Machine-learning-IDs Risiko für familiäre Hypercholesterinämie

(HealthDay)—Ein machine-learning classifier kann effektiv zu identifizieren Patienten mit einem Risiko für familiäre Hypercholesterinämie (FH), laut einer Studie online veröffentlicht April 11 im npj Digitalen Medizin.

Juan M. Banda, Ph. D., von der Stanford University in Kalifornien, und Kollegen verwendeten electronic health record (EHR) – Daten zu entwickeln, die ein Klassifikator erkennen könnte, dass potenzielle FH-Patienten. Ein random forest Klassifikator trainiert wurde unter Verwendung der Daten von 197 Patienten bekannt und 6,590 abgestimmt noncases.

Auf einem held-out-test-set, fanden die Forscher die Klassifizierer hatte einen positiven prädiktiven Wert (PPV) von 0.88 und Empfindlichkeit von 0,75. Die Klassifizierer Vorhersage-Genauigkeit wurde bewertet basierend auf chart-review von 100 Patienten mit einem Risiko für die FH und nicht in der ursprünglichen dataset. Der Klassifikator korrekt identifiziert, bei 84 Prozent der Patienten mit der höchsten Wahrscheinlichkeit die Schwelle; die Schwelle gesenkt, die Leistung sank. PPV war von 0.85 in die externe Validierung auf 466 FH-Patienten (236 mit genetisch nachgewiesener FH) und 5.000 abgestimmt noncases.

„Eine Breite Anwendung, mit unseren Klassifikator Bildschirm-mit EHR-Systemen identifizieren konnte viele Tausende von nicht diagnostizierten Patienten mit FH und führen zu einer effektiveren Therapie und screening von Ihren Familien,“ die Autoren schreiben.