Developing an algorithm to identify individuals with psychosis in secondary care in England: application using the Mental Health Services Data Set
Notice bibliographique
Résumé
BACKGROUND: There is currently no definitive method for identifying individuals with psychosis in secondary care on a population-level using administrative healthcare data from England. AIMS: To develop various algorithms to identify individuals with psychosis in the Mental Health Services Data Set (MHSDS), guided by national estimates of the prevalence of psychosis. METHOD: Using a combination of data elements in the MHSDS for financial years 2017-2018 and 2018-2019 (mental health cluster (a way to describe and classify a group of individuals with similar characteristics), Health of the Nation Outcome Scale (HoNOS) scores, reason for referral, primary diagnosis, first-episode psychosis flag, early intervention in psychosis team flag), we developed 12 unique algorithms to detect individuals with psychosis seen in secondary care. The resulting numbers were then compared with national estimates of the prevalence of psychosis to ascertain whether they were reasonable or not. RESULTS: The 12 algorithms produced 99 204-138 516 and 107 545-134 954 cases of psychosis for financial years 2017-2018 and 2018-2019, respectively, in line with national prevalence estimates. The numbers of cases of psychosis identified by the different algorithms differed according to the type and number (3-6) of data elements used. Most algorithms identified the same core of patients. CONCLUSIONS: The MHSDS can be used to identify individuals with psychosis in secondary care in England. Users can employ several algorithms to do so, depending on the objective of their analysis and their preference regarding the data elements employed. These algorithms could be used for surveillance, research and/or policy purposes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».