人工智能方法在美国退伍军人卫生管理局电子健康记录中表型心力衰竭

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 心力衰竭 (HF) 诊断缺乏明确的测试,依赖于国际疾病分类 (ICD) 代码.
• 当前的HF注册表经常使用手动记录审查,对于大型电子健康记录 (EHR) 数据来说不切实际.
• 退伍军人事务部 (VA) 拥有大量的EHR数据,许多患者被标记为HF ICD代码.

研究的目的:

• 在VA的大型EHR系统中开发和评估人工智能 (AI) 模型来表型心力衰竭 (HF).
• 评估自然语言处理 (NLP) 和机器学习 (ML) 模型在识别HF患者中的性能.
• 为了比较AI模型的性能与传统的ICD代码为基础的方法用于HF病例识别.

主要方法:

• 开发了NLP和ML模型,使用20,000名患者的队列 (10,000名患有HF,10,000名没有),根据关键的人口统计和临床因素进行匹配.
• 使用VA对HF的外部同行审查计划 (EPRP-HF) 进行手动图表审查以确定HF状态.
• 训练并测试NLP和ML模型,使用正预测值 (PPV) 和灵敏度评估性能,并与ICD代码方法进行比较.

主要成果:

• 结合NLP+ML模型实现了0.85的PPV和0.83的灵敏度,超过了传统的ICD代码方法.
• 个人NLP和ML模型也表现出强的表现,PPV从0.77到0.86不等,灵敏度从0.77到0.86.
• 人工智能识别的HF患者在特征和预后上与通过黄金标准手动判断识别的患者相似.

结论:

• NLP和ML模型是有效的AI工具,用于在大规模EHR数据中表型化HF.
• 这些人工智能模型有助于创建用于临床研究,质量改进和假设生成的当代HF注册表.
• 人工智能驱动的表型化提供了一种更有效和更准确的方法,而不是仅仅依赖ICD代码来识别HF.