Нажмите "Enter", чтобы перейти к контенту

Алгоритмы, основанные на требованиях, для идентификации бенефициаров Medicare при высоком оценочном риске сердечно-сосудистых событий: кросс-секционное исследование

Claims-based algorithms for identifying Medicare beneficiaries at high estimated risk for coronary heart disease events: a cross-sectional study
Источник: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4101858/

Базы данных медицинских претензий могут быть ценными ресурсами для сердечно-сосудистых исследований, такими как сравнительная эффективность и фармаконадзорные исследования сердечно-сосудистых препаратов. Однако данные претензий не включают все факторы, используемые для стратификации риска в клинической помощи. Мы стремились разработать алгоритмы, основанные на утверждениях, для выявления людей с высоким риском развития ишемической болезни сердца (ИБС) и выявления неконтролируемого холестерина липопротеинов низкой плотности (ЛПНП) среди пользователей статинов с высоким риском развития ИБС.

Мы провели кросс-секционный анализ 6 615 участников ≥66 лет с использованием данных об исходном посещении исследования «Исправления для географических и расовых различий в инсультах» (REGARDS) в 2003-2007 гг., Связанных с данными претензий Medicare. Используя данные REGARDS, мы определили высокий риск возникновения ИБС как имеющего историю ИБС, по крайней мере 1 эквивалент риска, или показатель риска ФРК Ремнингема> 20%. Среди пользователей статинов с высоким риском развития ИБС мы определяли неконтролируемый холестерин ЛПНП как холестерин ЛПНП ≥100 мг / дл. Используя переменные, основанные на требованиях Medicare, для диагностики, процедур и использования медицинских услуг, мы разработали алгоритмы высокого риска возникновения ИБС и неконтролируемого холестерина ЛПНП.

Согласно данным REGARDS, 49% участников были подвержены высокому риску возникновения ИБС. Алгоритм, основанный на требованиях, выявил высокий риск развития ИБС с положительным прогнозирующим значением 87% (95% ДИ: 85%, 88%), чувствительность 69% (95% ДИ: 67%, 70%) и специфичность 90% (95% ДИ: 89%, 91%). Среди пользователей статинов с высоким риском развития ИБС 30% имели холестерин ЛПНП ≥100 мг / дл. Алгоритм, основанный на заявке, определил уровень холестерина ЛПНП ≥100 мг / дл с положительным прогнозирующим значением 43% (95% ДИ: 38%, 49%), чувствительность 19% (95% ДИ: 15%, 22%) и специфичность 89% (95% ДИ: 86%, 90%).

Хотя чувствительность была низкой, высокая положительная прогностическая ценность нашего алгоритма для высокого риска развития событий с ИБС подтверждает использование претензий для выявления бенефициаров Medicare с высоким риском развития ИБС.

Национальная программа по лечению холестерина для взрослых Группа лечения III (ATP III) и недавно выпущенный 2013 Американский колледж кардиологии / Американская ассоциация сердечной ассоциации Руководство по лечению холестерина в крови для снижения атеросклеротического сердечно-сосудистого риска у взрослых рекомендуют лечение липидов в соответствии с оценочным риском для будущего коронарного болезни сердца (ИБС), такие как нефатальный инфаркт миокарда или смерть ИБС [1-3]. Начало инициации фармакотерапии зависит от уровня холестерина липопротеинов низкой плотности (LDL) и риска для будущих ИБС или других атеросклеротических событий. Риск оценивается по истории ИБС, эквивалентам риска, таким как инсульт и диабет, факторы риска, такие как гипертония и текущее курение, и прогнозируемый риск, рассчитанный по уравнениям риска, включая факторы риска ИБС [1-3]. Несмотря на эти рекомендации, многие люди, имеющие право на терапию, снижающие уровень липидов, не лечатся или не получают [4,5].

В клинических испытаниях оцениваются новые препараты для снижения уровня холестерина ЛПНП [6,7]. Если эти лекарства получат одобрение регулирующих органов, данные о состоянии здравоохранения могут быть использованы для сравнительной эффективности и исследований фармаконадзора [8]. Выявление людей, употребляющих лекарства, возможно с заявлениями аптек. Поиск группы сравнения с аналогичным профилем риска ИБС является более сложным. Одним из потенциальных барьеров является то, что данные претензий не включают клинические или лабораторные значения, которые часто используются для оценки риска событий ИБС. Некоторые данные показывают, что алгоритмы на основе утверждений могут быть полезны при определении групп высокого риска, например людей с высоким риском развития остеопоротического перелома [9]. Однако, могут ли быть использованы алгоритмы, основанные на утверждениях, для идентификации лиц с высоким риском развития ИБС, неизвестны.

