日本語AIでPubMedを検索
電子カルテデータシステムの管理データを用いた末梢動脈疾患検出のためのモデルベースのアルゴリズム
Model-based Algorithms for Detecting Peripheral Artery Disease Using Administrative Data From an Electronic Health Record Data System.
PMID: 32663152 DOI: 10.2196/18542.
抄録
背景:
末梢動脈疾患（PAD）は800万～1000万人のアメリカ人に影響を与えており、死亡率と主要な四肢イベント（切断など）の両方のリスクが著しく高くなっています。残念ながら、PADは比較的診断不足、治療不足、研究不足であり、治療パターンと転帰に大きなばらつきがあります。PADケアと転帰を改善するための努力は、臨床および治験目的でPAD患者を特定することの継続的な困難によって妨げられてきました。
BACKGROUND: Peripheral artery disease (PAD) affects 8-10 million Americans, who face significantly elevated risks of both mortality and major limb events (such as amputation). Unfortunately, PAD is relatively under-diagnosed, under-treated, and under-researched, leading to wide variations in treatment patterns and outcomes. Efforts to improve PAD care and outcomes have been hampered by persistent difficulties identifying PAD patients for clinical and investigatory purposes.
目的:
目的は、電子カルテ（EHR）システムからのデータを使用して末梢動脈疾患（PAD）患者を検出するモデルベースのアルゴリズムを開発し、検証することでした。
OBJECTIVE: The goal was to develop and validate a model-based algorithm to detect patients with peripheral artery disease (PAD) using data from an electronic health record (EHR) system.
方法:
大規模な医療システムのEHRの最初の照会では、研究期間中に遭遇したPAD関連の診断コードを持つすべての患者が特定された。PAD診断の臨床的判断は、ランダムなサブグループのカルテレビューによって行われた。PADを予測するバイナリ・ロジスティック回帰が構築され、裁定された患者において最小絶対収縮および選択演算子アプローチを用いて検証された。その後、このアルゴリズムを非サンプル記録に適用し、その性能をさらに評価した。
METHODS: An initial query of the EHR in a large health system identified all patients with PAD-related diagnosis codes for any encounter during the study period. Clinical adjudication of PAD diagnosis was performed by chart review on a random subgroup. A binary logistic regression to predict PAD was built and validated using a Least Absolute Shrinkage and Selection Operator approach in the adjudicated patients. The algorithm was then applied to the non-sampled records to further evaluate its performance.
結果:
406個の診断コードを使用した最初のEHRデータ・クエリでは、15,406人の患者が得られました。2,500人の患者が地に足のついたPAD状態の判定のために無作為に選択された。めったに使用されないコードや一度も使用されなかったコードを削除した後、108のコード・フラグが残った。これらのコード・フラグに加えて、管理上の遭遇、画像診断、手技、および専門医のフラグをLASSOモデルに入力した。このモデルのAUCは0.862であった。
RESULTS: The initial EHR data query using 406 diagnostic codes yielded 15,406 patients. 2,500 patients were randomly selected for ground truth PAD status adjudication. 108 code flags remained after removing rarely- and never-used codes. We entered these code flags plus administrative encounter, imaging, procedure, and specialist flags into a LASSO model. The AUC for this model was 0.862.
結論:
我々が構築したアルゴリズムには、PAD患者の同定に対する他のアプローチに比べて2つの主な利点がある。第一に、それは大規模な医療システム全体で多くの異なるPAD症状と治療経路を持つ患者の幅広い集団から得られたものである。第二に、我々のモデルは臨床ノートに依存しておらず、行政請求データ（大規模な行政データセットなど）しか利用できない状況でも適用できます。診断コードと管理上のフラグの組み合わせは、大規模コホートでPAD患者を正確に識別することができます。
CONCLUSIONS: The algorithm we constructed has two main advantages over other approaches to PAD patient identification. First, it was derived from a broad population of patients with many different PAD manifestations and treatment pathways across a large health system. Second, our model does not rely on clinical notes and can be applied in situations in which only administrative billing data (e.g. large administrative datasets) are available. A combination of diagnosis codes and administrative flags can accurately identify patients with PAD in large cohorts.
クリニカルトライアル:
CLINICALTRIAL: