1928 infection and 108 organ dysfunction codes used in Canadian hospital abstracts, experts reached consensus on the likelihood that it could relate to sepsis. We developed a new algorithm, called AlgorithmL, that requires at least one infection and one organ dysfunction code adjudicated as likely or very likely to be related to sepsis. AlgorithmL was compared with four previously described algorithms, regarding included codes, population-based incidence, and hospital mortality rates-separately for ICU and non-ICU cohorts in a large Canadian city. We also compared sepsis identification from these code-based algorithms with the Centers for Disease Control's Adult Sepsis Event (ASE) definition. SUBJECTS: Among Calgary's adult population of 1.033 million there were 61,632 eligible hospitalizations. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: AlgorithmL includes 720 infection codes and 50 organ dysfunction codes. Comparison algorithms varied from 42-941 infection codes to 2-36 organ codes. There was substantial nonoverlap of codes in AlgorithmL vs. the comparators. Annual sepsis incidence rates (per 100,000 population) based on AlgorithmL were 91 in the ICU and 291 in the non-ICU cohort. Incidences based on comparators ranged from 28-77 for ICU to 11-266 for non-ICU cohorts. Hospital sepsis mortality rates based on AlgorithmL were 24% in ICU and 17% in non-ICU cohorts; based on comparators, they ranged 27-38% in the ICU cohort and 18-47% for the non-ICU cohort. Of AlgorithmL-identified cases, 41% met the ASE criteria, compared with 42-82% for the comparator algorithms. CONCLUSIONS: Compared with other code-based algorithms, AlgorithmL includes more infection and organ dysfunction codes. AlgorithmL incidence rates are higher; hospital mortality rates are lower. AlgorithmL may more fully encompass the full range of sepsis severity.
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 | 0,137 | 0,258 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».