开发和验证一种工具来识别被诊断患有割抵抗性前列腺癌的患者

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学

背景情况:

• 抗割前列腺癌 (CRPC) 研究需要在电子健康记录中准确识别患者.
• 仅使用结构化数据或自然语言处理 (NLP) 的现有方法具有局限性.
• 准确的识别对于提高质量,资源分配和观察性研究至关重要.

研究的目的:

• 开发和验证可计算的表型,用于在退伍军人卫生管理局 (VHA) 企业数据仓库 (CDW) 中识别CRPC患者.
• 为了比较结合结构化和NLP数据方法与CRPC识别的传统ICD-10代码的准确性.

主要方法:

• 利用了VHA的CDW数据,包括前列腺癌诊断,PSA测试结果和药物信息.
• 开发了一个系统,将NLP模型与结构化实验室和药物数据的算法结合起来.
• 将CRPC和转移性前列腺癌患者分类为具有转移性CRPC (mCRPC) 的患者.

主要成果:

• 综合算法在2016年至2022年间识别了14,103名CRPC患者,超过了ICD-10代码Z19.2单独识别的3,791人的三倍.
• 结合的算法实现了97.9%的灵敏度和99.2%的特异性.
• 仅仅ICD-10代码不足以全面捕获CRPC病例.

结论:

• 结合结构化和非结构化数据的可计算表型显著提高了大型医疗数据集中的CRPC患者识别.
• 与ICD-10代码相比,这种综合方法将鉴定CRPC患者的数量增加了一倍以上.
• 使用这种方法改进的患者识别有助于在mCRPC中进行高质量的现实世界观察性研究.