Heart：基于社区电子健康记录对房颤事件的预测效能
2021-10-06 MedSci原创 MedSci原创
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。
心房颤动(AF)很常见，并且与卒中风险增加相关。
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评估和荟萃分析在电子健康记录(EHR)和/或行政索赔数据库中导出和/或验证的多变量预测模型，以预测社区中发生的AF。
研究人员从Ovid Medline和Ovid Embase中检索了2021年3月23日之前发表的研究，并通过贝叶斯荟萃分析提取和汇总指标的差异情况，并通过95%的预测区间(PI)评估异质性。研究人员使用偏倚风险评估工具的预测模型评估偏倚风险，并通过建议、评估、开发和评价分级对效果估计的确定性进行评估。
该分析共有11项研究符合纳入标准，描述了9种预测模型，其中4项符合纳入标准，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（心力衰竭、高血压、年龄>75岁（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、慢性阻塞性肺疾病、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）模型得到了具有统计显著性95%PI为和中等区分性能的c统计量。如果排除高偏倚风险的研究并且效应估计的确定性较“低”，则没有模型符合纳入荟萃分析的资格。机器学习衍生的模型具有很强的判别性能，但缺乏严格的外部验证。
由此可见，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。
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.2021.https://heart.bmj.com/content/early/2021/10/03/heartjnl-2021-320036
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
#ART#
39
#社区#
41
#电子健康记录#
46
#HEART#
37
学习
49