Prevalence and Incidence Trends of Attention Deficit/Hyperactivity Disorder in Children and Youth Aged 1–24 Years in Ontario, Canada: A Validation Study of Health Administrative Data Algorithms
Notice bibliographique
Résumé
ObjectiveTo estimate prevalence and incidence rates over time in children and youth with attention deficit/hyperactivity disorder from the validation of population-based administrative data algorithms using family physicians’ electronic medical records as a reference standard.MethodsA retrospective cohort study was conducted in Ontario, Canada to identify attention deficit/hyperactivity disorder among children and youth aged 1–24 years in health administrative data derived from case-finding algorithms using family physicians’ electronic medical records. Multiple administrative data algorithms identifying attention deficit/hyperactivity disorder cases were developed and tested from physician-diagnosis of attention deficit/hyperactivity disorder in the electronic medical record to determine their diagnostic accuracy. We calculated algorithm performance using sensitivity, specificity, and predictive values. The most optimal algorithm was used to estimate prevalence and incidence rates of attention deficit/hyperactivity disorder from 2014 to 2021 in Ontario.ResultsThe optimal performing algorithm was “2 physician visits for attention deficit/hyperactivity disorder in 1 year or 1 attention deficit/hyperactivity disorder-specific prescription” with sensitivity: 83.2% (95% confidence interval [CI], 81.8% to 84.5%), specificity: 98.6% (95% CI, 98.5% to 98.7%), positive predictive value: 78.6% (95% CI, 77.1% to 80.0%) and negative predictive value: 98.9% (95% CI, 98.8% to 99.0%). From 2014, prevalence rates for attention deficit/hyperactivity disorder increased from 5.29 to 7.48 per 100 population in 2021 (N = 281,785). Males had higher prevalence rates (7.49 to 9.59 per 100 population, 1.3-fold increase) than females (2.96–5.26 per 100 population, 1.8-fold increase) from 2014 to 2021. Incidence rates increased from 2014 (0.53 per 100 population) until 2018, decreased in 2020 then rose steeply in 2021 (0.89 per 100 population, N = 34,013). Males also had higher incidence rates than females from 2014 to 2020 with females surpassing males in 2021 (0.70–0.81 per 100 male population,1.2-fold increase versus 0.36–0.97 per 100 female population, 2.7-fold increase).ConclusionsAttention deficit/hyperactivity disorder is increasing in prevalence. We developed an administrative data algorithm that can reliably identify children and youth with attention deficit/hyperactivity disorder with good diagnostic accuracy.
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 | 0,009 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».