strumenti e metodi
Epidemiol Prev 2016; 40 (2): 127-133

Validazione di un algoritmo per l’identificazione di casi con malformazioni congenite nelle schede di dimissione ospedaliera

Validation of an algorithm for identifying cases with congenital malformations by using hospital discharge records

  • Gianni Astolfi1

  • Paolo Ricci2

  • Elisa Calzolari3

  • Amanda Neville3

  • Vanda Pironi2

  • Michele Santoro4

  • Fabrizio Bianchi4

  1. Registro indagini sulle malformazioni congenite in Emilia-Romagna (IMER), Dipartimento di scienze biomediche e chirurgico-specialistiche, Università di Ferrara
  2. Registro delle malformazioni congenite, Osservatorio epidemiologico, ASL Mantova
  3. Registro indagini sulle malformazioni congenite in Emilia-Romagna (IMER), Azienda ospedaliera di Ferrara
  4. Unità di epidemiologia ambientale e registri di patologia, Istituto di fisiologia clinica, Consiglio nazionale delle ricerche, Pisa

Cosa si sapeva già

Scarica l'articolo Free FULL TEXT

  • Per integrare i Registri delle malformazioni congenite (RMC) era stato definito un algoritmo per l’uso di dati sanitari ricavati dalle schede di dimissione ospedaliera (SDO) e dal certificato di assistenza al parto (CedAP).
  • Si è configurato un nuovo modello di registro, includente dati ricavati da flussi sanitari correnti e dotato di esperti per la validazione dei dati raccolti.

Cosa si aggiunge di nuovo

  • L’algoritmo applicato ai dati delle SDO e il confronto con un gold standard ha permesso di stabilirne una buona performance. Lo strumento ha identificato correttamente quasi il 90% dei casi.
  • I risultati dell’applicazione effettuata sono da considerare come riferimento per l’uso dell’algoritmo in altre situazioni, con o senza RMC.

Riassunto:

OBIETTIVI: valutare e validare l’uso di un algoritmo finalizzato a identificare, tramite le schede di dimissione ospedaliera (SDO), casi con malformazioni congenite (MC) alla nascita e/o segnalati in ricoveri entro il primo anno di vita utilizzando come gold standard il Registro delle malformazioni congenite della ASL di Mantova (RMC-MN) che controlla tutte le cartelle cliniche dei nati da madri residenti nella provincia.
DISEGNO: è stato impiegato un algoritmo disegnato per l’identificazione dei casi malformati nel flusso SDO utilizzando due moduli, uno per identificazione dei casi potenzialmente malformati e uno per la loro validazione. E’ stato, poi, effettuato un confronto dei risultati con quelli osservati dal RMC-MN.
SETTING E PARTECIPANTI: dati delle SDO e del RMC-MN per il periodo 2010-2011, relativi a casi rilevati in nati entro il primo anno di vita nella popolazione residente in provincia.
RISULTATI: su 8.042 nati da madri residenti in provincia di Mantova, 7.367 sono stati esclusi dall’algoritmo come non malformati con l’esclusione di 1 solo falso negativo (valore predittivo negativo – VPN: 99,99%); nei rimanenti 675 casi (8,4%) era presente almeno un codice di malformazione congenita. L’algoritmo ha poi escluso 396 casi (4,9%) con malformazioni minori isolate o con patologie considerate non malformative, di cui 23 erano falsi negativi (VPN: 94,2%). Nei rimanenti 279 casi potenzialmente malformati l’algoritmo ha considerato validati 169 casi (60,6%), di cui 11 falsi positivi (valore predittivo positivo – VPP: 93,5%). Nei restanti 110 casi da valutare, 46 sono risultati veri positivi (VPP 41,8%).
CONCLUSIONI: lo strumento proposto ha permesso di identificare correttamente nelle SDO l’89,4% dei casi registrati dal RMC-MN, di produrre un numero ridotto di falsi positivi tra i casi validati (6,5%) e di escludere efficacemente i casi inappropriati (94,2%). Gli autori suggeriscono un uso oculato e guidato da esperti di SDO, di clinica e di epidemiologia delle malformazioni congenite.

Parole chiave: malformazioni congenite, schede di dimissione ospedaliera, valore predittivo positivo, valore predittivo negativo

Abstract:

OBJECTIVES: to evaluate and validate the use of an algorithm designed to identify in hospital discharge records (SDO) cases with congenital malformations (MC) at birth and/or reported in hospitalizations within the first year of life using as gold standard the Congenital malformation Registry of the Local Health Unit of Mantova, Northern Italy, (RMC-MN), which controls all the medical records of infants born to mothers living in the province.
DESIGN: an algorithm designed for the identification of malformed cases in the SDO database using two modules, one for identification of cases potentially malformed and one for their validation was used. A comparison of the results with those observed by the RMC-MN was then conducted.
SETTING AND PARTICIPANTS: data of the SDO and the RMC-MN for the period 2010-2011 relative to those detected in newborns within the first year of life in the resident population in the province.
RESULTS: of 8,042 infants born to mothers residing in the province of Mantova, 7,367 were excluded by the algorithm as malformed with the exception of only one false negative (negative predictive value – NPV: 99.99%); in the remaining 675 cases (8.4%) there was at least one code of congenital malformation. The algorithm has also included 396 cases (4.9%) with isolated minor malformations or diseases considered not malformations, of which 23 were false negatives (NPV: 94.2%). In the remaining 279 cases potentially malformed the algorithm considered as validated 169 cases (60.6%), including 11 false positives (positive predictive value – PPV: 93.5%). In the remaining 110 cases to evaluate, 46 were true positives (PPV: 41.8%).
CONCLUSIONS: the proposed instrument has identified correctly SDO in 89.4% of cases registered by the RMC-MN to produce a small number of false positives among the validated cases (6.5%) and effectively exclude inappropriate cases (94.2%). The authors suggest a judicious use of the instrument, which should be led by experts of SDO, clinical and epidemiology of congenital malformations.

Keywords: congenital malformations, hospital discharge records, algorithm, positive predictive value, negative predictive value


  • Se sei abbonato scarica il PDF nella colonna in alto a destra
  • Se non sei abbonato ti invitiamo ad abbonarti online cliccando qui
  • Se vuoi acquistare solo questo articolo scrivi a: abbonamenti@inferenze.it (20 euro)


Inserisci il tuo commento

L'indirizzo mail è privato e non verrà mostrato pubblicamente.
Refresh Type the characters you see in this picture. Type the characters you see in the picture; if you can't read them, submit the form and a new image will be generated. Not case sensitive.  Switch to audio verification.