Mesurer la morbidité néonatale à partir des données hospitalières de routine
Bibliographic record
Abstract
La surveillance de l'état de santé des nouveau-nés est actuellement centrée sur la mortalité et sur des facteurs de risque de morbidité (comme le poids ou le terme de naissance). Cette surveillance, bien que nécessaire, reste insuffisante pour comprendre pourquoi la France a des résultats de survie médiocre par rapport au reste de l'Europe. Notre objectif était d’évaluer la mortalité et la morbidité néonatale en France grâce à un indicateur composite réunissant plusieurs pathologies et actes médicaux et analysable à partir des données disponibles en routine dans les données hospitalières (PMSI), les certificats de décès (CépiDc) et la table des bénéficiaires de l’Assurance Maladie (SNIIRAM) issus du Système National des Données de Santé (SNDS). Dans un premier temps, nous avons recensé et analysé, dans une revue systématique de la littérature, les indicateurs composites de morbidité néonatale basés sur des données hospitalières de routine. A l’issue de cette revue de la littérature, deux indicateurs sur 17 se distinguaient, d’une part dans leur méthodologie pour sélectionner les composants et valider l’indicateur, d’autre part dans le large éventail de pathologies inclus : le « Neonatal Adverse Outcome Indicator » (NAOI) et le « Unexpected Complications in Term Newborns ». Le premier avait l’avantage de s’appliquer à l’ensemble des nouveau-nés, alors que le second se concentrait seulement sur les nouveau-nés à terme. Dans un second temps, nous avons exploré l’utilisation du NAOI en France. Pour cela, nous avons constitué une cohorte de nouveau-nés nés en 2014-2015 (N= 1 534 236) à partir du séjour hospitalier de naissance, des séjours post-natals éventuels, d’informations issues du séjour d’accouchement de la mère, des certificats de décès et de la table des bénéficiaires disponibles dans le SNDS, au moyen de méthodes d’appariement directes et indirectes. Nous avons ensuite montré que le NAOI était constitué des principales morbidités néonatales sévères en montrant que ses 18 composants couvraient la quasi-totalité des décès néonatals, à l’exception d’une partie des décès d’enfants avec une malformation congénitale. Par ailleurs, nous avons détecté qu’environ 5% des établissements avaient un nombre de cas de NAOI significativement plus élevé que celui attendu pour leur type de maternité, mais avec une durée de séjour et une mortalité moins importante, suggérant ainsi un problème de surcodage. Après exclusion de ces établissements, la prévalence du NAOI était globalement de 4,8% en France et de 2,6% parmi les nouveau-nés à terme, et les facteurs de risque connus de morbidité, incluant l’âge maternel élevé, le sexe masculin, le petit poids pour l’âge gestationnel, étaient associés au NAOI. Ces travaux sont un point de départ pour surveiller plus finement la santé des nouveau-nés en France à partir de l’indicateur NAOI déjà utilisé en Australie, Angleterre, Canada, Taiwan et Chine. Cet indicateur pourrait comparer les résultats de santé des établissements, mais nous montrons que la qualité des données doit d’abord être améliorée. Pour homogénéiser le codage, les professionnels devraient être impliqués en rappelant les règles d’utilisation des actes et diagnostics utilisés et en leur produisant, par exemple, des retours individuels. Le NAOI pourrait aussi servir à dépister les nouveau-nés ayant besoin d'un suivi médical particulier durant l'enfance.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 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; both teacher heads agree on what is shown here.
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".