Validating the Data Completeness and Accuracy of the Canadian Cystic Fibrosis Registry
Notice bibliographique
Résumé
Introduction: The Canadian Cystic Fibrosis Registry (CCFR) was developed in the 1970s and has longitudinal demographic and clinical data on persons living with cystic fibrosis (CF) attending accredited clinics in Canada. We aimed to validate the data collection and identify potential limitations of the CCFR. Methods: Of 40 accredited CF clinics in Canada invited and based on an a priori sample size calculation, eight clinics were included. 15% of each CF clinic’s population in 2019 were randomly selected. Data variables were selected based on their importance to care, epidemiologic trends, and data related to demography, clinic visits, and hospitalizations. The accuracy of the registry data was compared to the medical records as the gold standard. Each data element was categorized as correct, incorrect, or not able to be validated. The accuracy rate was calculated as the percent correct out of all records validated. Results: A total of 4382 individuals had data entered into the CCFR in 2019. The validation cohort consisted of 208 individuals from 8 clinics, which were representative across location, size of clinic (small/medium/large), and type of clinic (adult, pediatric, and combined). The 208 individuals were 52% male and 95% White, and with a median age of 26.3 years (IQR: 15.2–36.6). Approximately 95% of CCFR data on clinical measurements, infections, treatments, and hospitalizations validated were accurate as compared to the medical record. For demography, sex and date of birth had 100% accuracy. Conclusion: Our validation of the CCFR demonstrated high accuracy for clinical and demographic variables used in clinical research.
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 | 0,107 | 0,299 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».