В дополнение к определению групп высокого риска в некоторых исследованиях было бы интересно выявить людей, которые могут потребовать более интенсивного лечения на основе лабораторных тестов; одной из таких групп являются люди с повышенным уровнем холестерина ЛПНП, несмотря на лечение статинами. До сих пор не так много доказательств того, что заявки на здравоохранение могут эффективно использоваться для оценки лабораторных значений [10]. Достижения в этой области могут повысить ценность заявок на медицинское обслуживание для сравнительной эффективности и исследований фармаконадзора.

В этой статье мы описываем разработку алгоритмов, основанных на требованиях, для идентификации лиц с высоким риском развития ИБС в соответствии с рекомендациями ATP III, используя данные заявки Medicare по диагностике, процедурам и использованию медицинских услуг. Мы расширили существующие определения конкретных состояний сердечно-сосудистой системы и процедур на основе утверждений [11-19], введя их в более широкие рамки с целью определения более общей концепции «высокого риска». Мы также описываем алгоритмы, основанные на утверждениях, для определения неконтролируемый холестерин ЛПНП в соответствии с рекомендациями ATP III среди пользователей статинов с высоким риском развития ИБС. При оценке этих алгоритмов мы рассматривали положительную прогностическую ценность как наиболее важную меру производительности модели, поскольку наша цель заключалась в выявлении групп высокого риска и исключении лиц с более низким риском.

Мы провели кросс-секционный анализ исходных данных из материалов «Причины для географических и расовых различий в исследовании инсульта» (REGARDS), связанных с данными Medicare. REGARDS — это популяционная когорта из 30 239 взрослых ≥45 лет, зарегистрированных в 2003-2007 гг. В континентальной части Соединенных Штатов [20]. Связывание данных REGARDS с данными регистрации Medicare основано на номере социального страхования, который является уникальным идентификатором, который должен был точно соответствовать всем цифрам; секс, который должен был соответствовать; и дату рождения, которая должна была соответствовать по году и месяцу, году и день или месяц и день, позволяя разницу в один год. Мы включили 6 615 участников REGARDS, которые предоставили данные исследования без аномалий, таких как отсутствие всех базовых форм сбора данных, были в возрасте 66 лет в их РЕГИСТРАЦИИ на дому, связанные с Medicare, предоставили образец крови натощак, имели полные данные REGARDS для рассчитывая риск событий ИБС в соответствии с руководящими принципами ATP III (описанные ниже) и проживал в Соединенных Штатах, постоянно регистрировался в частях А и В Medicare, но не в плане Medicare Advantage, по крайней мере, один год непосредственно перед их РЕГИСТРАЦИЕЙ на дому (рис. 1). Это исследование проводилось в соответствии с Хельсинкской декларацией. Институциональные наблюдательные советы сотрудничающих учреждений (Университет Алабамы в Бирмингеме, Университет Вермонта, Университет Уэйк Форест и Университет Цинциннати) утвердили протокол REGARDS. Участники дали информированное согласие. Связь REGARDS-Medicare была одобрена институциональной комиссией по обзору в Университете штата Алабама в Бирмингеме.

Блок-схема участника.

Сбор базовых данных REGARDS включал структурированное телефонное интервью и посещение на дому. В телефонном интервью были включены вопросы о демографии и истории болезни. Посещение на дому включало в себя два измерения артериального давления, электрокардиограмму, сбор образцов крови и инвентарь медикаментов для оценки текущего использования лекарств, включая статины (см. Текст, дополнительный файл 1).

