量化痴呆症的诊断信号衰退:一项关于医疗保险住院数据的国家研究

科学领域:

• 医疗保健数据科学 医疗保健数据科学
• 医疗信息学医学信息学
• 公共卫生研究 公共卫生研究

背景情况:

• 医疗保健中的人工智能 (AI) 依赖于准确的诊断数据.
• 痴呆症诊断存在由于模两可和不一致的编码造成的挑战,影响数据质量.

研究的目的:

• 分析美国医疗保险医院住院索赔中痴呆症诊断编码的地理和人口差异.
• 识别诊断信号衰变的模式及其对人工智能和基于索赔的研究的影响.

主要方法:

• 对2016-2018年医疗保险A部分住院索赔的分析,遍及美国3000多个县.
• 疾病国际分类第十版第17组将痴呆症代码分为五个类别.
• 使用过渡顺序模式挖掘 (tSPM+) 进行时间模式建模和回归以进行变化评估.

主要成果:

• 非特异性痴呆症代码是最常见的.
• 在阿尔茨海默氏症和血管痴呆症代码中观察到显著的区域变异.
• 从特定到非特定代码的频繁过渡表明诊断信号衰减.
• 农村人口,医疗补助资格和黑人或西班牙裔人口较高的县与国家诊断模式的一致性较低.

结论:

• 痴呆症记录实践在美国各地有系统的变化,反映了不一致的诊断,而不是真正的疾病流行率差异.
• 诊断信号衰变引入了对基于索赔的研究和AI模型开发的偏见.
• 建议将索赔数据与验证的队列联系起来,以提高数据质量和模型公平性.