非アルコール性脂肪性肝炎(NASH)の検出のための縦断的処方と医療請求を用いた機械学習【JST・京大機械翻訳】

Yasar Ozge; Long Patrick; Harder Brett; Marshall Hanna; Bhasin Sanjay; Lee Suyin; Delegge Mark; Roy Stephanie; Doyle Orla; Leavitt Nadea; Rigg John

プレプリント

J-GLOBAL ID：202202208565730562 整理番号：22P0300015

非アルコール性脂肪性肝炎(NASH)の検出のための縦断的処方と医療請求を用いた機械学習【JST・京大機械翻訳】

Machine learning using longitudinal prescription and medical claims for the detection of nonalcoholic steatohepatitis (NASH)

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (11件)： , , , , , , , , , ,
資料名：
発行年： 2022年03月07日プレプリントサーバーでの情報更新日： 2022年03月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

【目的】診断スクリーニングと臨床管理のための疑わしい未診断非アルコール性脂肪性肝炎(NASH)患者を検出するための機械学習モデルを開発して評価する。【方法】1,463,089人の患者からの行政医療請求データを用いて,この遡及的観察非介入研究において,肥満,2型糖尿病(T2DM),代謝障害または非アルコール性脂肪肝(NAFL)の病歴を有するリスク患者集団から,おそらくNASH患者を検出するために,傾斜ブースト決定木を訓練した。全リスク患者または事前NAFL診断のないサブセット(非NAFLリスク患者)において,おそらくNASHを検出するように,モデルを訓練した。モデルを訓練し,遡及的医療請求データを用いて検証し,精度想起と受信者動作特性曲線(AUPRCs,AUROCs)下で面積を用いて評価した。【結果】請求データにおけるNASHの6か月の発生率は,1,437人のリスク患者と1人あたり1人,2127人の非NAFLリスク患者で1人であった。すべてのリスク患者におけるNASHを検出するために訓練されたモデルは,0.0107(95%CI 0.0104-0.011)のAUPRCと0.84のAUROCを有した。10%思い出しで,モデル精度は4.3%であり,それはNASH発生率の60xであった。非NAFL患者におけるNASHを検出するために訓練されたモデルは,0.003(95%CI 0.0029-0.0031)のAUPRCと0.78のAUROCを有した。10%思い出しで,モデル精度は1%であり,これはNASH発生率の20xであった。結論:医療請求データにおけるNASHの低発生率は,臨床診療における診断下のNASHのパターンを裏付ける。Claimsベースの機械学習は,診断試験および疾患管理のための可能性のあるNASH患者の検出を容易にすることができた。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , , 【Automatic Indexing@JST】

消化器の診断 , 消化器の臨床医学一般 , 代謝異常・栄養性疾患一般 , 消化器の疾患

, , , ,

前のページに戻る