开发和验证可计算的表型,用于识别酒精使用障碍患者,使用结构化和非结构化EHR数据.
Hao Dai1, Elliot B Tapper2, Lili Zhao3
1Department of Biostatistics & Health Data Science, Indiana University School of Medicine, 410 W 10th St, Indianapolis, IN 46202, United States.
Alcohol and alcoholism (Oxford, Oxfordshire)
|January 8, 2026
概括
在电子健康记录中精确识别酒精使用障碍 (AUD) 是使用可计算表型 (CP) 改进的. 这些CP整合了多样化的数据,超过了研究和患者护理的传统ICD代码.
科学领域:
- 生物医学信息学 生物医学信息学
- 临床研究信息学
背景情况:
- 酒精使用障碍 (AUD) 导致显著的发病率,特别是肝脏疾病.
- 在电子健康记录 (EHR) 中准确的AUD识别对于研究和临床护理至关重要.
- 现有的国际疾病分类 (ICD) 基于代码的方法在病例识别方面存在局限性,手动审查是不可扩展的.
研究的目的:
- 开发和验证可计算的表型 (CP) 以使用集成的EHR数据进行准确的AUD识别.
- 改进传统ICD代码为AUD病例确定的基于算法的局限性.
- 创建一个可扩展的解决方案,用于识别患有AUD的患者,用于研究,监测和质量改善.
主要方法:
- 开发了AUD CPs,在一个大规模的EHR数据集 (200万患者) 上使用了两步过程.
- 使用AUD相关的ICD代码,药物和关键字搜索 (结构化和非结构化数据) 识别了候选队列.
- 基于规则的算法通过手动图表审查反复改进,并对灵敏度,正预测值 (PPV) 和F1得分进行评估,并对独立数据集进行验证.
主要成果:
- 优化F1的CP获得了F1得分0.87 (灵敏度:0.98,PPV:0.78).
- 精度优化的CP实现了0.9的PPV (灵敏度:0.68,F1得分:0.77).
- 培训方案表现出强度和通用性,培训和测试套件之间的性能差异最小,远远超过仅使用ICD的方法.
结论:
- 集成结构化和非结构化的电子健康记录数据的可计算表型 (CP) 提供了准确和可重复的AUD识别.
- 这种方法在性能上超越了传统的基于AUD特定的ICD方法.
- 临床医生为临床研究,公共卫生监测和AUD的质量改进计划提供了有效的队列建设.


