Identifying opioid agonist treatment prescriber networks from health administrative data: A validation study
Notice bibliographique
Résumé
BACKGROUND: Given the growth of collaborative care strategies for people with opioid use disorder and the changing composition of the illicit drug supply, there is a need to identify and analyze clinic-level outcomes for centers prescribing opioid agonist treatment (OAT). We aimed to determine and validate whether prescriber networks, constructed with administrative data, can successfully identify distinct clinical practice facilities in Ontario, Canada. METHODS: We executed a retrospective population-based cohort study using OAT prescription records from the Canadian Addiction Treatment Centres in Ontario, Canada between 01/01/2013 and 12/31/2020. Social network analysis was utilized to create networks with connections between physicians based on their shared OAT clients. We defined connections two different ways, by including the number of clients shared or a relative threshold on the percentage of shared OAT clients per physician. Clinics were identified using modularity maximization, with sensitivity analyses applying Louvain, Walktrap, and Label Propagation algorithms. Concordance between network-identified facilities and the (gold standard) de-identified facility-level IDs was assessed using overall, positive and negative agreement, sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV). RESULTS: From 144 physicians at 105 clinics with 32,842 OAT clients, we assessed 250 different versions of the created networks. The three different detection algorithms had wide variation in concordance, with ranges on sensitivity from 0.02 to 0.88 and PPV from 0.06 to 0.97. The optimal result, derived from the modularity maximization method, achieved high specificity (0.98, 95% CI: 0.98, 0.98) and NPV (0.98, 95% CI: 0.97, 0.98) and moderate PPV (0.54, 95% CI: 0.52, 0.57) and sensitivity (0.45, 95% CI: 0.43, 0.47). This scenario had an overall agreement of 0.96, negative agreement of 0.98, and positive agreement of 0.49. CONCLUSIONS: Social network analysis can be used to identify clinics prescribing OAT in the absence of clinic-level identifiers, thus facilitating construction and comparison of clinic-level caseloads and treatment 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 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 | 0,018 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».