دانلود مقاله پیش‌بینی امید به زندگی با هدف غربالگری سرطان با پرونده الکترونیک سلامت
چکیده
مقدمه
روش ها
نتایج
بحث
منابع
Abstract
Introduction
Methods
Results
Discussion
References
چکیده
زمینه
دستورالعمل ها غربالگری سرطان سینه و کولورکتال را برای افراد مسن با امید به زندگی بیش از 10 سال توصیه می کنند. بیشتر شاخص های مرگ و میر نیاز به ورود داده های بالینی دارند که مانعی برای استفاده معمول در مراقبت ایجاد می کند. پرونده الکترونیک سلامت (EHR) یک منبع داده بالینی غنی است که می تواند برای ایجاد پیش بینی امید به زندگی فردی برای شناسایی بیماران برای غربالگری سرطان بدون ورود داده ها استفاده شود.
هدف، واقعگرایانه
برای توسعه و اعتبارسنجی داخلی یک ماشین حساب امید به زندگی از داده های EHR ساخت یافته.
طرح
مطالعه کوهورت گذشته‌نگر با استفاده از پایگاه‌های اطلاعاتی EHR امور جانبازان ملی (VA).
بیماران
جانبازان بالای 50 سال با ویزیت مراقبت های اولیه در سال 2005.
اقدامات اصلی
ما جمعیت‌شناسی، بیماری‌ها، داروها، نتایج آزمایشگاهی، استفاده از مراقبت‌های بهداشتی و علائم حیاتی را 1 سال قبل از بازدید از شاخص ارزیابی کردیم. پیگیری مرگ و میر تا سال 2017 کامل شد. با استفاده از گروه توسعه (80 درصد نمونه)، ما از رگرسیون LASSO Cox برای انتخاب 100 پیش‌بینی‌کننده از 913 عنصر داده EHR استفاده کردیم. در گروه اعتبارسنجی (نمونه 20٪ باقیمانده)، ما منطقه یکپارچه زیر منحنی (iAUC) را محاسبه کردیم و کالیبراسیون را ارزیابی کردیم.
نتایج کلیدی
در 3705122 بیمار، میانگین سنی 68 سال و اکثریت مرد (97%) و سفیدپوست (85%) بودند. نزدیک به نیمی (49 درصد) فوت کردند. ماشین حساب امید به زندگی شامل 93 پیش بینی کننده بود. سن و جنسیت به شدت در ایجاد تبعیض نقش داشته است. بیماری ها نیز به طور قابل توجهی نقش داشتند در حالی که علائم حیاتی ناچیز بود. iAUC 0.816 (فاصله اطمینان 95%، 0.815، 0.817) با کالیبراسیون خوب بود.
نتیجه گیری
ما یک ماشین حساب امید به زندگی با استفاده از داده های VA EHR با تمایز و کالیبراسیون عالی ایجاد کردیم. پیش‌بینی خودکار امید به زندگی با استفاده از داده‌های EHR ممکن است غربالگری سرطان سینه و کولورکتال مطابق دستورالعمل را با شناسایی بیماران با امید به زندگی بیش از 10 سال بهبود بخشد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Background
Guidelines recommend breast and colorectal cancer screening for older adults with a life expectancy >10 years. Most mortality indexes require clinician data entry, presenting a barrier for routine use in care. Electronic health records (EHR) are a rich clinical data source that could be used to create individualized life expectancy predictions to identify patients for cancer screening without data entry.
Objective
To develop and internally validate a life expectancy calculator from structured EHR data.
Design
Retrospective cohort study using national Veteran’s Affairs (VA) EHR databases.
Patients
Veterans aged 50+ with a primary care visit during 2005.
Main Measures
We assessed demographics, diseases, medications, laboratory results, healthcare utilization, and vital signs 1 year prior to the index visit. Mortality follow-up was complete through 2017. Using the development cohort (80% sample), we used LASSO Cox regression to select ~100 predictors from 913 EHR data elements. In the validation cohort (remaining 20% sample), we calculated the integrated area under the curve (iAUC) and evaluated calibration.
Key Results
In 3,705,122 patients, the mean age was 68 years and the majority were male (97%) and white (85%); nearly half (49%) died. The life expectancy calculator included 93 predictors; age and gender most strongly contributed to discrimination; diseases also contributed significantly while vital signs were negligible. The iAUC was 0.816 (95% confidence interval, 0.815, 0.817) with good calibration.
Conclusions
We developed a life expectancy calculator using VA EHR data with excellent discrimination and calibration. Automated life expectancy prediction using EHR data may improve guideline-concordant breast and colorectal cancer screening by identifying patients with a life expectancy >10 years.
Introduction
Life expectancy is an underused1,2 but critically important piece of information for medical decision-making.3,4 Numerous clinical guidelines recommend incorporating life expectancy into cancer screening decisions5,6 since screening exposes patients to burdens and risk immediately while the benefits of decreased cancer mortality occur 10 years later.7–10 Screening patients who have <10 years of life expectancy exposes them to the potential harms of screening with little chance of benefit.6,10 To increase the rates of guidelineconcordant cancer screening, there is a clear need for accurate, easy-to-use life expectancy calculators to appropriately target cancer screening.
Results and analyses
There were 2,964,098 patients in the development cohort and 741,024 patients in the validation cohort. Baseline characteristics were essentially the same in the two cohorts (Table 1). The mean age was 68.0 years, 97% were male, 85% were white, and 11% were black. The mean BMI was 28.9. Over half of patients had ≥8 diseases and 42% had ≥6 medications. During a median of 12.1 years of follow-up, 49% of patients died (1,453,767 in the development cohort and 362,934 in the validation cohort).