Using Z Codes to Document Social Risk Factors in the Electronic Health Record
Notice bibliographique
Résumé
INTRODUCTION: Individual-level social risk factors have a significant impact on health. Social risks can be documented in the electronic health record using ICD-10 diagnosis codes (the "Z codes"). This study aims to summarize the literature on using Z codes to document social risks. METHODS: A scoping review was conducted using the PubMed, Medline, CINAHL, and Web of Science databases for papers published before June 2024. Studies were included if they were published in English in peer-reviewed journals and reported a Z code utilization rate with data from the United States. RESULTS: Thirty-two articles were included in the review. In studies based on patient-level data, patient counts ranged from 558 patients to 204 million, and the Z code utilization rate ranged from 0.4% to 17.6%, with a median of 1.2%. In studies that examined encounter-level data, sample sizes ranged from 19,000 to 2.1 billion encounters, and the Z code utilization rate ranged from 0.1% to 3.7%, with a median of 1.4%. The most reported Z codes were Z59 (housing and economic circumstances), Z63 (primary support group), and Z62 (upbringing). Patients with Z codes were more likely to be younger, male, non-White, seeking care in an urban teaching facility, and have higher health care costs and utilizations. DISCUSSION: The use of Z codes to document social risks is low. However, the research interest in Z codes is growing, and a better understanding of Z code use is beneficial for developing strategies to increase social risk documentation, with the goal of improving health outcomes.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».