Abstract
This study aimed to develop an efficient data collection and curation process for all drugs and natural health products (NHPs) used by participants to the Canadian Longitudinal Study on Aging (CLSA). The three-step sequential process consisted of (a) mapping drug inputs collected through the CLSA to the Health Canada Drug Product Database (DPD), (b) algorithm recoding of unmapped drug and NHP inputs, and (c) manual recoding of unmapped drug and NHP inputs. Among the 30,097 CLSA comprehensive cohort participants, 26,000 (86.4%) were using a drug or an NHP with a mean of 5.3 (SD 3.8) inputs per participant user for a total of 137,366 inputs. Of those inputs, 70,177 (51.1%) were mapped to the Health Canada DPD, 20,729 (15.1%) were recoded by algorithms, and 44,108 (32.1%) were manually recoded. The Direct algorithm correctly classified 99.4 per cent of drug inputs and 99.5 per cent of NHP inputs. We developed an efficient three-step process for drug and NHP data collection and curation for use in a longitudinal cohort.
Cette etude visait a developper un processus efficace de collecte et de recodage des donnees de tous les medicaments et produits de sante naturels (PSN) utilises par les participants de l'etude longitudinale canadienne sur le vieillissement (ELCV). Le processus sequentiel en trois etapes consistait a : 1) jumeler les medicaments colliges dans le cadre de l'etude avec les donnees de la Base de donnees sur les produits pharmaceutiques (BDPP) de Sante Canada, 2) recoder par algorithmes les medicaments et PSN non jumeles, et 3) recoder manuellement les medicaments et PSN non jumeles. Parmi les 30 097 participants de la cohorte globale de l'ELCV, 26 000 (86,4 %) utilisaient un medicament ou un PSN avec une moyenne de 5,3 (ecart-type 3,8) medicaments ou PSN par participant-utilisateur pour un total de 137 366 medicaments ou PSN. Parmi ces medicaments ou PSN, 70 177 (51,1 %) ont ete jumeles avec la BDPP de Sante Canada, 20 729 (15,1 %) ont ete recodes par des algorithmes et 44 108 (32,1 %) ont ete recodes manuellement. L'algorithme Direct a correctement classe 99,4 % des medicaments et 99,5 % des PSN. Nous avons developpe un processus efficace en trois etapes pour la collecte et le recodage de medicaments et de PSN dans une cohorte longitudinale.