机器学习模型使用索赔记录识别了阿尔法-1抗素缺乏症患者

科学领域:

• 医疗信息学 医疗信息学
• 罕见疾病的诊断 罕见疾病的诊断
• 机器学习应用 机器学习应用

背景情况:

• 识别患有罕见疾病的患者,如α-1抗素缺乏症 (AATD),存在重大诊断挑战.
• 电子医疗记录往往不包含足够的确诊病例来训练诊断模型.
• 大规模的真实世界数据库为开发预测模型提供了可行的替代方案.

研究的目的:

• 将机器学习模型应用于美国大型索赔数据库,以识别未被诊断的AATD症状患者.
• 通过专家临床审查来验证模型的性能.
• 为了深入了解AATD患者的诊断旅程.

主要方法:

• 在美国索赔数据库 (2016年4月至2023年1月) 的非身份化数据上训练了一种机器学习模型.
• 该模型确定了AATD的高概率候选人,其中有80个记录由临床专家独立验证.
• 基于专家反进行了模型优化,并确定了信息特征.

主要成果:

• 临床专家证实,高比例的确定的候选人 (81%和78%) 应该进行AATD测试.
• 优化模型确定了可能患有AATD的症状患者.
• 特定的索赔数据特征和独特的医疗事件序列将AATD患者与COPD或慢性肝病患者区分开来.

结论:

• 在大型索赔数据库上训练的机器学习模型可以准确地识别患有AATD的症状患者.
• 这种方法提高了罕见疾病的诊断.
• 这项研究为AATD的诊断途径提供了有价值的见解.