Identifying Pediatric Diabetes Cases from Health Administrative Data: A Population-Based Validation Study in Quebec, Canada [Corrigendum]
Notice bibliographique
Résumé
Nakhla M, Simard M, Dube M, et al. Clin Epidemiol. 2019;11:833–843. The authors have advised there is an error in the diagnostic codes used to validate the cases of diabetes. The code “251.X” was never included in the validation algorithm and was erroneously included in the list of ICD-9 codes in the final revision phase of the manuscript. The authors apologize for this error. Page 835, Diagnostic accuracy section, second sentence, the text “We determined the diagnostic accuracy (sensitivity, specificity, PPV, NPV) of a variety of algorithms, using combinations of physician billings and hospital admissions over 1 or 2 years bearing a diagnosis code of diabetes mellitus (ICD-9 250.X, 251.X; ICD-10 E10.X-14. X)” should read “We determined the diagnostic accuracy (sensitivity, specificity, PPV, NPV) of a variety of algorithms, using combinations of physician billings and hospital admissions over 1 or 2 years bearing a diagnosis code of diabetes mellitus (ICD-9 250.X; ICD-10 E10.X-14. X)”. Read the original article
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 tête enseignante, 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 ».