Electronic health record (EHR)-detectable statin intolerance phenotypes: Prevalence and validation in real-world general practice
Notice bibliographique
Résumé
ABSTRACT Aims This study focused on patients who were prescribed statins as primary prevention of cardiovascular diseases. This study aimed to identify statin intolerant patients and determine the prevalence of statin intolerance by implementing electronic health record (EHR)-detectable statin intolerance electronic phenotyping algorithms, and to validate these algorithms. Methods This study used the Electronic Practice Based Research Network (ePBRN) dataset. The methodology took place in four stages: (1) literature review to identify electronic phenotypes, (2) implementation of electronic phenotypes on ePBRN, (3) development and implementation of reference standard, (4) validation of electronic phenotypes. Results Six EHR-detectable statin intolerance electronic phenotypes were identified, including the Minnesota Combined Rule-Based algorithm, Japan-Statin induced myopathy (SIMs), USA-SIMs, Singapore-SIMs (algorithms A, B, C, and D), Japan-Statin-associated muscle toxicity (SAMT), and NHS-UK-Statin intolerance pathway. The prevalence of statin intolerance among those prescribed statins in ePBRN was 5.09%. The Singapore SIMs-B algorithm showed the highest accuracy (57.05%), sensitivity (92.95%), negative predictive value (43.43%), and F1 (71.51%) scores, while the Japan SAMT algorithm showed the highest specificity (99.13%), positive predictive value (76.19%), and correlation coefficient (0.05%). Conclusion The prevalence of statin intolerance in ePBRN is at the low end of the 5–15% range reported in Australia and globally. The differences in prevalence calculations may be due to the varying definitions of intolerance. Our findings suggest that EHR-detectable phenotypes should be used as decision-support aid rather than as definitive diagnostic tools and that clinical judgement and patient engagement are necessary for the management of suspected statin intolerance. Key points This study found that: The prevalence of statin intolerance among those prescribed statins in the ePBRN dataset was 5.09%, which is at the low end of the 5–15% range reported in Australia and globally. Different phenotyping algorithms show various prevalence estimations, which may be due to the varying definitions of intolerance. EHR-detectable phenotypes should be used as decision-support aids rather than as definitive diagnostic tools and that clinical judgement and patient engagement is necessary for the management of suspected statin intolerance.
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 | 0,015 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».