Используя данные REGARDS, мы классифицировали риск событий CHD каждого участника в соответствии с обновлением руководства ATP III 2004 года [1,2]. Высокий риск развития ИБС был определен как (1), имеющий историю ИБС, включая инфаркт миокарда (ИМ) или коронарную реваскуляризацию; (2) с историей наименее одного из следующих эквивалентов риска: периферической артериальной болезни, аневризмы брюшной аорты, сонной артерии, инсульта или диабета; или (3) в отсутствие ИБС или эквивалентов риска, имеющих ≥2 факторов риска ИБС с 10-летним показателем риска ИБС в Framingham> 20%. К факторам риска ИБС относятся возраст ≥45 лет (мужчины) или ≥ 55 лет (женщины), семейный анамнез преждевременных ИМ, курение в настоящее время, гипертония и холестерин липопротеинов высокой плотности (ЛПВП) <40 мг / дл. HDL холестерин ≥60 мг / дл уменьшал количество факторов риска на единицу. Framingham 10-летний показатель риска ИБС> 20% определяли с использованием возраста, пола, общего холестерина, холестерина ЛПВП, курение в настоящее время и систолического артериального давления [1]. Очень высокий риск развития ИБС был определен как имеющий ИБС и по крайней мере одно из следующих: острый ИМ в предыдущем году, диабет, курение в настоящее время или метаболический синдром.

Используя приведенные выше определения и данные исследования REGARDS, мы определили наличие двух условий высокого риска среди участников, связанных с REGARDS-Medicare (N = 6 615):

● Условие 1: высокий риск возникновения ИБС

● Условие 2: Очень высокий риск возникновения ИБС

Мы определили третье условие высокого риска среди связанных с REGARDS-Medicare участников, у которых не было истории ИБС или эквивалентов риска (N = 3,720):

● Условие 3: Фреймингем 10-летняя оценка риска ИБС> 20%

Кроме того, используя данные исследования REGARDS, мы определили наличие неконтролируемого холестерина ЛПНП с использованием двух точек среза среди участников, связанных с REGARDS-Medicare, с высоким риском развития событий ИБС, которые использовали статины в соответствии с инвентарным списком медикаментов в регистре REGARDS (N = 1583):

● Условие 4: холестерин ЛПНП ≥100 мг / дл

● Условие 5: холестерин ЛПНП ≥70 мг / дл

Для разработки алгоритмов на основе утверждений мы использовали данные Medicare с января 2000 года до даты посещения REGARDS на дому (с 2003 по 2007 год). Среднее время регистрации Medicare до посещения REGARDS на дому составляло 4,6 года (диапазон от 1,1 до 7,8 года). Мы определили переменные Medicare, используя два подхода. Во-первых, мы предварительно определили 25 переменных, описывающих демографические показатели, диагнозы и показатели использования здравоохранения, которые, как мы полагали, будут связаны с риском ИБС:

● Демографические переменные, включая возраст, пол, расу, право на участие в программе Medicaid, доход на уровне регионов и географический регион.

● Диагностические переменные, в том числе основанные на утверждениях факты употребления табака, история гиперлипидемии, история гипертонии, история диабета, острый инфаркт миокарда, реваскуляризация коронарных артерий, история ишемической болезни сердца, история инсульта, история аневризмы брюшной аорты, история периферических артериальная болезнь и история болезни сонной артерии.

● Переменные использования медицинских услуг, включая уход за кардиологами, уход за эндокринологами, уход за невропатологом, количество посещений для оценки и управления, госпитализацию по любой причине, сердечный стресс, эхокардиограмму и электрокардиограмму.

Несколько предварительно заданных переменных были основаны на опубликованных определениях на основе утверждений (см. Текст, дополнительный файл 1) [11-19]. Эти же 25 предварительно заданных переменных использовались в алгоритмах для всех представляющих интерес условий. Во-вторых, посредством процедуры интеллектуального анализа данных мы определили дополнительные переменные Medicare, включая диагностические и процедурные коды. Процедура интеллектуального анализа данных была адаптирована из ранее описанного алгоритма для высокоразмерных показателей склонности (подробнее см. Текст, дополнительный файл 1) [21]. Процедура состояла из четырех этапов: (1) идентифицировать коды диагностики и процедуры, которые появляются в привязанных к участнику материалах заявки на участие в программе Medicare, (2) рассчитать распространенность каждого кода, (3) рассчитать отношение шансов каждого кода с высоким риском, как определено с помощью REGARDS и (4) ранжировать коды в зависимости от их распространенности и соотношения шансов с высоким риском и выбирать коды с наивысшим рангом, исключая коллинеарные переменные. Для каждого условия переменные интеллектуального анализа различались. Мы не использовали данные заявки на аптеку Medicare Part D, потому что у немногих участников было покрытие части D до посещения REGARDS на дому.

