[논문 리뷰] Development and validation of computable Phenotype to Identify and Characterize Kidney Health in Adult Hospitalized Patients

Tezcan Ozrazgat‐Baslanti, Amir Motaei외 8명|arXiv (Cornell University)|2019. 03. 07.

Frailty in Older Adults참고 문헌 49인용 수 8

한 줄 요약

이 연구는 전자 건강 기록(EHR) 데이터를 사용하여 입원한 성인 환자에서 급성 신장손상(AKI)과 만성 신장질환(CKD)의 계산 가능한 표현형을 개발하고 검증하였다. KDIGO 기준을 활용하여 알고리즘이 높은 진단 성능을 보였으며, AUC-ROC 값은 0.98~0.99에 이르렀다. 이는 대규모 임상 데이터에서 신장질환을 강력하게 정확하게 식별할 수 있음을 보여주며, 인구 수준의 연구 및 의료 품질 평가를 지원한다.

ABSTRACT

Background: Acute kidney injury (AKI) is a common complication in hospitalized patients and a common cause for chronic kidney disease (CKD) and increased hospital cost and mortality. By timely detection of AKI and AKI progression, effective preventive or therapeutic measures could be offered. This study aims to develop and validate an electronic phenotype to identify patients with CKD and AKI. Methods: A database with electronic health records data from a retrospective study cohort of 84,352 hospitalized adults was created. This repository includes demographics, comorbidities, vital signs, laboratory values, medications, diagnoses and procedure codes for all index admission, 12 months prior and 12 months follow-up encounters. We developed algorithms to identify CKD and AKI based on the Kidney Disease: Improving Global Outcomes (KDIGO) criteria. To measure diagnostic performance of the algorithms, clinician experts performed clinical adjudication of AKI and CKD on 300 selected cases. Results: Among 149,136 encounters, identified CKD by medical history was 12% which increased to 16% using creatinine criteria. Among 130,081 encounters with sufficient data for AKI phenotyping 21% had AKI. The comparison of CKD phenotyping algorithm to manual chart review yielded PPV of 0.87, NPV of 0.99, sensitivity of 0.99, and specificity of 0.89. The comparison of AKI phenotyping algorithm to manual chart review yielded PPV of 0.99, NPV of 0.95 , sensitivity 0.98, and specificity 0.98. Conclusions: We developed phenotyping algorithms that yielded very good performance in identification of patients with CKD and AKI in validation cohort. This tool may be useful in identifying patients with kidney disease in a large population, in assessing the quality and value of care in such patients.

연구 동기 및 목표

• 입원 환자에서 AKI 및 CKD의 높은 부담이 증가하는 사망률과 의료비 증가에 기여하므로 이를 해결하고자 한다.
• 수동적 기록 검토의 한계를 극복하기 위해 EHR에서 신장질환 탐지에 사용할 수 있는 확장 가능하고 자동화된 표현형 도구를 개발하고자 한다.
• 표준화된 KDIGO 임상 기준을 사용하여 CKD 및 AKI의 계산 가능한 표현형을 개발하고 검증하고자 한다.
• 신장 건강 분야의 대규모 인구 기반 연구 및 품질 향상 이니셔티브를 가능하게 하고자 한다.

제안 방법

• 24개월 동안의 EHR 데이터(입원 전 12개월 및 입원 후 12개월)를 바탕으로 한 84,352명의 입원 성인 환자를 대상으로 한 후향적 코hort 분석.
• 연령, 기저질환, 생명체징후, 검사값, 약물, ICD-10 진단/수술 코드 등의 데이터 추출.
• 의료력 및 크레아티닌 기반 기준을 활용한 CKD 식별 알고리즘 개발, KDIGO 2012 기준(48시간 또는 7일 이내 혈청 크레아티닌 변화)을 활용한 AKI 식별 알고리즘 개발.
• AKI 및 CKD 각각 300건의 무작위 샘플에 대해 전문 임상의의 임상적 판단을 통한 검증.
• 골표준 수동 검토 대비 정확도 평가를 위해 양성 예측도(PPV), 음성 예측도(NPV), 민감도, 특이도를 사용한 성능 평가.
• 표현형 알고리즘의 진단 정확도와 신뢰도 평가를 위한 통계적 방법 사용.

실험 결과

연구 질문

• RQ1 EHR 데이터와 KDIGO 기준을 사용하여 계산 가능한 표현형이 CKD 환자를 정확하게 식별할 수 있는가?
• RQ2 자동화된 알고리즘이 전문 임상의의 검토에 비해 입원 환자에서 AKI를 얼마나 잘 탐지하는가?
• RQ3 표준화된 표현형을 사용할 경우 대규모 입원 환자 집단에서 CKD 및 AKI의 유병률은 얼마인가?
• RQ4 EHR에서 유도된 표현형이 임상 연구에서 신장질환 탐지의 확장성과 일관성 향상에 얼마나 기여하는가?
• RQ5 표현형 알고리즘의 성능 지표(PPV, NPV, 민감도, 특이도)가 수동 기록 검토와 비교하여 어떻게 다른가?

주요 결과

• 149,136명의 환자 접촉 중, 의료력 기반으로 CKD가 확인된 환자는 12%였고, 크레아티닌 기반 기준을 적용하면 16%로 증가하였다.
• 적절한 데이터가 확보된 130,081건의 접촉 중, 알고리즘을 통해 AKI로 분류된 환자는 21%였다.
• CKD 표현형 알고리즘은 양성 예측도(PPV) 0.87, 음성 예측도(NPV) 0.99, 민감도 0.99, 특이도 0.89를 보였다.
• AKI 표현형 알고리즘은 PPV 0.99, NPV 0.95, 민감도 0.98, 특이도 0.98를 달성하였다.
• 높은 진단 성능는 표현형 알고리즘이 실제 EHR 데이터에서 강력한 신뢰도와 타당성을 지닌다는 것을 시사한다.
• 결과는 이러한 계산 가능한 표현형을 대규모 관찰 연구, 품질 측정 및 의료 서비스 연구에 활용할 수 있음을 뒷받침한다.