عنوان مقاله:
پیش‌بینی امید به زندگی برای هدف غربالگری سرطان با استفاده از داده‌های کلنیکی پرونده الکترونیک سلامت
Predicting Life Expectancy to Target Cancer Screening Using Electronic Health Record Clinical Data
سال انتشار: 2022
رشته: پزشکی - روانشناسی
گرایش: انفورماتیک پزشکی - آنکولوژی - روانشناسی بالینی
دانلود رایگان این مقاله:
دانلود مقاله پیش‌بینی امید به زندگی
مشاهده سایر مقالات جدید:
DISCUSSION
We developed and internally validated a life expectancy prediction calculator using structured data from the VA EHR; our final model included 93 predictors and had an iAUC of 0.816. As expected, diseases and demographics were the strongest contributors to high discrimination. Our model demonstrated good calibration overall and across demographic subgroups. Our life expectancy calculator performs comparably to other long-term mortality risk tools that had C-statistics around 0.8,12–14,16,39 but has two notable differences. First, our life years);39,40 only a few predict ≥10-year mortality risk, which is needed for cancer screening.13,16,18 Of other indexes, only the Lee index predicts life expectancy.15 Remaining life expectancy is difficult to predict because it requires extended follow-up time and relatively high cumulative mortality to generate accurate predictions. The benefit is that life expectancy is more intuitive for patients and provides a more complete picture than mortality risk at a single time.
Our model had better discrimination among females, who were approximately 3% of the study sample, compared to males. We believe this may be due to the fact that women in our VA population were substantially younger than men (mean age 63 vs. 68 for men). Previous studies have shown that measures of discrimination are higher for mortality indexes in younger populations compared to older populations.41 Ultimately, it is reassuring that the model performs well in women, even though they were only 3% of the data, suggesting that our life expectancy predictions can be used to target breast cancer screening.
Consistent with other mortality prediction tools, we did not incorporate race/ethnicity into our life expectancy calculator.12,14,16 While non-white individuals tend to have shorter life expectancies,29,30 prediction algorithms incorporating race/ethnicity may perpetuate and exacerbate existing disparities and racism in the medical system.31 However, excluding race/ethnicity from algorithms can still lead to racially biased models,42 and machine learning approaches may be particularly prone to encode racial/ethnic bias in the healthcare system.43–45 We took numerous steps to minimize potential racial bias, including manual variable cleaning and specification (e.g., assigning all laboratory values to one of five categories). We welcome the development of “algorithmic stewardship” that will advance the equitable development and use of prediction tools in clinical medicine.46,47
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
بحث
ما یک ماشین حساب پیش‌بینی امید به زندگی را با استفاده از داده‌های ساخت‌یافته از VA EHR ایجاد و اعتبارسنجی کردیم. مدل نهایی ما شامل 93 پیش بینی و دارای iAUC 0.816 بود. همانطور که انتظار می رفت، بیماری ها و جمعیت شناسی قوی ترین عوامل ایجاد تبعیض بالا بودند. مدل ما کالیبراسیون خوبی را به طور کلی و در بین زیر گروه‌های جمعیتی نشان داد. ماشین حساب امید به زندگی ما در مقایسه با سایر ابزارهای خطر مرگ و میر درازمدت عمل می کند که دارای آمار C در حدود 0.8،12-14،16،39 بودند، اما دو تفاوت قابل توجه دارند. اول، سالهای زندگی ما)؛ 39،40 تنها تعداد کمی خطر مرگ و میر 10 ساله را پیش بینی می کنند، که برای غربالگری سرطان مورد نیاز است. 13،16،18 از سایر شاخص ها، تنها شاخص لی امید به زندگی را پیش بینی می کند. پیش‌بینی دشوار است زیرا برای ایجاد پیش‌بینی‌های دقیق به زمان پیگیری طولانی و مرگ و میر تجمعی نسبتاً بالایی نیاز دارد. مزیت این است که امید به زندگی برای بیماران شهودی تر است و تصویر کامل تری نسبت به خطر مرگ و میر در یک زمان ارائه می دهد.
مدل ما در میان زنان، که تقریباً 3 درصد از نمونه مورد مطالعه را تشکیل می‌دادند، در مقایسه با مردان، تبعیض بهتری داشت. ما معتقدیم که این ممکن است به دلیل این واقعیت باشد که زنان در جمعیت VA ما به طور قابل‌توجهی جوان‌تر از مردان بودند (میانگین سن 63 در مقابل 68 سال برای مردان). مطالعات قبلی نشان داده اند که معیارهای تبعیض برای شاخص های مرگ و میر در جمعیت های جوان تر در مقایسه با جمعیت های مسن تر است. پیش‌بینی انتظار می‌تواند برای هدف قرار دادن غربالگری سرطان پستان استفاده شود.
