在急性缺血性中风中修改的兰金尺度的基于索赔的机器学习分类器

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 公共卫生 公共卫生

背景情况:

• 急性缺血性中风的严重程度对于患者的治疗结果和研究至关重要.
• 修改后的兰金尺度 (mRS) 是对中风残疾的标准衡量标准.
• 医疗保险索赔数据为研究中风人口提供了大量数据集.

研究的目的:

• 开发和验证一种使用Medicare索赔预测急性缺血性中风严重性的分类器.
• 使用修改后的兰金度量表 (mRS) 作为结局指标.
• 加强中风研究结果和国家监测能力.

主要方法:

• 一项多州的研究将Paul Coverdell国家急性中风计划数据与医疗保险索赔联系起来.
• 使用拉索惩罚后勤回归来开发mRS结果的二进制分类器.
• 性能评估使用接收机操作员特征曲线 (AUROC) 下的面积,精度回忆,灵敏度和特异性.

主要成果:

• 该研究分析了68636名65岁以上的医疗保险受益者因急性缺血性中风住院的数据.
• 分类器实现了0.86的AUROC和0.90.90的曲线下的精度回忆面积.
• 灵敏度为0.81,特异性为0.73,表明强大的预测性能.

结论:

• 一个基于索赔的分类器在急性缺血性中风的医疗保险受益人中表现出色,用于修改的兰金级分类.
• 开发的分类器显示了改善中风研究结果的潜力.
• 这种工具可以支持对急性缺血性中风的国家监测的发展.