How does the mapped ICD data in an EHR system compare to the hospital DAD data in Alberta, Canada?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Coding by human coders is burdensome to healthcare systems requiring advanced computerized techniques. Epic has collaborated with Intelligent Medical Objects (IMO) solution to integrate a solution where the clinical interface terminology is mapped to the International Classification of Diseases (ICD). This study assesses the agreement between the solution mapped ICD-10-CA codes in Alberta, Canada's EHR system (based on Epic) to the human coded ICD-10-CA codes in hospital Discharge Abstract Database (DAD). DESIGN AND SETTING: In this retrospective analysis conducted in Alberta, Canada, we linked records in the acute care hospital DAD with the province wide EHR system for admissions between April 2021 and March 2024. MAIN OUTCOME(S) AND MEASURE(S): The primary outcome was the level of agreement between the solution mapped ICD-10-CA codes from the 'hospital problem list' in the EHR and hospital DAD data. The analysis was conducted at 3-digit and 4-digit ICD code level for main diagnosis and any diagnosis, and further stratified by physician specialty, hospital type and location, and length-of-stay. RESULTS: A total of 603,437 unique hospital records were linked between hospital DAD and EHR. The average level of agreement at 3-digit level of ICD-10-CA code for main diagnosis was 47.5% and any diagnosis was 37.0%. The average number of diagnoses coded by human coders in hospital DAD was higher than the solution mapped data in EHR. The agreement varied by specialty and length-of-stay with specialties with more complex patients and longer stays showing the lowest levels of agreement. CONCLUSION: Level of agreement between solution mapped EHR and hospital DAD for ICD-10-CA data was low, indicating significant differences between terminology mappings and the coding process.
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.
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 | 0,019 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle