Repérage des cas d'insuffisance cardiaque congestive à partir de données administratives : étude de validation utilisant des dossiers de patients en soins primaires
Bibliographic record
Abstract
Introduction En vue de déterminer si l'utilisation conjuguée des données administratives hospitalières et des factures présentées par les médecins au titre des soins ambulatoires pouvait permettre de repérer avec exactitude les patients souffrant d'insuffisance cardiaque congestive (ICC), nous avons mis à l'essai neuf algorithmes pour repérer à partir de données administratives les personnes souffrant d'ICC. Méthodologie La cohorte de validation par rapport à laquelle les essais ont été effectués combinait des données provenant d'un échantillon aléatoire de patients adultes inscrits dans la base de données EMRALD de dossiers médicaux électroniques des médecins de premier recours en Ontario, au Canada, et des données recueillies en 2004-2005 à partir d'un échantillon aléatoire de patients en soins primaires pour une étude sur l'hypertension. On a évalué la sensibilité, la spécificité, la valeur prédictive positive, l'aire sous la courbe ROC et la combinaison des rapports de vraisemblance positif et négatif des algorithmes. Résultats Nous avons constaté qu'un dossier d'hospitalisation ou de facturation de médecin suivi d'un second dossier provenant de l'une ou l'autre de ces sources dans la même année produisait les meilleurs résultats, avec une sensibilité de 84,8 % et une spécificité de 97,0 %. Conclusion La prévalence de l'ICC dans la population peut être mesurée avec exactitude à partir de données administratives issues de l'hospitalisation et des soins ambulatoires.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.115 | 0.252 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".