使用机器学习算法和真实世界的数据,对患有·维尔布兰德病的人进行早期诊断

科学领域:

• 医疗信息学医学信息学
• 计算生物学是一种计算生物学.
• 健康数据科学健康数据科学

背景情况:

• ·威尔布兰德病 (VWD) 由于索赔编码有限,严重性指标缺乏,因此经常被诊断不足.
• 改进的方法对于识别可能没有正式诊断的VWD症状个体至关重要.
• 这项研究解决了对更好的VWD识别策略的需求.

研究的目的:

• 在美国识别和表征未被诊断的VWD症状个体.
• 在医疗保险索赔数据上利用预测机器学习 (ML) 模型.
• 为了改善患者群体中VWD的检测.

主要方法:

• 利用科莫多纵向美国索赔数据 (2015-2020年) 来定义被诊断的和未被诊断的VWD队列.
• 开发了ML模型 (女性的随机森林,男性的梯度提升) 使用VWD诊断的预测特征.
• 将模型应用于大量未诊断的队列中,识别出80%可能患有VWD的个体.

主要成果:

• ML模型在预测VWD诊断方面取得了很高的准确性 (女性为84%,男性为85%).
• 确定了28,463名女性和20,439名男性怀疑VWD.
• 在52%未诊断的女性中发现大量月经出血;男性的手术和住院率更高.

结论:

• 机器学习算法有效地识别了可能未被诊断的VWD症状个体.
• 尽管确诊,但许多人可能仍然未被诊断和治疗不足.
• 为更广泛的应用,建议对开发的ML算法进行外部验证.