预测心房移除结果:使用大型行政索赔数据库开发和验证机器学习模型.

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 心房动 (AF) 除是有效的,但具有不一致的长期成功率 (50-75%).
• 目前的患者选择依赖于个人评估,缺乏人口级预测分析.
• 现有的风险评分 (CHADS2,CHA2DS2-VASc,CAAP-AF) 在行政索赔数据中表现不清楚.

研究的目的:

• 评估是否集成国际疾病分类 (ICD) 计费代码的机器学习 (ML) 模型在预测1年AF切除结果时优于传统风险得分.
• 探索大型行政索赔数据库的实用性,以开发标准化,可扩展的AF切除预测模型.

主要方法:

• 从医疗保险索赔数据 (2013-2020年) 中分析了14521名接受AF切除的患者.
• 开发后勤回归和极端梯度增强 (XGBoost) 模型,使用人口统计,并发病和ICD代码从消去前的2年.
• 将ML模型的预测与基于索赔的CHADS2,CHA2DS2-VASc和修改的CAAP-AF风险得分进行比较.

主要成果:

• 在54.01%的患者中观察到AF切除成功.
• 在所有组中,XGBoost模型表现出比传统风险得分 (AUC ~ 0.50) 更好的歧视 (AUC 0.528-0.529).
• 结合ICD代码的模型显示性能有所改善,特别是在阳性AF患者中 (AUC为0.544).

结论:

• 使用行政数据的ML模型比传统的风险得分提供了统计学上显著但适度的改进,用于预测AF切除结果.
• 目前,由于管理数据的局限性 (缺乏临床变量),预测性能对于临床决策是不够的.
• 研究结果支持使用这些模型进行卫生系统质量监测和有效性比较研究,而不是个人患者管理.