Using a Multi-Institutional Pediatric Learning Health System to Identify Systemic Lupus Erythematosus and Lupus Nephritis
Notice bibliographique
Résumé
Background and objectives Performing adequately powered clinical trials in pediatric diseases, such as SLE, is challenging. Improved recruitment strategies are needed for identifying patients. Design, setting, participants, & measurements Electronic health record algorithms were developed and tested to identify children with SLE both with and without lupus nephritis. We used single-center electronic health record data to develop computable phenotypes composed of diagnosis, medication, procedure, and utilization codes. These were evaluated iteratively against a manually assembled database of patients with SLE. The highest-performing phenotypes were then evaluated across institutions in PEDSnet, a national health care systems network of >6.7 million children. Reviewers blinded to case status used standardized forms to review random samples of cases ( n =350) and noncases ( n =350). Results Final algorithms consisted of both utilization and diagnostic criteria. For both, utilization criteria included two or more in-person visits with nephrology or rheumatology and ≥60 days follow-up. SLE diagnostic criteria included absence of neonatal lupus, one or more hydroxychloroquine exposures, and either three or more qualifying diagnosis codes separated by ≥30 days or one or more diagnosis codes and one or more kidney biopsy procedure codes. Sensitivity was 100% (95% confidence interval [95% CI], 99 to 100), specificity was 92% (95% CI, 88 to 94), positive predictive value was 91% (95% CI, 87 to 94), and negative predictive value was 100% (95% CI, 99 to 100). Lupus nephritis diagnostic criteria included either three or more qualifying lupus nephritis diagnosis codes (or SLE codes on the same day as glomerular/kidney codes) separated by ≥30 days or one or more SLE diagnosis codes and one or more kidney biopsy procedure codes. Sensitivity was 90% (95% CI, 85 to 94), specificity was 93% (95% CI, 89 to 97), positive predictive value was 94% (95% CI, 89 to 97), and negative predictive value was 90% (95% CI, 84 to 94). Algorithms identified 1508 children with SLE at PEDSnet institutions (537 with lupus nephritis), 809 of whom were seen in the past 12 months. Conclusions Electronic health record–based algorithms for SLE and lupus nephritis demonstrated excellent classification accuracy across PEDSnet institutions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».