Semin Arthritis Rheu：电子健康记录中狼疮患者的识别
2019-01-11 xiangting MedSci原创
该机器学习SLE算法在内部和外部验证中表现良好。
为了利用电子健康记录（EHRs）来研究SLE，需要算法来准确识别这些患者。这项研究使用机器学习生成数据主导的SLE EHR算法，并评估了现有基于规则算法的性能。
研究人员从EHR中随机选择有≥1个SLE ICD-9/10编码的受试者，并根据1997 ACR或2012 SLICC分类标准，通过病历复习确定金标准确诊和疑诊SLE病例。从训练集中，研究人员使用自然语言处理提取编码和叙述概念，并使用惩罚logistic回归生成算法对确诊或确诊/疑诊SLE进行分类。研究在内部和外部队列验证中评估了预测特征。还测试了已发表的基于规则算法的性能特征，其中包含EHR中的ICD-9代码的预先指定的排列、实验室检查和药物治疗。
当特异性为97％时，机器学习编码算法对确诊SLE的阳性预测值（PPV）为90％、敏感性64％；对确诊/疑诊SLE，PPV为92％和敏感性为47％。在外部验证中，当特异性为97％时，确诊/疑诊算法的PPV为 94％和敏感性60％。添加NLP概念并未改善性能指标。在EHR中已发表的基于规则算法的PPVs范围为45-79％。
该机器学习SLE算法在内部和外部验证中表现良好。基于规则的SLE算法在EHR中表现不佳。在应用算法识别SLE患者时，必须考虑到病例定义所需敏感性和特异性相关的独特EHR特征、临床实践和研究目标。
原始出处：
AprilJorge. Identifying Lupus Patients in Electronic Health Records: Development and Validation of Machine Learning Algorithms and Application of Rule-Based Algorithms. Semin Arthritis Rheu. 04 January 2019.
本文系梅斯医学(MedSci)原创编译整理，转载需授权！
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#Arthritis#
38
#ART#
38
#狼疮#
38
#电子健康记录#
42