在急性缺血性中风中修改的兰金尺度的基于索赔的机器学习分类器
Mamoon Habib1, Rafaella Cazé de Medeiros1, Syed Muhammad Ahsan1
1Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, Massachusetts.
medRxiv : the preprint server for health sciences
|February 24, 2025
概括
一个新的分类器使用Medicare索赔数据准确预测急性缺血性中风的严重程度. 该工具通过修改的排名表来评估患者的结果,以帮助中风研究和国家监测.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 急性缺血性中风 (AIS) 管理需要准确的严重程度评估进行研究和监测.
- 修改后的排名尺度 (mRS) 是一个标准的结果测量,但它在大型数据集中的应用可能具有挑战性.
- 医疗保险索赔数据为研究老年人群中AIS结果提供了丰富的资源.
研究的目的:
- 开发和验证一种使用Medicare索赔数据推断AIS严重性的分类器.
- 评估分类器在预测放电时的mRS分数方面的表现.
- 支持中风结果研究和国家监测倡议.
主要方法:
- 一项多州研究将Paul Coverdell国家急性中风计划 (PCNASP) 的数据与AIS (2018-2020) 住院患者的医疗保险索赔联系起来.
- 使用拉索惩罚后勤回归来开发mRS结果的二进制分类器,用于完整的mRS规模的顺序回归.
- 用ROC AUC,ROC精度回忆,灵敏度和特异性对持有测试数据进行了分类器性能评估.
主要成果:
- 分析了68636名符合条件的医疗保险受益人的数据 (平均年龄为79.5岁).
- 该分类器实现了0.85的ROC AUC和0.90的精度回忆AUC.
- 对于mRS分类,敏感度为0.81,特异性为0.73.
结论:
- 基于索赔的分类器在Medicare受益人中推断AIS严重程度 (mRS) 方面表现出色.
- 开发的分类器显示了改善中风结果研究和国家监测的希望.
- 该工具使用例行收集的医疗保健数据,方便对中风严重性的大规模分析.
