大规模的深度学习分析,以确定面临联合和常见可变免疫缺陷风险的成年患者

科学领域:

• 免疫学 免疫学 免疫学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 初级免疫缺陷 (PI) 疾病影响超过70%的个体,往往没有被诊断出来,导致严重的健康后果.
• 综合免疫缺陷 (CID) 和常见可变免疫缺陷 (CVID) 是普遍存在的PI类型,需要在成年人中及时识别.
• 早期发现CID和CVID对于减轻死亡率,并发病率和医疗保健成本至关重要.

研究的目的:

• 开发和评估一种基于深度学习的方法,用于识别有CID和CVID风险的成年人.
• 从电子健康记录中分析临床病史,用于预测CID/CVID.
• 确定与CID/CVID相关的先例表型的关键组合.

主要方法:

• 开发了一个深度学习模型TabMLPNet,用于分析来自大型,全国代表性的电子健康记录数据集 (Optum®) 的临床数据.
• 该模型在四个大型队列中进行了评估,包括47,660个PI病例和匹配的对照.
• 分析的重点是确定与CID/CVID相关的先例表型的显著组合.

主要成果:

• TabMLPNet的准确性很高,敏感性和特异性分别在0.82-0.88和0.82-0.85之间,跨队列.
• 确定了关键的CID/CVID相关的表型组合,包括呼吸道感染,遗传异常,心脏缺陷,自身免疫性疾病,血液疾病和恶性瘤.
• 这些表型组合可以帮助系统化CID和CVID的识别.

结论:

• 该研究使用大规模的医疗索赔数据为CID和CVID检测提供了准确的基于深度学习的方法.
• 这种预测方案为面临风险的成年人群提供了新的临床见解和改进的诊断指南的潜力.
• 这些发现可以有助于在人口层面改善患者的治疗结果.