[论文解读] Developing Knowledge-enhanced Chronic Disease Risk Prediction Models from Regional EHR Repositories
本文提出一种知识增强方法，利用区域电子健康记录（EHR）数据仓库开发本地化的慢性病风险预测模型。通过将临床指南（例如，合并队列方程）与区域特定的EHR数据相结合，该方法显著提升了糖尿病患者心血管风险预测的性能，AUC达到0.723，较直接应用于本地队列的标准化PCE模型提高了10.7%。
Precision medicine requires the precision disease risk prediction models. In literature, there have been a lot well-established (inter-)national risk models, but when applying them into the local population, the prediction performance becomes unsatisfactory. To address the localization issue, this paper exploits the way to develop knowledge-enhanced localized risk models. On the one hand, we tune models by learning from regional Electronic Health Record (EHR) repositories, and on the other hand, we propose knowledge injection into the EHR data learning process. For experiments, we leverage the Pooled Cohort Equations (PCE, as recommended in ACC/AHA guidelines to estimate the risk of ASCVD) to develop a localized ASCVD risk prediction model in diabetes. The experimental results show that, if directly using the PCE algorithm on our cohort, the AUC is only 0.653, while our knowledge-enhanced localized risk model can achieve higher prediction performance with AUC of 0.723 (improved by 10.7%).
研究动机与目标
- 解决国家层面风险预测模型在本地人群中的泛化能力差的问题。
- 提升区域医疗环境中慢性病风险预测的准确性。
- 开发一种将临床知识与本地EHR数据相结合的方法，以实现更好的模型本地化。
- 在真实世界的区域队列中，评估知识增强模型与标准模型的性能表现。
提出的方法
- 作者利用区域EHR数据仓库训练针对本地人口特征和临床模式定制的风险预测模型。
- 通过引入知识的方式，将在模型训练过程中整合既定的临床指南，特别是合并队列方程（PCE）。
- 在保留PCE框架的临床可解释性与结构的前提下，使用本地数据对模型进行微调。
- 采用受试者工作特征曲线下面积（AUC）评估性能，并将知识增强模型与直接应用于本地队列的基准PCE模型进行对比。
- 该方法在本地数据驱动学习与外部临床知识之间取得平衡，以提升模型的鲁棒性与泛化能力。
实验结果
研究问题
- RQ1与标准模型相比，知识增强模型是否能提升区域人群的慢性病风险预测准确性？
- RQ2将临床指南（如PCE）与本地EHR数据结合，对模型性能有何影响？
- RQ3使用本地EHR数据对国家风险模型进行微调，在特定区域队列中能将预测性能提升到何种程度？
- RQ4知识注入是否能改善本地风险预测中的校准与区分能力？
主要发现
- 知识增强的本地化模型在糖尿病队列中预测ASCVD风险的AUC达到0.723。
- 直接将基准合并队列方程应用于本地队列仅获得0.653的AUC，表明其本地化效果差。
- 与同一数据集上的标准PCE模型相比，知识增强模型在AUC上提升了10.7%。
- 将临床知识与本地EHR数据相结合，显著增强了模型的区分能力及其对目标人群的相关性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。