Characterizing mental health diagnosis within Canadian primary care settings
Notice bibliographique
Résumé
OBJECTIVE: To validate a primary care electronic medical record (EMR) case definition for mood and anxiety disorders (including depression, anxiety, and bipolar disorder) and schizophrenia that can be used to estimate prevalence and co-occurrence. DESIGN: Retrospective cross-sectional study. SETTING: Canada. PARTICIPANTS: De-identified EMR data was used from 1574 primary care providers participating in the Canadian Primary Care Sentinel Surveillance Network (CPCSSN) from 1,692,987 patients who had 1 or more visits with a primary care provider. The reference set included 2488 patients, with 434 positive and 2054 negative for 1 or more mental health conditions of interest. A second reference set for schizophrenia represented 760 patients (30 positive and 730 negative). MAIN OUTCOME MEASURES: The agreement of 29 case definitions was assessed against a reference set by reporting sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), and accuracy. Prevalence was estimated and co-occurrence was assessed in the CPCSSN dataset (N=1,692,987). RESULTS: The strongest definition for mood disorders captured anxiety, depression, and bipolar disorder with a sensitivity of 80.7%, specificity of 88.7%, PPV of 59.9%, and NPV of 95.7%; and an estimated prevalence of 21.8% (95% CI 21.7 to 21.9). The inclusion of psychosis did not improve agreement (sensitivity 95.2%, specificity 80.7%, PPV 51.0%, NPV 98.8%), but schizophrenia alone had high agreement (sensitivity 93.3%, specificity 100%, PPV 100%, NPV 99.9%). CONCLUSION: High co-occurrence of anxiety, depression, and bipolar disorder was found. Algorithms validated to capture these conditions together produced stronger agreement compared with individual definitions. Schizophrenia was less likely to co-occur with other mental health conditions and produced higher agreement when validated separately. Application of validated algorithms to capture mental health conditions can inform disease surveillance and health system planning.
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 | 0,005 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 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 ».