对于 FIND-FH 机器学习算法的性能,用于识别疑似家族高胆固醇血症的个体
Spencer V Carter1, Taylor Triana1, Mujeeb Basit1
1Division of Cardiology, Department of Medicine, UT Southwestern Medical Center, Dallas, TX, USA.
Journal of clinical lipidology
|August 2, 2025
概括
机器学习工具FIND-FH得分有效地识别了在现实数据中面临家族性高胆固醇血症 (FH) 高风险的个体. 这种方法有助于诊断FH,一个未被认可的遗传胆固醇障碍.
科学领域:
- 心脏病学 心脏病学
- 遗传学 遗传学 是一个
- 数据科学数据科学数据科学
背景情况:
- 家族性高胆固醇血症 (FH) 是一种遗传性疾病,导致高胆固醇,往往未被诊断出来.
- 早期诊断和治疗FH对于预防心血管疾病至关重要.
研究的目的:
- 评估Find,Identify,Network,Deliver-FH (FIND-FH) 评分在现实世界中的有效性.
- 评估FIND-FH评分能够使用电子健康记录 (EHR) 识别具有高风险的FH个体的能力.
主要方法:
- 将FIND-FH机器学习算法应用于一个大型的EHR数据集.
- 对具有高FIND-FH分数 (>0.35) 个体进行手动图表审查,以使用既定的标准 (西蒙-布鲁姆,DLCN) 验证FH诊断.
- 在FIND-FH分数五分之一和FH宣传的候选人中比较了个体特征.
主要成果:
- 从93,418个EHR记录中,FIND-FH算法从93,418个EHR记录中识别出340个具有FH高概率的个体.
- 20-32%的确诊个体符合修改的FH诊断标准; 56%需要进一步评估FH.
- 很大一部分 (53%) 适合外展的人具有LDL-C水平<190 mg/dL,可能会被传统查遗漏.
结论:
- 在FIND-FH得分显示强大的现实世界表现在识别个体在一个大型医疗保健系统内具有更高风险的FH.
- 该算法促进了FH的进一步临床评估,即使个体不能完全满足仅基于可用的EHR数据的当前诊断标准.