Мы использовали логистическую регрессию и переменные на основе требований Medicare для разработки алгоритмов, идентифицирующих каждый из трех состояний высокого риска и неконтролируемого холестерина ЛПНП, определенных в данных REGARDS. Анализ описан ниже для условия 1, высокий риск возникновения ИБС. Аналогичный подход использовался и для других условий. Мы рассчитали бета-коэффициенты и стандартные ошибки для высокого риска, связанные с каждой предопределенной переменной Medicare из многомерной модели логистической регрессии. Мы включили условия взаимодействия для пола с другими переменными, если они имели значение Р <0,1. Мы рассчитали прогнозируемую вероятность того, что у каждого участника будет высокий риск для бета-коэффициентов, и построены распределения прогнозируемых вероятностей для людей с высоким риском и для людей, не подверженных высокому риску, согласно данным REGARDS. Мы рассчитали чувствительность, специфичность, положительное прогностическое значение (PPV) и отрицательное предсказательное значение (NPV) в диапазоне прогнозируемых пороговых значений вероятности от 0 до 1, и мы вычислили c-статистику. Мы рассчитали 95% доверительных интервалов для характеристик производительности модели путем начальной загрузки. Чтобы сообщить о характеристиках производительности модели в таблицах, мы выбрали предсказанный порог вероятности, который привел к 90% -ной специфике, прежде чем исправлять оптимизм (см. Ниже). Мы построили вторую модель, добавляющую переменные из процедуры интеллектуального анализа данных. Мы скорректировали характеристики производительности модели для оптимизма с использованием повторной выборки бутстрапов, которая рекомендована как лучший метод внутренней проверки, чем подход с разделенной выборкой [22]. Мы перекрестно классифицируем участников по прогнозируемому по модели и наблюдаемому статусу высокого риска, чтобы сравнить характеристики истинных положительных результатов, ложных срабатываний, ложных негативов и истинных негативов.

Мы провели четыре анализа чувствительности. Во-первых, для выявления высокого риска мы назначили прогнозируемую вероятность 1 для каждого участника, у которого были доказательства в их заявлениях об истории ИБС, периферических артериальных заболеваниях, аневризме брюшной аорты, сонной артерии, инсульте или диабете; и назначил прогнозируемую вероятность 0 в противном случае. Во-вторых, для определения высокого риска мы назначили прогнозируемую вероятность 1 как в первом анализе чувствительности; и в противном случае назначили прогнозируемую вероятность, основанную на модели логистической регрессии. В-третьих, для выявления очень высокого риска мы назначили прогнозируемую вероятность 1 для каждого участника, у которого были доказательства в их заявлениях об истории ИБС и острой ИМ в предыдущем году или диабете; и в противном случае назначили прогнозируемую вероятность, основанную на модели логистической регрессии. В-четвертых, для всех пяти условий мы использовали данные претензий всего за один год до посещения REGARDS на дому, чтобы определить предварительно заданные переменные Medicare и данные, а не использовать все доступные претензии.

Мы использовали программное обеспечение SAS версии 9.3 (Cary, NC) для всех статистических анализов.

Среди 6 615 участников опроса, 49% были подвержены высокому риску для событий ИБС на основе данных REGARDS. Участники с высоким риском чаще были мужчинами, имели меньше образования, использовали статины, имели более низкий уровень холестерина и более высокий уровень других сердечно-сосудистых факторов риска, включая гипертонию и метаболический синдром, по сравнению с участниками, не подверженными высокому риску (таблица 1). Прогнозируемые вероятности с использованием заранее заданных переменных, как правило, выше для участников с высоким уровнем риска и ниже для участников, не подвергающихся высокому риску (Рисунок 2, Группа A). В модели, которая включала предварительно заданные переменные, предсказанный порог вероятности 0,55 дал PPV 87% (95% ДИ: 85%, 88%) для выявления высокого риска развития ИБС и чувствительность 69% (95% ДИ : 67%, 70%); результаты были схожими после добавления переменных интеллектуального анализа данных (Таблица 2 и см. Дополнительный файл 1: Рисунок S1, Панель A). Участники с высоким риском, не идентифицированные по алгоритму (ложные негативы), с меньшей вероятностью были мужчинами, использовали статины, имели метаболический синдром, диабет и ИБС, а также имели более высокий уровень холестерина ЛПНП, более высокое кровяное давление и более низкий уровень глюкозы в крови по сравнению с высоким участников риска, правильно идентифицированных алгоритмом (истинные положительные результаты) (таблица 3). Участники с высоким уровнем риска, идентифицированные как высокий риск по алгоритму (ложные срабатывания), с меньшей вероятностью использовали статины, имели метаболический синдром и имели более высокий общий и холестерин ЛПНП, но более низкий уровень триглицеридов, по сравнению с истинными позитивами.

