Primary care electronic medical records can be used to predict risk and identify potentially modifiable factors for early and late death in adult onset epilepsy
Notice bibliographique
Résumé
OBJECTIVE: To use clinically informed machine learning to derive prediction models for early and late premature death in epilepsy. METHODS: This was a population-based primary care observational cohort study. All patients meeting a case definition for incident epilepsy in the Health Improvement Network database for inclusive years 2000-2012 were included. A modified Delphi process identified 30 potential risk factors. Outcome was early (within 4 years of epilepsy diagnosis) and late (4 years or more from diagnosis) mortality. We used regularized logistic regression, support vector machines, Gaussian naive Bayes, and random forest classifiers to predict outcomes. We assessed model calibration, discrimination, and generalizability using the Brier score, mean area under the receiver operating characteristic curve (AUC) derived from stratified fivefold cross-validation, plotted calibration curves, and extracted measures of association where possible. RESULTS: We identified 10 499 presumed incident cases from 11 194 182 patients. All models performed comparably well following stratified fivefold cross-validation, with AUCs ranging from 0.73 to 0.81 and from 0.71 to 0.79 for early and late death, respectively. In addition to comorbid disease, social habits (alcoholism odds ratio [OR] for early death = 1.54, 95% confidence interval [CI] = 1.12-2.11 and OR for late death = 2.62, 95% CI = 1.66-4.16) and treatment patterns (OR for early death when no antiseizure medication [ASM] was prescribed at baseline = 1.33, 95% CI = 1.07-1.64 and OR for late death after receipt of enzyme-inducing ASM at baseline = 1.32, 95% CI = 1.04-1.66) were significantly associated with increased risk of premature death. Baseline ASM polytherapy (OR = 0.55, 95% CI = 0.36-0.85) was associated with reduced risk of early death. SIGNIFICANCE: Clinically informed models using routine electronic medical records can be used to predict early and late mortality in epilepsy, with moderate to high accuracy and evidence of generalizability. Medical, social, and treatment-related risk factors, such as delayed ASM prescription and baseline prescription of enzyme-inducing ASMs, were important predictors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».