Administrative coding for alpha-1 antitrypsin deficiency including the pi*ZZ phenotype is accurate in Sweden
Notice bibliographique
Résumé
Background We aimed to validate the International Classification of Diseases (ICD)-10 codes for alpha-1 antitrypsin deficiency (AATD) (E880A = asymptomatic AATD; E880B = symptomatic AATD) in a large hospital reporting to the Swedish National Patient Register and to ascertain their relation to the protease inhibitor (Pi)*ZZ-phenotype.Methods We randomly selected 150 adults and 50 children who visited Karolinska University Hospital (Stockholm, Sweden) between 2014 and 2024 with coding for E880A or E880B (1:1). Positive predictive values (PPVs) of AATD ICD-10 codes were calculated for correctly assigned codes and the Pi*ZZ-phenotype using medical charts as gold standard. Information on smoking status, lung disease, liver disease, and living area, were also retrieved.Results The PPV of AATD ICD-10 codes (E880A + E880B) in adults was 99% (95%CI = 95–100%; n = 148/150). The PPV for the Pi*ZZ-phenotype was only 59% (95%CI = 50–67; n = 83/141) but increased to 79% (95%CI = 67–88%; n = 50/63) when only considering outpatients with E880B coding. Of adult participants, 13% had liver disease, 51% had lung disease, and 50% were ever-smokers. In children, the PPV of E880A + E880B was 100% (95%CI = 91–100%; n = 50/50) for any AATD diagnosis and was 88% for the Pi*ZZ-phenotype (95%CI = 75–95%; n = 43/49). Liver or lung disease occurred in 6% of children. Results were consistent across several sensitivity analyses.Conclusion In a tertiary care setting, the validity of ICD-10 codes for AATD is excellent. The PPV of these codes for delineating the Pi*ZZ-phenotype is high in children but requires an algorithm in adults with coding for E880B in outpatients.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».