识别儿科长期COVID:将EHR算法与手动审查算法进行比较

科学领域:

• 儿科健康 儿科健康
• 传染性疾病 传染性疾病
• 医疗信息学 医疗信息学

背景情况:

• 长期COVID在儿童中存在诊断挑战,因为缺乏标准化的定义.
• 现有的以成年人为重点的表型不适合儿童群体.
• 儿科特异性表型需要根据临床数据进行验证.

研究的目的:

• 开发和评估一个特定于儿科的,基于规则的可计算表型 (CP),用于识别长期COVID.
• 在一个大型儿科队列中,将CP的表现与手动图表审查进行比较.
• 分析CP识别和临床医生评估之间的差异.

主要方法:

• 在RECOVER PCORnet EHR数据库中,使用诊断代码对超过339,000名感染SARS-CoV-2的儿科患者进行了CP.
• 在16个医院系统中对一小部分患者 (n=651) 进行手动图表审查,以评估绩效.
• 质量审查不一致的案例,以了解识别标准的差异.

主要成果:

• 与图表审查相比,CP确定了31,781例儿科长期COVID病例,与中度一致 (准确度=0.62).
• 差异往往源于临床医生将症状归因于先前存在的疾病或使用更广泛的标准.
• 在考虑先前存在的条件时,提高了CP性能 (准确度=0.71).

结论:

• 长期COVID的儿科特异性CP显示中度但可改进的协议与临床审查.
• 在CP发育中解决先前存在的疾病对于准确的儿科长期COVID鉴定至关重要.
• 这项研究支持为儿科长期COVID研究和定义共识创建可扩展工具.