在电子健康记录上验证主要和临床相关的非主要出血表型算法

科学领域:

• 医疗信息学 医疗信息学
• 流行病学 流行病学
• 健康 数据科学 数据科学

背景情况:

• 流血事件是流行病学研究中的关键健康结果.
• 在人口研究中,在电子医疗数据中准确识别出血是必不可少的.

研究的目的:

• 开发和验证基于规则的算法,用于在现实世界电子医疗数据中识别主要出血和所有临床相关出血 (CRB).
• 将算法性能与仅仅诊断代码进行比较.

主要方法:

• 利用了来自新加坡公共卫生机构的1630名住院患者 (2019-2020) 的随机样本.
• 通过两个注释者对图表的审查,确定了严重出血和CRB.
• 开发并验证了灵敏度和正预测值 (PPV) 优化的算法,将血红蛋白测试模式和诊断代码结合起来.

主要成果:

• 仅仅诊断码显示的敏感性低 (0.16为主要出血,0.24为CRB),但高特异性和PPV (>0.97).
• 对主要出血的灵敏度优化算法实现了高灵敏度 (0.94) 和NPV (1.00) 但较低的PPV (0.34).
• 针对重大出血的PPV优化算法提高了特异性 (0.96) 和PPV (0.52),对灵敏度的影响最小 (0.88).
• 对CRB事件的算法表现出较低的灵敏度 (0.50-0.56).

结论:

• 仅仅通过诊断代码,就不足以准确地识别电子健康记录中的重大出血事件.
• 已开发的主要出血算法显示出高灵敏度,使得大量人群更好地确定出血事件.
• 这些算法是流行病学研究的宝贵工具,需要准确识别出血事件.