Phát triển thuật toán học máy dựa trên dữ liệu yêu cầu hành chính để xác định các lần khám bệnh nhân đến khám cấp cứu vì phản vệ
Tác giả Ronna L Campbell et al. J Allergy Clin Immunol Glob. 2022.
Các nghiên cứu dịch tễ học về phản vệ thường dựa vào mã Phân loại bệnh tật quốc tế (ICD) để xác định các trường hợp phản vệ, điều này có thể dẫn đến phân loại dịch tễ học không tối ưu.
🍀Mục tiêu
Các tác giả tìm cách phát triển và đánh giá độ chính xác của thuật toán học máy [machine learning] sử dụng mã ICD và dữ liệu hành chính khác so với thuật toán chỉ có mã ICD để xác định các lần khám phản vệ tại khoa cấp cứu (ED).
🍀Phương pháp
Nhóm NC đã tiến hành đánh giá hồi cứu các lượt khám cấp cứu từ tháng 1/2013 đến tháng 9/2017. Các lượt khám cấp cứu vì phản vệ tiềm ẩn được xác định bằng 3 phương pháp: 📌mã chẩn đoán ICD phản vệ (phương pháp 1),
📌mã dựa trên triệu chứng ICD có hoặc không có mã chỉ ra tác nhân gây dị ứng (phương pháp 2),
📌mã ICD chỉ ra phản ứng dị ứng tiềm ẩn (phương pháp 3).
Một thuật toán học máy đã được phát triển từ dữ liệu hành chính và các đặc điểm thử nghiệm đã được so sánh với các thuật toán chỉ có mã ICD.
🌼Kết quả
Tổng cộng 699 / 2191 (31,9%) lượt khám tại khoa cấp cứu có dấu hiệu tiềm ẩn được phân loại là phản vệ.
📌Độ nhạy và độ đặc hiệu của phương pháp 1 lần lượt là 49,1% và 87,5%.
📌Phương pháp 1 được sử dụng kết hợp với phương pháp 2 mang lại độ nhạy là 53,9% và độ đặc hiệu là 68,7%.
📌Phương pháp 1 được sử dụng kết hợp với phương pháp 3 mang lại độ nhạy là 98,4% và độ đặc hiệu là 15,1%. Độ nhạy và độ đặc hiệu của thuật toán học máy lần lượt là 87,3% và 79,1%.
💐Kết luận: Chỉ riêng mã hóa ICD đã chứng minh độ nhạy kém trong việc xác định các trường hợp phản vệ, trong đó phản vệ liên quan đến nọc độc bỏ sót 96% các trường hợp.
Thuật toán học máy mang lại sự cân bằng tốt hơn giữa độ nhạy và độ đặc hiệu, đồng thời cải thiện các chiến lược trước đây để xác định các ca tái khám do sốc phản vệ ở khoa Cấp cứu.
Trích Campbell, R. L., Alpern, M. L., Li, J. T., Hagan, J. B., Motosue, M., Mullan, A. F., Harper, L. S., Lohse, C. M., & Jeffery, M. M. (2022). Development of a machine learning algorithm based on administrative claims data for identification of ED anaphylaxis patient visits. The journal of allergy and clinical immunology. Global, 2(1), 61–68. https://doi.org/10.1016/j.jacig.2022.09.002
Long Tran dịch.