在患有良性甲状腺结节的患者中对甲状腺功能障碍的预测建模:使用Vizient数据库的队列研究

科学领域:

• 内分泌学 在内分泌学.
• 医疗信息学 医疗信息学
• 预测分析是一种预测分析.

背景情况:

• 初级甲状腺功能障碍症 (pHPT) 是高血症的主要原因,很大一部分病例仍未被诊断出来.
• 早期诊断和治疗pHPT对于管理高血症及其相关并发症至关重要.

研究的目的:

• 评估使用大型临床数据库的预测建模的有效性,以确定患有良性甲状腺结节的患者的pHPT.
• 为了比较物流回归的性能与机器学习算法用于pHPT预测.

主要方法:

• 来自1000多家医院的Vizient临床数据库 (CDB) 的回顾性分析 (2020-2023年).
• 开发一个用于pHPT的预测模型,使用逻辑回归和与高斯素朴贝叶斯,随机梯度下降和基于直方图的梯度增强分类器进行比较.
• 对人口统计,并发症和药物使用进行控制分析;通过ICD-10代码测量结果;通过ROC曲线分析评估模型性能.

主要成果:

• 基底图梯度增强模型实现了ROC曲线下的面积为68.7%,略高于后勤回归 (68.1%).
• 在所有模型中,分类准确度很高,后勤回归,梯度下降和直方图梯度增强分别实现了80.4%和80.5%的正确分类.
• 在5%的门下进行后勤回归,pHPT检测的灵敏度为38.5%,特异性为81.8%.

结论:

• 使用大型临床数据集,预测建模可用于识别患有良性甲状腺结节的患者的pHPT.
• 开发的预测模型,特别是机器学习算法,有可能被整合到临床决策支持系统中.
• 提醒临床医生潜在的未被诊断的pHPT可以促进及时诊断和治疗,改善患者的治疗结果.