ICD-10 code embedding for patient matching: a first step toward applications in causal inference from hospital discharge data
Notice bibliographique
Résumé
Abstract We present WEMatch, a Word2vec Enhanced ICD-10 Matching algorithm, for patient matching based on ICD-10 codes and make a first step toward evaluating its potential use in causal inference contexts by comparing it to several propensity score–based patient matching approaches. We use hospital discharge data from the Insel Group in the canton of Bern, Switzerland, from 2014 to 2023, including ICD-10 codes, age, sex, and BMI for 386 842 hospitalizations. In the null-effect matched cohort design, patients are matched to a randomly selected “treatment group” (selected from 1 of 4 selected primary ICD-10 diagnoses) using 4 algorithms: WEMatch and 3 propensity score matching (PSM)–based models. Performance is assessed by comparing the balance of key variables, hazard ratios of mortality, and length of hospital stay between the treatment and matched control groups. WEMatch and PSM methods perform similarly for 3 out of 4 tested ICD-10 codes. For one ICD-10 code, WEMatch outperforms PSM methods, because the patient population is especially diverse. This study establishes a robust framework for systematically comparing patient matching algorithms. The groundwork is set for applying WEMatch to clinically relevant questions. By distributing this as an R package, we promote its integration into clinical research, potentially supporting future causal analyses using observational data.
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 | 0,011 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».