Evidence-based framework for identifying opioid use disorder in administrative data: A systematic review and methodological development study
Notice bibliographique
Résumé
OBJECTIVE: To systematically evaluate existing approaches for identifying opioid use disorder (OUD) in administrative data sets and develop evidence-based recommendations for standardized identification methods. DESIGN: Systematic review following Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) Scoping Review guidelines with comprehensive literature search and evidence synthesis for framework development. SETTING: Administrative data sets including commercial claims, Medicaid, Medicare, and electronic health records. SUBJECTS: In brief, 169 studies using administrative codes to identify OUD, primarily from US healthcare systems (94.7%). METHODS: Systematic search of EMBASE, MEDLINE, Google Scholar, and PubMed through February 2024. Three independent reviewers screened articles and extracted data using standardized tools. Study quality was assessed using modified Newcastle-Ottawa Scale. Framework development employed systematic integration of evidence-based components from high-quality studies. RESULTS: Our analysis of 169 studies revealed four distinct identification approaches: Direct diagnosis codes (36.7%), composite definitions (48.0%), overdose codes (10.1%), and medication-assisted treatment codes (1.2%). Commercial claims data predominated (60.4%), followed by Medicaid claims (10.1%) and electronic health records (7.7%). Multi-modal strategies incorporating both diagnostic and treatment codes showing superior theoretical foundation compared to single-method approaches. Substantial variation existed in reference periods, code requirements, and treatment verification approaches. CONCLUSIONS: An evidence-based framework incorporating diagnosis codes, specific temporal requirements, validated indirect indicators, and treatment evidence provides theoretical foundation for standardized OUD identification protocols. The framework addresses known sources of misclassification while maintaining diagnostic specificity through clinical diagnostic alignment and systematic validation research programs. REGISTRATION: Prospero (CRD42023406173) and OSF (osf.io/ru4j3).
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 | 0,016 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».