Improving the Likelihood of Identifying Alpha-1 Antitrypsin Deficiency Among Patients With COPD: A Novel Predictive Model Using Real-World Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Despite guideline recommendations, most patients with chronic obstructive pulmonary disease (COPD) do not undergo alpha-1 antitrypsin deficiency (AATD) testing and approximately 90% of people with AATD in the United States remain undiagnosed. This study sought to develop a predictive model using real-world data to improve detection of AATD-positive patients in the general COPD population. Methods: A predictive model using extreme gradient boosting was developed using the EVERSANA database, including longitudinal, patient-level medical claims, prescription claims, AATD-specific testing data, and electronic health records (EHR). The model was trained and then validated to predict AATD-positive status. Patients were coded as AATD positive based on the presence of any of the following criteria: (1) ≥2 AATD diagnosis codes in claims; (2) an AATD diagnosis code in the EHR; (3) a positive laboratory test for AATD; or (4) use of AATD-related medication. Over 500 variables were used to train the predictive model and >20 models were run to optimize the predictive power. Results: A total of 13,585 AATD-positive patients and 7796 AATD-negative patients were included in the model. The inclusion of non-AATD laboratory test results was critical for defining cohorts and optimizing model prediction (e.g., respiratory comorbidities, and calcium, glucose, hemoglobin, and bilirubin levels). The final model yielded high predictive power, with an area under the receiver operating characteristic curve of 0.9. Conclusion: Predictive modeling using real-world data is a sound approach for assessing AATD risk and useful for identifying COPD patients who should be confirmed by genetic testing. External validation is warranted to further assess the generalizability of these results.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle