Heart:基于社区电子健康记录的房颤事件预测

2022-01-22 MedSci原创 MedSci原创

基于社区EHR的外部验证可预测AF事件的模型具有中等预测能力和高偏倚风险。新方法可以提供更强的区分性能。

心房颤动(AF)很常见,并且与卒中风险增加有关。

近日,心脏病领域权威杂志Heart上发表了一篇研究文章,研究人员旨在系统地审查和荟萃分析在电子健康记录(EHR)和/或行政索赔数据库中获得和/或验证的多变量预测模型,以预测社区中的AF事件。

研究人员检索了Ovid Medline和Ovid Embase,检索时间从数据库成立到2021年3月23日发表的文献。研究人员通过贝叶斯荟萃分析提取和汇总区分指标,通过95%预测区间(PI)评估异质性。研究的偏倚风险使用预测模型偏倚风险评估工具和通过建议分级、评估、开发和评估的效果估计确定性进行评估。

本项目共有11项研究符合纳入标准,描述了9种预测模型,其中4项符合荟萃分析条件,包含9289959名患者。CHADS(充血性心力衰竭、高血压、年龄>75、糖尿病、既往卒中或短暂性脑缺血发作)(汇总c统计量为0.674;95%CI为0.610至0.732;95%PI为0.526–0.815)、CHA2DS2-VASc(充血性心力衰竭、高血压、年龄>75(2分)、卒中/短暂性脑缺血发作/血栓栓塞(2分)、血管疾病、65-74岁,性别)(汇总c统计量为0.679;95%CI为0.620至0.736;95%PI为0.531–0.811)和HATCH(高血压、年龄、卒中或短暂性脑缺血发作、慢性阻塞性肺病、心力衰竭)(汇总c统计量为0.669;95%CI为0.600至0.732;95%PI为0.513–0.803)模型得到了一个具有统计显著性的95%PI和中等区分性能的c统计量。如果排除高偏倚风险的研究并且效果估计的确定性为“低”,则没有模型符合纳入荟萃分析的条件。机器学习获得的模型表现出很强的区分性能,但缺乏严格的外部验证。

由此可见,基于社区EHR的外部验证可预测AF事件的模型具有中等预测能力和高偏倚风险。新方法可以提供更强的区分性能。

原始出处:

Ramesh Nadarajah.et al.Prediction of incident atrial fibrillation in community-based electronic health records: a systematic review with meta-analysis.heart.2022.http://orcid.org/0000-0001-9895-9356



版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (4)
#插入话题

相关资讯

Heart:基于社区电子健康记录对房颤事件的预测效能

在基于社区的EHR中,用于预测AF事件的外部验证模型具有中等预测能力和较高的偏倚风险。新方法可以提供更强的判别性能。