Objectives: This study assessed the validity of a widely-accepted administrative data surveillance methodology for identifying individuals with diabetes relative to three laboratory data reference standard definitions for diabetes.
Methods: We used a combination of linked regional data (hospital discharge abstracts and physician data) and laboratory data to test the validity of administrative data surveillance definitions for diabetes relative to a laboratory data reference standard. The administrative discharge data methodology includes two definitions for diabetes: a strict administrative data definition of one hospitalization code or two physician claims indicating diabetes; and a more liberal definition of one hospitalization code or a single physician claim. The laboratory data, meanwhile, produced three reference standard definitions based on glucose levels +/- HbA1c levels.
Results: Sensitivities ranged from 68.4% to 86.9% for the administrative data definitions tested relative to the three laboratory data reference standards. Sensitivities were higher for the more liberal administrative data definition. Positive predictive values (PPV), meanwhile, ranged from 53.0% to 88.3%, with the liberal administrative data definition producing lower PPVs.
Conclusions: These findings demonstrate the trade-offs of sensitivity and PPV for selecting diabetes surveillance definitions. Centralized laboratory data may be of value to future surveillance initiatives that use combined data sources to optimize case detection.
Contexte: Cette étude a évalué la validité d’une méthode de surveillance basée sur des données administratives pour identifier des sujets diabétiques selon trois définitions du diabète constituant un étalon de référence pour les données de laboratoire.
Méthode: Nous avons utilisé une combinaison de données régionales liées (registres des sorties des hôpitaux et demandes de paiement des médecins) et de données de laboratoire pour évaluer la validité de définitions administratives de la surveillance du diabète par rapport à un étalon de référence pour les données de laboratoire. Les données administratives sur les sorties utilisent deux définitions pour le diabète: une définition stricte (un code d’hospitalisation ou deux demandes de paiement de médecins indiquant le diabète) et une définition plus large (un code d’hospitalisation ou une seule demande de paiement de médecin). Les données de laboratoire, par contre, ont trois définitions, fondées sur les niveaux de glycémie +/- les niveaux de HbA1c.
Résultats: La sensibilité des définitions administratives variait entre 68,4 % et 86,9 % par rapport aux trois définitions utilisées pour les données de laboratoire. La sensibilité était plus élevée pour la définition administrative la plus large. Les valeurs prédictives positives (VPP) variaient quant à elles entre 53,0 % et 88,3 %, la définition administrative la plus large produisant des VPP plus faibles.
Interprétation: Ces résultats montrent qu’il y a un compromis à faire entre une sensibilité optimale et la VPP lorsqu’on veut employer les meilleures définitions de surveillance du diabète. Les données centralisées en laboratoire peuvent être utiles pour les futures initiatives de surveillance, qui pourraient utiliser des sources de données combinées pour optimiser la détection des cas.