应用机器学习来识别新诊断的急性淋巴细胞白血病的儿科患者,使用行政数据

科学领域:

• 儿科瘤学 儿科瘤学
• 医疗信息学 医疗信息学
• 机器学习应用 机器学习应用

背景情况:

• 在行政数据库中准确识别病例是很困难的,仅仅使用诊断码.
• 儿童急性淋巴细胞白血病 (ALL) 研究需要有效的方法来组装大型患者队列.

研究的目的:

• 开发和验证机器学习 (ML) 模型,以有效地在行政数据中识别新诊断ALL的儿科患者.
• 评估ML模型在医疗保健数据库中的病例确定的性能.

主要方法:

• 利用九个机器学习模型来识别儿科ALL病例.
• 通过内部和外部数据集验证了最佳的ML模型.
• 使用正预测值 (PPV) 和灵敏度评估模型性能.

主要成果:

• 在内部验证中,最佳ML模型实现了97%的PPV和99%的灵敏度.
• 外部验证显示,PPV为94%,灵敏度为82%.
• 成功确定了一组21044名儿科ALL患者的队列.

结论:

• 机器学习为行政数据中的儿科ALL病例识别提供了一种高效和有效的方法.
• 开发的ML模型显著提高了管理医疗保健数据的研究可用性.
• 这种方法可以应用于其他需要队列组装的复杂儿科疾病.