Incidence de l’infarctus du myocarde et validation des données de facturation des médecins et des données d’hospitalisation à partir des dossiers médicaux électroniques
Bibliographic record
Abstract
<sec> <title>Objectif</title> La détection au sein d’une population des personnes qui ont subi un infarctus du myocarde ne repose actuellement que sur la liste des patients en phase aiguë se présentant à l’hôpital. Nous voulons déterminer si, en combinant les données de facturation des médecins aux données sur les congés d’hôpital, nous obtiendrions une meilleure détection. </sec> <sec> <title>Méthodologie </title> Nous avons utilisé comme échantillon de référence 969 patients adultes, choisis au hasard à partir de dossiers médicaux électroniques fournis par des médecins de première ligne en Ontario (Canada). </sec> <sec> <title>Résultats</title> Un algorithme fondé sur trois facturations de médecins au cours d’une période d’un an, dont au moins une provenait d’un spécialiste ou d’une consultation dans un centre hospitalier ou une salle d’urgence, et sur un dossier de congé d’hôpital a permis d’obtenir une sensibilité de 80,4 % (IC à 95 % : 69,5-91,3), une spécificité de 98,0 % (IC à 95 % : 97,19-8,9), une valeur prédictive positive de 69,5 % (IC à 95 % : 57,7-81,2), une valeur prédictive négative de 98,9 % (IC à 95 % : 98,2-99,6) et une valeur kappa de 0,73 (IC à 95 % : 0,63-0,83). </sec> <sec> <title>Conclusion</title> L’utilisation combinée des dossiers de congé d’hôpital et des données de facturation des médecins pourrait être la meilleure façon d’évaluer les tendances sur une longue période de la fréquence des infarctus du myocarde, car elle permet de détecter davantage de cas que la méthode fondée sur les seules données d’hospitalisation. </sec>
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.001 | 0.004 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".