日本語AIでPubMedを検索
疾患重症度階層を用いた死亡率または主要心血管系イベントのリスク層別化モデルの開発と検証
Development and Validation of a Risk Stratification Model Using Disease Severity Hierarchy for Mortality or Major Cardiovascular Event.
PMID: 32678448 DOI: 10.1001/jamanetworkopen.2020.8270.
抄録
重要性:
疾患とその併存疾患、重症度、治療経路、アウトカムに関する臨床領域の知識は、診断を容易にし、予防戦略を強化し、スマートなエビデンスに基づいた診療ガイドラインの作成に役立つ。
Importance: Clinical domain knowledge about diseases and their comorbidities, severity, treatment pathways, and outcomes can facilitate diagnosis, enhance preventive strategies, and help create smart evidence-based practice guidelines.
目的:
リスク予測に適した増大する臨床的詳細を共有するサブ集団を作成するために、領域知識を入れ子状に活用する疾患重症度階層と呼ばれる患者データの新しい表現を導入すること。
Objective: To introduce a new representation of patient data called disease severity hierarchy that leverages domain knowledge in a nested fashion to create subpopulations that share increasing amounts of clinical details suitable for risk prediction.
デザイン、設定、および参加者:
このレトロスペクティブコホート研究では、45歳から85歳までの患者51969人を対象とし、トレーニングコホートでは2004年1月から2015年12月までにメイヨークリニックでプライマリケアを受けた患者10674人、検証コホートでは2010年1月から2017年12月までにフェアビューヘルスサービスでプライマリケアを受けた患者41295人を対象とした。2018年5月から2019年12月までのデータを分析した。
Design, Setting, and Participants: This retrospective cohort study included 51 969 patients aged 45 to 85 years, with 10 674 patients who received primary care at the Mayo Clinic between January 2004 and December 2015 in the training cohort and 41 295 patients who received primary care at Fairview Health Services from January 2010 to December 2017 in the validation cohort. Data were analyzed from May 2018 to December 2019.
主な成果と対策:
60歳、65歳、75歳、80歳における全原因死亡率および主要心血管系イベントを予測するモデルを評価するために、受信機操作特性曲線下面積（AUC）、ジニスコア、感度、および正の予測値を含むいくつかのバイナリ分類尺度を使用した。
Main Outcomes and Measures: Several binary classification measures, including the area under the receiver operating characteristic curve (AUC), Gini score, sensitivity, and positive predictive value, were used to evaluate models predicting all-cause mortality and major cardiovascular events at ages 60, 65, 75, and 80 years.
結果:
平均（SD）年齢と女性と白人の割合は、トレーニングコホートではそれぞれ59.4（10.8）歳、6324（59.3％）、9804（91.9％）、検証コホートではそれぞれ57.4（7.9）歳、21975（53.1％）、37653（91.2％）であった。追跡期間中、トレーニングコホートでは 945 例（8.9％）が死亡し、787 例（7.4％）が主要な心血管系イベントを発症した。新しい表現を用いたモデルは、トレーニングコホートにおける60歳、65歳、75歳、および80歳における死亡予測のAUCが0.96（95％CI、0.94-0.97）、0.96（95％CI、0.95-0.98）、0.97（95％CI、0.96-0.98）、および0.98（95％CI、0.96-0.98）を達成した。98（95％CI、0.98-0.99）であり、標準的な方法ではそれぞれ0.67（95％CI、0.55-0.80）、0.66（95％CI、0.56-0.79）、0.64（95％CI、0.57-0.71）、および0.63（95％CI、0.54-0.70）の控えめなAUCを達成した。
Results: The mean (SD) age and proportions of women and white individuals were 59.4 (10.8) years, 6324 (59.3%) and 9804 (91.9%), respectively, in the training cohort and 57.4 (7.9) years, 21 975 (53.1%), and 37 653 (91.2%), respectively, in the validation cohort. During follow-up, 945 patients (8.9%) in the training cohort died, while 787 (7.4%) had major cardiovascular events. Models using the new representation achieved AUCs for predicting death in the training cohort at ages 60, 65, 75, and 80 years of 0.96 (95% CI, 0.94-0.97), 0.96 (95% CI, 0.95-0.98), 0.97 (95% CI, 0.96-0.98), and 0.98 (95% CI, 0.98-0.99), respectively, while standard methods achieved modest AUCs of 0.67 (95% CI, 0.55-0.80), 0.66 (95% CI, 0.56-0.79), 0.64 (95% CI, 0.57-0.71), and 0.63 (95% CI, 0.54-0.70), respectively.
結論と関連性:
この研究では、提案された患者データ表現は、標準的な方法よりも患者が死亡または大規模な心血管系イベントを発症するリスクがある年齢を正確に予測しました。この表現は、電子カルテに含まれる既知の関係性を利用して、自然で臨床的に意味のある方法で疾患の重症度を捉えています。さらに、表現力があり、解釈可能である。この新しい患者表現は、重要な意思決定を支援し、スマートなガイドラインを開発し、リスクの高い患者を特定するのに役立つことで、ヘルスケアと疾患管理を強化するのに役立ちます。
Conclusions and Relevance: In this study, the proposed patient data representation accurately predicted the age at which a patient was at risk of dying or developing major cardiovascular events substantially better than standard methods. The representation uses known relationships contained in electronic health records to capture disease severity in a natural and clinically meaningful way. Furthermore, it is expressive and interpretable. This novel patient representation can help to support critical decision-making, develop smart guidelines, and enhance health care and disease management by helping to identify patients with high risk.