使用诊断代码识别侵入性大肠杆菌疾病的算法的增强和外部验证

科学领域:

• 医疗信息学 医疗信息学
• 传染病流行病学 传染病流行病学
• 医疗保健服务研究 医疗服务研究

背景情况:

• 对入侵性大肠杆菌 (大肠杆菌) 疾病 (IED) 的准确鉴定对于患者护理和公共卫生监测至关重要.
• 基于代码的算法为在大型医疗数据库中识别IED提供了潜在的方法,特别是当微生物学数据不可用时.

研究的目的:

• 评估现有的基于代码的算法的预测准确性,用于识别美国住院患者的IED.
• 评估这些算法在IED的不同案例定义中的性能.

主要方法:

• 使用PINC AI医疗保健数据库 (2015年10月~2020年3月) 进行住院治疗.
• 评估了六个已发表的基于代码的算法,与微生物学确认的IED病例进行了对比 (第1组:无菌部位;第2组:尿液与败血症).
• 使用灵敏度,特异性,正负预测值 (PPV,NPV) 和F1得分来评估算法性能.

主要成果:

• 在2,595,983次遭遇中,97,453 (3.8%) 是已确认的IED病例.
• 大多数算法表现出极好的特异性 (>97%) 和NPV,但敏感性和PPV显示出权衡.
• 性能最好的算法确定IED具有56.9%的灵敏度和56.4%的PPV,但与败血症相关的病例的性能明显较低 (组2).

结论:

• 基于代码的算法可以帮助在缺乏详细的微生物学数据的大型医院数据库中识别IED.
• 需要对算法进行改进,以提高准确性,特别是用于识别与败血症相关的IED.
• 这些工具有可能用于电子健康记录中IED的回顾性分析和监测.