Agreement Between Medico-Administrative Database Algorithms and Survey-Based Diagnoses for Depression and Anxiety in Older Adults
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objectives: This study aimed to assess the concordance between depression and anxiety case definitions derived from algorithms based on medico-administrative data and structured interviews aligned with the fourth edition of the Diagnostic and Statistical Manual of Mental Disorders (DSM-IV) criteria in older adults. Methods: We analyzed data from 1405 primary care older adults (≥65 years) from the Étude sur la Santé des Aînés (ESA)-Services cohort (2011–2013) in Quebec, Canada, who had available survey and medico-administrative data. Cases of depression and anxiety were identified using algorithms incorporating combinations of hospitalization records, physician-visit claims, and medication claims for antidepressants or anxiolytics. The agreement was assessed with the kappa statistics (κ), and the algorithms’ sensitivity, specificity, and positive and negative predictive values were calculated using the case definitions derived from the DSM-IV-aligned ESA-Services interviews as the gold standard. Results: Agreements between the algorithms and the interviews were fair (κ: 0.06–0.22) for depression gooand slight (κ: 0.02–0.09) for anxiety. The algorithms had low sensitivity (2–39.7% for depression and 1.4–39.9% for anxiety) but high specificity (84.5–99.6% for depression and 73–99.2% for anxiety), depending on the algorithm. Conclusions: The agreement between algorithms based on administrative data and DSM-IV-aligned interviews for anxiety or depressive disorders was low. The two methods identified older adults with different characteristics. Despite these discrepancies, algorithms with high specificity provide valuable insights into healthcare utilization patterns associated with these disorders.
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.
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 | 0,003 |
| 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 découle