机器学习用于早期检测Hidradenitis Suppurativa:使用医疗保险索赔数据的可行性研究

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 皮肤病学 皮肤病学

背景情况:

• 补腺炎 (HS) 诊断经常延迟,患者等待长达10年的时间.
• 准确及时诊断对于有效的HS管理和治疗至关重要.

研究的目的:

• 开发和评估机器学习模型,以便在发生之前预测状腺炎 (HS) 诊断.
• 将机器学习模型的预测性能与使用历史保险索赔数据的临床基线模型进行比较.

主要方法:

• 分析了5.9亿份美国保险记录,跨越了13.5年的时间.
• 开发了三种机器学习模型 (逻辑回归,随机森林,XGBoost) 和一个临床基线模型.
• 在13886名HS患者和69428名对照中,模型被训练了诊断前两年的临床特征.

主要成果:

• 与临床基线模型相比,机器学习模型显示出更高的性能.
• XGBoost在接收器操作特征曲线 (0.80) 下实现了最高的面积,其次是随机森林 (0.79) 和后勤回归 (0.75).
• 确定的关键预测因素包括患者年龄,性别,肥胖,以及使用特定抗生素 (硫甲/三甲,克林达米辛酸盐).

结论:

• 机器学习模型可以有效地使用先前的病史来预测水炎补充性 (HS) 诊断.
• 这些预测模型提供了一个有前途的工具,有可能缩短HS的诊断延迟.
• 年龄,性别,肥胖和使用抗生素是早期发现HS的重要指标.