Riassunto

OBIETTIVI: verificare la possibilità di utilizzare la Naïve Bayes Classification per classificare le cause di infortunio nel database regionale di pronto soccorso (PS), dato che in Friuli Venezia Giulia i dati informatizzati di PS non sono mai stati utilizzati per condurre studi epidemiologici sugli infortuni a causa della frequenza di cause «accidentali» generiche, ben più alta di quella degli infortuni con causa specificata.
DISEGNO: è stato applicato il metodo di Naïve Bayes Classification al database regionale di PS.
PRINCIPALI MISURE DI OUTCOME: relativamente al dataset di training sono stati calcolati sensibilità, specificità, potere predittivo positivo e negativo, concordanza e statistica kappa, mentre per quello di test è stata stimata la distribuzione delle cause di infortunio.
RISULTATI: in 22.248 record con causa nota, la classificazione attribuita dal modello concordava moderatamente con quella assegnata dal personale di PS (kappa =0,53). Il modello è stato poi applicato a 76.660 casi non classificati in PS. Malgrado sensibilità e potere predittivo positivo fossero generalmente bassi, principalmente a causa di limitazioni dei dati di PS, il modello ha permesso di stimare per la prima volta la frequenza delle cause di infortunio specifiche in regione.
CONCLUSIONE: il modello si è rivelato utile per ottenere un quadro generale degli infortuni non mortali in regione. Per migliorare la raccolta di dati, è in corso una revisione delle opzioni disponibili in PS per la classificazione degli infortuni allo scopo di renderle esaustive e mutuamente esclusive.

 Parole chiave: , , ,

Abstract

OBJECTIVES: to assess whether Naïve Bayes Classification could be used to classify injury causes from the Emergency Room (ER) database, because in the Friuli Venezia Giulia Region (Northern Italy) the electronic ER data have never been used to study the epidemiology of injuries, because the proportion of generic «accidental» causes is much higher than that of injuries with a specific cause.
DESIGN: application of the Naïve Bayes Classification method to the regional ER database.
MAIN OUTCOME MEASURES: sensitivity, specificity, positive and negative predictive values, agreement, and the kappa statistic were calculated for the train dataset and the distribution of causes of injury for the test dataset.
RESULTS: on 22.248 records with known cause, the classifications assigned by the model agreed moderately (kappa =0.53) with those assigned by ER personnel. The model was then used on 76.660 unclassified cases. Although sensitivity and positive predictive value of the method were generally poor, mainly due to limitations in the ER data, it allowed to estimate for the first time the frequency of specific injury causes in the Region.
CONCLUSION: the model was useful to provide the “big picture” of non-fatal injuries in the Region. To improve the collection of injury data at the ER, the options available for injury classification in the ER software are being revised to make categories exhaustive and mutually exclusive.

 Keywords: , , ,

 

          Visite