Integrating Clinical Classifications Software Refined (CCSR), Process Indicators, and Geographic Information System (GIS) Mapping to Inform Population Health Management: Development of an Interactive Dashboard (Preprint)
Notice bibliographique
Résumé
Background: Population health management requires tools that transform complex clinical data into actionable insights to guide care coordination, community outreach, and system-level planning. Objective: The objective of this study is to develop and apply a population health intelligence dashboard that integrates inpatient utilization, process indicators, and health status data for patients with diabetes mellitus, using a clinically meaningful classification system and geospatial visualization. Methods: We used data from the SingHealth Diabetes Registry (SDR; 2019-2024) to build an interactive dashboard using R Shiny (Posit Software). A semiautomated mapping algorithm was developed to map ICD-10-AM (International Classification of Diseases, 10th Revision, Australian Modification) principal diagnosis codes into CCSR (Clinical Classifications Software Refined) categories. We built an interactive dashboard in R Shiny incorporating 3 analytic domains: inpatient utilization (by admission count, length of stay, and prolonged stays), diabetes care process indicators, and health status indicators (eg, comorbidities, laboratory results, and diabetes-related complications). Geographic information system mapping enabled spatial visualization by patients' residential locations. Results: Diabetes mellitus with complication (END003) was the leading cause of admission (7.0%-8.1% annually), followed by pneumonia (RSP002, 3.7%-5.1%), fluid and electrolyte disorders (END011, 3.4%-4.1%), and skin infections (SKN001, 2.8%-3.1%). In 2024, top ICD-10-AM diagnoses under END003 included E1122-type 2 diabetes mellitus with established diabetic nephropathy, E1173-type 2 diabetes mellitus with foot ulcer due to multiple causes, and E1172-type 2 diabetes mellitus with features of insulin resistance. For END011, the most frequent diagnosis codes were E877-fluid overload, R18-ascites, E875-hyperkalemia, and hypo-osmolality and hyponatremia. In total, SingHealth Diabetes Registry patients accounted for 687,062 inpatient bed days in 2024. Circulatory conditions (eg, cerebral infarction and heart failure) contributed 124,417 (17.7%) bed days, while injuries (eg, hip fractures and surgical complications) accounted for 86,541 (12.6%) bed days. CCSR-based analyses revealed distinct patterns when comparing conditions driving admission frequency versus prolonged length of stay. GIS mapping identified residential clusters with high inpatient utilization, unmet care processes, and poor cardiometabolic control, supporting region-specific intervention planning. Conclusions: The dashboard demonstrates a novel, interactive approach to visualizing inpatient utilization, care gaps, and health status, enabling targeted, place-based interventions. It represents a scalable framework for operationalizing population health intelligence across other chronic disease areas and health care systems.
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 | 0,025 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 ».