描述在医疗保健机器学习的背景下使用诊断代码的局限性

科学领域:

• 临床信息学 临床信息学
• 医疗保健服务研究 医疗服务研究
• 生物统计学 生物统计学

背景情况:

• 诊断代码对于临床预测模型,队列识别和网络研究至关重要.
• 然而,它们的机构覆盖范围和变异性仍未得到充分研究.
• 本研究通过检查基于实验室和诊断的标签来解决这些差距.

研究的目的:

• 为了比较三个机构的七个临床结果的实验室和基于诊断的标签.
• 评估基于诊断的标签与基于实验室的标签之间的一致性,敏感性和特异性.

主要方法:

• 包括三个队伍:SickKids,斯坦福Peds和斯坦福成人.
• 定义了七个临床结果与基于实验室的标准 (例如,急性损伤,贫血).
• 创建了基于实验室的严重性标签,并将它们与使用科恩的卡帕,灵敏度和特异性的基于诊断的标签进行了比较.

主要成果:

• 在斯坦福Peds和SickKids (ORs 2.2-18.4) 之间观察到基于诊断的标签比例的显著差异.
• 基于实验室的标签显示出更大的机构一致性.
• 在使用实验室标签作为黄金标准时,与斯坦福Peds相比,在SickKids中发现了较低的协议 (科恩的卡帕) 和敏感性.

结论:

• 诊断代码表明,在多种结果中存在一致的机构差异,与实验室结果无关.
• 这些差异对在医疗保健中开发和部署机器学习模型有重大影响.
• 标准化诊断代码的使用对于可靠的多中心研究和预测建模至关重要.