Analisa Ketepatan Kode Diagnosis Berdasarkan ICD-10 dengan Penerapan Karakter Ke-4 pada 10 Besar Penyakit Tribulan IV
Notice bibliographique
Résumé
The accuracy of the diagnosis code on the medical record document is used as a basis for making reports. If the diagnosis code is not properly coded then the resulting information will have low validation. The results of the initial survey at UPTD Puskesmas Genuk in the Top 10 Trimonth III Disease Data in 2022, there are still many diagnosis codes that have not been coded until the 4th character. To determine the accuracy analysis of disease diagnosis codes based on ICD-10 with the application of the 4th character of the fourth quarter at UPTD Genuk Health Center in 2022. This type of research is descriptive quantitative with a retrospective study approach. The primary data sources used are observation and interviews while the secondary data is from medical record data obtained from SIMPUS. The total population was 4,861 medical record data while the samples used were 98 with systematic random sampling techniques. Based on the results of research on 98 medical record data, the exact code is 21 (27.23%) while the incorrect code is 77 (72.77%). The inaccuracy of the diagnosis code is because the coding officer is not PMIK, the code is given only up to the 3rd character, there is no SPO for Giving Disease Diagnosis Codes, not using ICD-10 but a list of SIMPUS codes. accuracy of the diagnosis code of 27.23% is much lower than the inaccuracy, coding officers from PMIK should be conducted, Training on Giving Disease / Action Coding, Diagnosis Codes at SIMPUS are given keys so that coders can choose a specific code, SIMPUS plus facilities for PMIK officers to validate coding after service.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».