机器学习分析的可行性,用于识别可能患有初级状腺功能障碍的患者

科学领域:

• 医疗信息学 医疗信息学
• 罕见疾病研究 罕见疾病研究
• 机器学习应用 机器学习应用

背景情况:

• 初级状动力障碍 (PCD) 是一种罕见的遗传性疾病,通常诊断迟,导致治疗延迟和健康状况较差.
• 需要可扩展的查工具来早期识别患有PCD的儿科患者.

研究的目的:

• 评估使用机器学习 (ML) 在儿科患者中查原发性纤维动力障碍 (PCD) 的可行性.
• 评估索赔数据对于识别没有特定诊断代码的潜在PCD病例的有用性.

主要方法:

• 使用PCD基金会注册表和国家索赔数据库的数据开发了一个随机森林ML模型.
• 功能来源于与PCD和相关疾病相关的诊断,程序和药物代码.
• 模型经过训练和验证,使用确认的PCD病例,相关诊断的患者 (Q34.8+EM) 和匹配的对照组.

主要成果:

• 最初的模型显示出可变的性能;扩大数据集提高了查适用性 (PPV 0.51-0.54,灵敏度 0.82-0.90).
• 在一群1.32万名儿科患者中,ML模型确定了7,705例潜在的PCD病例,与估计的患病率保持一致.
• 合成数据增强并没有显著提高模型性能.

结论:

• 机器学习模型可以使用随时可用的健康声明数据有效地选原发性纤维动力障碍 (PCD).
• 这种基于ML的查方法可以帮助识别可能受益于PCD及时诊断评估和干预的个人.
• 使用ML的可行性突出了改善缺乏特定ICD代码的罕见疾病早期检测的潜力.