在初级保健中使用统计和机器学习识别未被诊断的小肠神经内分泌瘤患者:模型开发和验证研究

科学领域:

• 在瘤学瘤学.
• 主要护理医学 医疗保健
• 医疗信息学 医疗信息学

背景情况:

• 神经内分泌瘤 (NETs),特别是小肠 (SI) NETs的发病率正在增加.
• 诊断往往会延迟,导致在呈现时处于先进阶段.
• 临床预测模型为初级保健机构的早期病例发现提供了潜在的解决方案.

研究的目的:

• 开发和评估多变量预测模型,用于识别未被诊断的SI NET患者.
• 评估这些模型在初级保健中的临床实用性.

主要方法:

• 利用来自英国一般实践的非识别数据 (最佳患者护理研究数据库,2000-2023年).
• 开发了使用后勤回归,惩罚回归和XGBoost的模型.
• 通过内部-外部交叉验证和决策分析曲线评估模型性能.

主要成果:

• 分析了1170万个体,确定了382个SI NET诊断 (0.003%).
• XGBoost模型显示了最高的分辨率 (AUC 0.869),但有轻微的校准错误.
• 在所有开发的模型中,临床效用是可比的.

结论:

• 多变量预测模型显示,使用初级保健数据识别未被诊断的SI NET具有前景.
• 需要进一步验证和健康经济建模,以建立这种罕见瘤的成本效益高的病例发现策略.