一个多变量模型,用于改善在行政卫生数据中对脑病例的识别

科学领域:

• 医疗信息学 医疗信息学
• 公共卫生 公共卫生
• 儿科神经学 儿科神经学

背景情况:

• 准确识别脑 (CP) 对于及时干预和资源分配至关重要.
• 行政卫生数据提供了大量资源,但往往包含错误分类的病例.
• 在行政数据中识别CP病例的现有算法存在局限性.

研究的目的:

• 在基于人口的行政健康数据集中提高识别脑 (CP) 病例的准确性.
• 开发和验证使用物流回归和ICD代码检测CP的预测模型.
• 将新模型的性能与已建立的CP识别算法进行比较.

主要方法:

• 在加拿大北克省利用基于人口的脑麻登记,包括1999年至2002年出生的儿童.
• 分析了CP和没有CP的儿童的住院和医生计费记录,直到2012年.
• 采用后勤回归建模与相关条件的国际疾病分类 (ICD) 代码,通过ROC和PR曲线评估性能.

主要成果:

• 开发的模型实现了ROC曲线下的面积为0.98和PR曲线下的面积为0.73.
• 在可比的特异性水平下,该模型的灵敏度比现有算法高出1-14个百分点.
• 随着更长的随访,数据来源的结合,以及早产婴儿,观察到更高的敏感性.

结论:

• 这种新型模型显著改善了行政卫生数据中脑病例的识别.
• 尽管有所改善,脑病例的残留错误分类仍然是一个挑战.
• 研究结果表明,在大型健康数据库中,可以优化CP病例的确定.