使用电子健康记录识别患有结肠直肠癌高风险患者

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 结肠直肠癌 (CRC) 是美国癌症死亡的主要原因,但查率不够理想.
• 目前的方法缺乏敏感的机器学习 (ML) 模型来识别高危CRC或癌前多的个体.

研究的目的:

• 开发和验证一种新的ML模型,ColAI,用于估计患者CRC或晚期癌前病变的风险.
• 使用多式联网电子健康记录 (EHR) 数据,包括实验室结果,ICD代码和药物.

主要方法:

• 开发了ColAI,一个L1-规范化的后勤回归模型,在1年的EHR数据上进行训练.
• 在87,825次查结肠镜检查中接受培训,并在21,957次独立结肠镜检查中得到验证.
• 实验室被视为连续变量;ICD代码和药物作为二进制指标.

主要成果:

• 科尔AI实现了接受器操作特征下的面积 (AUROC),CRC为0.93,CRC或晚期腺瘤为0.98.
• 在不同的医院和时间段中表现出强大的通用性.
• 在第一次和后续结肠镜检查之间表现一致,减少了对选择偏差的担忧.

结论:

• 使用常规EHR数据,ColAI可以准确地识别CRC风险较高的患者.
• 有潜力加强对高风险,未经查的个人进行有针对性的接触.
• 旨在改善人口层面的早期癌症检测.