糖尿病前期预测模型的开发,验证和重新校准:基于EHR和NHANES的研究

科学领域:

• 医疗信息学 医疗信息学
• 临床预测建模临床预测建模
• 糖尿病研究 糖尿病研究

背景情况:

• 糖尿病前期的鉴定对于预防2型糖尿病至关重要.
• 电子健康记录 (EHR) 为开发预测模型提供了有价值的数据来源.
• 现有的模型可能需要复杂的变量选择,这带来了资源挑战.

研究的目的:

• 内部评估一种新的惩罚性回归模型,用于预测高血糖血红蛋白 (HbA1c) 的水平.
• 为了比较新模型的性能与更简单的糖尿病前期风险逐步近似模型.
• 用国家健康和营养检查调查 (NHANES) 数据对近似模型进行外部验证和重新校准.

主要方法:

• 通过最小绝对缩小和选择运算符 (LASSO) 和渐进近似来使用EHR数据开发了后勤回归模型.
• 使用引导方法进行内部验证,使用Brier分数,C统计和校准指标评估性能.
• 在NHANES数据上对近似模型进行外部验证,评估带有和没有重新校准的性能.

主要成果:

• 拉索和近似模型都显示了EHR队列中类似的歧视 (C统计~0.76).
• 与LASSO (23) 相比,近似模型需要较少的预测变量 (8).
• 在使用NHANES数据 (C-统计=0.787) 的外部验证中,近似模型表现良好.

结论:

• 逐步近似模型提供了一个可行的,资源高效的替代LASSO预测糖尿病前期风险从EHR数据.
• 使用NHANES数据进行的外部验证证明了近似模型对全国代表性样本的概括性.
• 这些发现支持使用来自EHR的预测模型来识别面临风险的人群,并仔细考虑对外部验证的变量调整.