Development and validation of a prediction algorithm to identify birth in countries with high tuberculosis incidence in two large California health systems.
Development and validation of a prediction algorithm to identify birth in countries with high tuberculosis incidence in two large California health systems.
复制标题
预测算法的开发和验证，以识别两个大型加利福尼亚州卫生系统中结核病发病率高的国家的出生。
DOI：
10.1371/journal.pone.0273363
复制
发表时间：
2022
期刊：
影响因子：
3.7
通讯作者：
中科院分区：
文献类型：
--
作者：
虽然在医疗保健环境中，建议对在结核病高发病率国家（“HTBIC”）出生的人进行潜伏性结核感染（“LTBI”）的针对性检测，但此信息通常未记录在电子健康档案（“EHR”）中。我们利用电子健康档案数据开发并验证了一个关于在结核病高发病率国家出生的预测模型。
在2008年1月1日至2019年12月31日期间，南加州凯撒医疗集团（“KPSC”）和北加州凯撒医疗集团（“KPNC”）的一组患者中，KPSC被用作开发数据集，KPNC用于使用逻辑回归进行外部验证。使用受试者工作特征曲线下面积（“AUCROC”）以及精确率 - 召回率曲线下面积（“AUPRC”）评估模型性能。我们探索了各种截断点以改进对LTBI的筛查。
在电子健康档案中，KPSC有73%的患者以及KPNC有54%的患者缺失出生国家信息，在KPSC和KPNC分别剩下2036400名和2880570名患者在电子健康档案中有出生国家记录。最终模型在内部和外部验证数据集上的AUCROC分别为0.85和0.87。在内部和外部验证数据集上，其AUPRC分别为0.69和0.64（相比之下，KPSC的基线结核病高发病率国家出生患病率为0.24，KPNC为0.19）。所探索的截断点使得每诊断出一例LTBI阳性所需筛查人数为7.1 - 8.5人，而电子健康档案中记录的在结核病高发病率国家出生的情况以及当前筛查标准下，每诊断出一例LTBI阳性所需筛查人数分别为4.2人和16.8人。
利用电子健康档案数据进行逻辑回归，我们开发了一个简单但有用的模型来预测在结核病高发病率国家出生的情况，与当前的LTBI筛查标准相比，该模型降低了所需筛查人数。
我们的模型提高了在医疗保健环境中基于在结核病高发病率国家出生这一因素对LTBI进行筛查的能力。
Though targeted testing for latent tuberculosis infection (“LTBI”) for persons born in countries with high tuberculosis incidence (“HTBIC”) is recommended in health care settings, this information is not routinely recorded in the electronic health record (“EHR”). We develop and validate a prediction model for birth in a HTBIC using EHR data. In a cohort of patients within Kaiser Permanente Southern California (“KPSC”) and Kaiser Permanent Northern California (“KPNC”) between January 1, 2008 and December 31, 2019, KPSC was used as the development dataset and KPNC was used for external validation using logistic regression. Model performance was evaluated using area under the receiver operator curve (“AUCROC”) and area under the precision and recall curve (“AUPRC”). We explored various cut-points to improve screening for LTBI. KPSC had 73% and KPNC had 54% of patients missing country-of-birth information in the EHR, leaving 2,036,400 and 2,880,570 patients with EHR-documented country-of-birth at KPSC and KPNC, respectively. The final model had an AUCROC of 0.85 and 0.87 on internal and external validation datasets, respectively. It had an AUPRC of 0.69 and 0.64 (compared to a baseline HTBIC-birth prevalence of 0.24 at KPSC and 0.19 at KPNC) on internal and external validation datasets, respectively. The cut-points explored resulted in a number needed to screen from 7.1–8.5 persons/positive LTBI diagnosis, compared to 4.2 and 16.8 persons/positive LTBI diagnosis from EHR-documented birth in a HTBIC and current screening criteria, respectively. Using logistic regression with EHR data, we developed a simple yet useful model to predict birth in a HTBIC which decreased the number needed to screen compared to current LTBI screening criteria. Our model improves the ability to screen for LTBI in health care settings based on birth in a HTBIC.
登录
查看更多内容
影响因子：
39.2
作者：
Collins, Gary S.;Reitsma, Johannes B.;Moons, Karel G. M.
通讯作者：
Moons, Karel G. M.
快速实现 DeLong 算法来比较相关接收器工作特性曲线下的面积
影响因子：
3.9
作者：
Sun, Xu;Xu, Weichao
通讯作者：
Xu, Weichao
影响因子：
3.3
作者：
Parriott, Andrea;Kahn, James G.;Shete, Priya B.
通讯作者：
Shete, Priya B.
DOI：
10.1164/rccm.200510-1563oc
发表时间：
2006-04-15
影响因子：
24.7
作者：
Sterling, TR;Bethel, J;Horsburgh, CR
通讯作者：
Horsburgh, CR
DOI：
10.15585/mmwr.mm6611a2
发表时间：
2017-03-24
期刊：
MMWR. Morbidity and mortality weekly report
影响因子：
--
作者：
Schmit KM;Wansaula Z;Pratt R;Price SF;Langer AJ
通讯作者：
Langer AJ