Improving the Likelihood of Identifying Alpha-1 Antitrypsin Deficiency Among Patients With COPD: A Novel Predictive Model Using Real-World Data
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.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».