电子健康记录的机器学习分析识别了间歇性肺病,并预测了系统性硬化症患者的死亡率

科学领域:

• 类风湿病学 类风湿病学
• 肺部病理学 肺部病理学
• 医疗信息学 医疗信息学

背景情况:

• 间歇性肺病 (ILD) 是系统性硬化症 (SSc) 死亡的主要原因,超过40%的患者受到影响.
• 目前的诊断方法,如肺功能测试 (PFT) 和CT扫描,往往在发生不可逆转的肺损伤后,迟迟发现ILD.
• 需要敏感的生物标志物来预测SSc-ILD发育和死亡风险.

研究的目的:

• 开发和验证机器学习 (ML) 模型,使用电子健康记录 (EHR) 来检测SSc患者的ILD.
• 预测SSc患者的全因死亡率,包括SSc-ILD患者.
• 确定与ILD和SSc.中的死亡率相关的新型临床和实验室特征.

主要方法:

• 在28年的时间里 (1995-2024年) 对1169名SSc患者的EHR数据进行了回顾性分析.
• 将ML模型应用于74个临床特征,包括人口统计,病史,PFT和实验室结果.
• 使用曲线下的面积 (AUC) 评估模型性能,用于ILD检测和死亡率预测.

主要成果:

• 在ML模型中,ILD检测的AUC为0.818,突出了已知的生物标志物和意想不到的特征,如白细胞计数.
• 一年内所有原因死亡率预测模型的AUC达到0.903.3.
• 对放射性SSc-ILD患者的三年死亡率的亚组分析实现了0.831的AUC,识别了像红细胞分布宽度这样的特征.

结论:

• 机器学习分析常规收集的EHR数据可以有效地检测SSc患者的ILD.
• ML模型可以准确预测SSc患者的全因死亡率,有助于风险分层.
• 该研究确定了与SSc-ILD和死亡率相关的新型,例行测量临床特征.