Correction: Factors Associated with Physician Agreement on Verbal Autopsy of over 11500 Injury Deaths in India
Notice bibliographique
Résumé
Introduction: Worldwide, injuries account for 9.8% of all deaths.The majority of these deaths occur in low-and middleincome countries where vital registration systems are often inadequate.Verbal autopsy (VA) is a tool used to ascertain cause of death in such settings.Validation studies for VA using hospital diagnosed causes of death as comparisons have shown that injury deaths can be reliably diagnosed by VA.However, no study has assessed the factors that may affect physicians' abilities to code specific causes of injury death using VA.Method/Principal Findings: This study used data from over 11 500 verbal autopsies of injury deaths from the Million Death Study (MDS) in which 6.3 million people in India were monitored from 2001-2003 for vital events.Deaths that occurred in the MDS were coded by two independent physicians.This study focused on whether physician agreement on the classification of injury deaths was affected by characteristics of the deceased and respondent.Agreement was analyzed using three primary methods: 1) kappa statistic; 2) sensitivity and specificity analysis using the final VA diagnosed category of injury death as gold standard; and 3) multivariate logistic regression using a conceptual hierarchical model.The overall agreement for all injury deaths was 77.9% with a kappa of 0.74 (99% CI 0.74-0.75).Deaths in the injury categories of ''transport'', ''falls'', ''drowning'' and ''other unintentional injury'' occurring outside the home were associated with greater physician agreement than those occurring at home.In contrast, self-inflicted injury deaths that occurred outside the home were associated with lower physician agreement.Conclusions/Significance: With few exceptions, most characteristics of the deceased and the respondent did not influence physician agreement on the classification of injury deaths.Physician training and continued adaptation of the VA tool should focus on the reasons these factors influenced physician agreement.
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 | 0,029 | 0,283 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 0,005 |
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 ».