Use of Health Administrative Data to Identify Migraine in Individuals With a Recognized Pregnancy: A Validation Study in Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: Migraine is a common risk factor for adverse perinatal outcomes, showing the importance of studying migraine in pregnancy. Despite the growing use of routinely collected administrative data in health research, the validity of such data to detect migraine in pregnant populations is unestablished. We validated algorithms to identify a history of migraine among pregnant individuals using health administrative data and population-representative self-report data. METHODS: We included N = 8824 females in Ontario, Canada with a documented pregnancy with an estimated conception date from 1 September 2005 to 31 December 2021 who completed the Canadian Community Health Survey (CCHS) within 5 years before conception. We created algorithms using different combinations of diagnostic codes for headache disorders and migraine-specific drug claims with varying lookback periods before conception. We compared their performance to self-reported migraine diagnoses from the CCHS. Measures of validity were sensitivity, specificity, predictive values, and agreement. RESULTS: The prevalence of self-reported migraine from the CCHS was 18% (95% confidence interval [CI]: 16%, 19%). The prevalence using administrative data depended on the definition (range: 2%-25%). All algorithms had high specificity (81.7%-98.9%), while sensitivity varied (6.1%-53.2%). The algorithm requiring ≥2 physician visits or ≥1 hospitalizations or emergency department visits with diagnostic codes International Classification of Diseases, Ninth Revision: 346/International Classification of Diseases, Tenth Revision: G43, with a lifetime lookback, had high specificity (94.0%; 95% CI: 93.1%, 94.8%) and negative predictive value (86.3%; 95% CI: 85.0%, 87.6%) and modest sensitivity (30.4%; 95% CI: 27.3%, 33.6%) and positive predictive value (51.9%; 95% CI: 46.8%, 57.0%). Agreement was fair ( κ = 0.29; 95% CI: 0.25, 0.33). CONCLUSION: Longitudinally linked health administrative data are effective at identifying pregnant individuals with migraine, with high specificity and reasonable sensitivity.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».