基于EHR的儿科长期COVID病例识别:来自RECOVER EHR队列的一份报告

科学领域:

• 儿科健康 儿科健康
• 传染性疾病 传染性疾病
• 临床信息学 临床信息学

背景情况:

• 长期COVID在儿童中呈现COVID-19感染后的持续症状,但缺乏统一的临床定义.
• 在儿科患者群体中了解和识别长期COVID对于研究和临床管理至关重要.
• 现有的儿童长期COVID的诊断方法有限,需要开发可靠的识别工具.

研究的目的:

• 评估经验上衍生的长期COVID病例识别算法 (可计算的表型) 与儿科队列中手动图表审查的性能.
• 评估基于电子健康记录 (EHR) 的算法与临床医生图表审查之间的准确性和一致性,用于识别儿科长期COVID.
• 确定算法和手动案例识别之间的差异原因,并探索改善算法性能的方法.

主要方法:

• 使用与长期COVID相关的诊断代码的算法应用于一个大型的SARS-CoV-2感染儿科患者的EHR数据库.
• 通过算法识别的部分患者 (n=651) 与手动图表审查进行了比较,以评估重叠和不一致.
• 分析了分歧的原因,在考虑了先前的医疗状况后,重新评估了算法的性能.

主要成果:

• 该算法证明了对长期COVID识别的手动图表审查的适度重叠 (准确率=0.62,PPV=0.49,NPV=0.75).
• 差异主要是由于临床医生将长期COVID类症状归因于先前存在的疾病.
• 当将先前的疾病纳入分析时,算法性能显著改善 (准确率=0.71,PPV=0.65,NPV=0.74).

结论:

• 算法和图表审查之间的温和协议突出显示了儿童缺乏标准化的长期COVID定义所带来的挑战.
• 该研究强调了在开发和验证长期COVID分类算法时考虑先前存在的疾病的重要性.
• 仔细考虑算法和手动方法的优点和局限性对于在儿科研究中准确识别长期COVID病例至关重要.