An algorithm for identifying chronic kidney disease in the French national health insurance claims database

Imène Mansouri (1, 2) , Maxime Raffray (3, 4, 5, 6, 7) , Mathilde Lassalle (8) , Florent de Vathaire (2, 9) , Brice Fresneau (2, 9) , Chiraz Fayech (2, 9) , Hélène Lazareth (10) , Nadia Haddy (9, 2) , Sahar Bayat (3, 4, 5, 6, 7) , Cécile Couchoud (3, 11)

1 EPI-PHARE - EPI-PHARE
2 CESP - Centre de recherche en épidémiologie et santé des populations
3 REPERES - Recherche en Pharmaco-épidémiologie et Recours aux Soins
4 EHESP - École des Hautes Études en Santé Publique [EHESP]
5 METIS - Département Méthodes quantitatives en santé publique
6 ARENES - Arènes: politique, santé publique, environnement, médias
7 RSMS - Recherche sur les services et le management en santé
8 Agence de la biomédecine [Saint-Denis la Plaine]
9 IGR - Institut Gustave Roussy
10 HAS - Haute Autorité de Santé [Saint-Denis La Plaine]
11 LBBE - Laboratoire de Biométrie et Biologie Evolutive - UMR 5558

BACKGROUND: Published algorithms for identifying chronic kidney disease in healthcare claims databases have poor performance except in patients with renal replacement therapy. We propose and describe an algorithm to identify all stage chronic kidney disease in a French healthcare claims databases and assessed its performance by using data from the Renal Epidemiology and Information Network registry and the French Childhood Cancer Survivor Study cohort.METHODS: A group of experts met several times to define a list of items and combinations of items that could be related to chronic kidney disease. For the French Childhood Cancer Survivor Study cohort, information on confirmed chronic kidney disease cases extracted from medical records was considered the gold standard (KDIGO definition). Sensitivity, specificity, and positive and negative predictive value and kappa coefficients were estimated. The contribution of each component of the algorithm was assessed for 1 and 2 years before the start of renal replacement therapy for confirmed end-stage kidney disease in the Renal Epidemiology and Information Network registry.RESULTS: The algorithm’s sensitivity was 78%, specificity 97.4%, negative predictive value 98.4% and positive predictive value 68.7% in French Childhood Cancer Survivor Study cohort and the kappa coefficient was 0.79 for agreement with the gold standard. The algorithm 93.6% and 55.1% of confirmed incident end-stage kidney disease cases from the Renal Epidemiology and Information Network registry when considering 1 year and 2 years, respectively, before renal replacement therapy start.CONCLUSIONS: The algorithm showed good performance among younger patients and those with end-stage kidney disease in the twol last years prior to renal replacement therapy. Future research will address the ability of the algorithm to detect early chronic kidney disease stages and to classify the severity of chronic kidney disease.

Contexte: Les algorithmes publiés pour identifier les patients avec une maladie rénale chronique (MRC) dans les bases de données médico-administratives ont de mauvaises performances, sauf chez les patients traités par suppléance. Nous proposons et décrivons un algorithme permettant d’identifier les patients MRC de tout stade dans la base française du Système National de Données de Santé et d’évaluer sa performance en utilisant les données du registre du Réseau d’épidémiologie et d’information rénales (REIN) et de la cohorte Français Childhood Cancer Survivor Study (FCCSS).Méthodes : Un groupe d’experts s’est réuni à plusieurs reprises pour définir une liste de variables et des combinaisons variables qui pourraient être liés à la MRC. Pour la cohorte FCCSS, l’information sur les cas confirmés de MRC extraits des dossiers médicaux a été considérée comme la référen (définition de KDIGO). La sensibilité, la spécificité et les coefficients de prédiction positifs et négatifs (PPV, VAN) et kappa ont été estimés. La contribution de chaque composante de l’algorithme a été évaluée à 1 et 2 ans avant le début de la suppléance à partir du registre REIN.Résultats : La sensibilité de l’algorithme était de 78%, la spécificité de 97,4%, la VPN de 98,4% et la VPP de 68,7% dans la cohorte FCCSS et le coefficient kappa était de 0,79 pour l’accord avec la référence. L’algorithme a permis de détecter 93,6% et 55,1% des cas incidents du registre REIN en considérant 1 an et 2 ans, respectivement, avant le début de la suppléance.Conclusions : L’algorithme a montré de bonnes performances chez les patients plus jeunes et ceux atteints de MRC au cours des deux dernières années précédant la suppléance. Les recherches futures porteront sur la capacité de l’algorithme à détecter les premiers stades de l’IRC et à classer la gravité de l’IRC.

Mots clés: Algorithms; Chronic kidney disease; Healthcare claims databases; Validation studies; Algorithms

Mots clés: maladie rénale chronique; algorithmes; étude de validation; SNDS; maladie rénale chronique

Domaines: Urologie et Néphrologie; Base de données [cs.DB]; Recherche d'information [cs.IR]; Ingénierie biomédicale; Santé publique et épidémiologie

Imène Mansouri, Maxime Raffray, Mathilde Lassalle, Florent de Vathaire, Brice Fresneau, et al.. An algorithm for identifying chronic kidney disease in the French national health insurance claims database. Néphrologie & Thérapeutique, 2022, 18 (4), pp.255-262. ⟨10.1016/j.nephro.2022.03.003⟩. ⟨hal-03717166⟩