Identification of Alzheimer’s disease in Veteran patients using clinical notes from electronic health records
Notice bibliographique
Résumé
Abstract Background There are challenges in studying and monitoring Alzheimer’s disease (AD) in large patient populations. Clinicians often have insufficient availability of resources to make the diagnosis (e.g. brain scanning, referral to specialists) and clinical inertia may be tied to the perception that there are no clinical benefits in making the differential diagnosis of this stigmatized disease. Consequently, diagnosis codes specifically for AD are underutilized and prevalence is generally underestimated. Our goal was to improve identification of probable AD in a large patient population with the development and application of a refined search algorithm of computerized clinical notes contained in electronic health records. Method Our methods were developed using records for all Veteran patients in the national Department of Veterans Affairs Healthcare System (VA) in fiscal years 2010‐2019. Starting with initial searches for “Alzheimer” and related terms in all clinical notes, the algorithm was optimized through an iterative process. Multiple references to “Alz” in notes were evaluated separately and chunks were excluded when the term referred to family history, care facilities, or negative statements, or when it was part of text in assessment instruments or medication indications. The final algorithm was validated through manual reviews of over 2,400 randomly selected patient charts (predictive value positive = 86.3%; kappa = 0.76 among 2‐4 reviewers). Result When the algorithm was applied to records for the nearly 5 million VA patients over 50 years of age in fiscal year (FY) 2019, we identified 141,816 with probable AD, nearly five times the count based on ICD‐10 codes (30,090). Prevalence, standardized to the 2010 census for age and sex, was 2.70%, with higher prevalence in women (3.26%) than in men (2.06%). Median age of probable AD patients was 75 years. Conclusion As disease modifying treatments for AD enter the market, there will be more focus on proper diagnosis of AD, particularly early in the disease process, emphasizing the importance of better identification of the disease in patient populations. This method, based on searches of clinical notes, appears to be promising to identify patients with probable AD and study its progression in large patient populations.
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 | 0,007 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».