Характеристики участников в данных исследования REGARDS по категории риска ИБС *

Сокращения: липопротеин высокой плотности HDL, липопротеин низкой плотности ЛПНП миокарда миокарда.

* Участники REGARDS, включенные в эту таблицу, являются теми, кто связан с данными Medicare и удовлетворяет всем критериям приемлемости для этого анализа (см. Рис. 1).

† Числа — это процентные значения столбцов или средства (стандартные отклонения). Доходы не хватало для 914 участников, образование для 4, индекс массы тела на 16 и С-реактивный белок на 164.

‡ По определению участники, не имеющие высокого риска развития ИБС, не имели истории ИБС или эквивалентов риска в соответствии с данными исследования REGARDS.

Распределение прогнозируемых вероятностей наличия высокого риска или неконтролируемого состояния холестерина ЛПНП (по данным Medicare) наблюдаемым наличием или отсутствием состояния (данные исследования REGARDS). Группа А показывает Условие 1, высокий риск для событий ИБС, среди всех участников, имеющих право на участие. Группа B показывает условие 2, очень высокий риск для событий ИБС, среди всех участников, имеющих право на участие. На панели C показано состояние 3, оценка риска риска ФРанингема> 20%, среди участников, имеющих право на участие, без истории ИБС или эквивалентов риска. В группе D показано состояние 4, холестерин ЛПНП ≥100 мг / дл, а на панели E показано состояние 5, холестерин ЛПНП ≥70 мг / дл, среди участников, имеющих право на высокий риск развития ИБС, которые использовали статины в соответствии с опросом, проводимым на дому инвентарь медикаментов. На каждой панели сплошная кривая представляет собой распределение прогнозируемых вероятностей наличия условия среди тех, которые, как считается, имеют условие в REGARDS, пунктирная кривая представляет собой распределение прогнозируемых вероятностей наличия условия среди тех, которые не наблюдаются, чтобы иметь условие в REGARDS, а вертикальная пунктирная линия представляет предсказанный порог вероятности, соответствующий 90% -ной специфичности для идентификации состояния. Все результаты взяты из моделей с использованием предварительно заданных переменных Medicare. Результаты моделей с использованием заданных переменных плюс переменные интеллектуального анализа данных были аналогичными (данные не показаны).

Тестируемые характеристики моделей на основе требований Medicare для определения условий высокого риска или неконтролируемых состояний холестерина ЛПНП, определенных в данных исследования REGARDS

Сокращения: отрицательное прогностическое значение NPV, положительная прогностическая ценность PPV.

* Предварительно определенные переменные Medicare: возраст, пол, раса, право на участие в программе Medicaid, доход на уровне области, географический регион, доказательства употребления табака, история гиперлипидемии, история гипертонии, история диабета, острый ИМ, коронарная реваскуляризация, история ИБС , история инсульта, история аневризмы брюшной аорты, история заболевания периферических артерий, история болезни сонной артерии, уход за кардиологами, уход за эндокринологом, уход за неврологом, количество визитов к оценке и управления, госпитализация по любой причине, сердечный стресс, эхокардиограмма, ЭКГ. Для предопределенных определений переменных и описания методов, используемых для получения переменных с помощью процедуры интеллектуального анализа данных, см. Дополнительный файл 1.

† Для каждой модели представлены тестовые характеристики для прогнозируемого порога вероятности, соответствующего нескорректированной специфичности 0,90.

‡ Исправлено для оптимизма с использованием повторной выборки бутстрапа [22].

Характеристики участников из данных REGARDS по наблюдаемым (REGARDS) и прогнозируемым по модели (Medicare) высокому риску возникновения ИБС, из модели с предварительно заданными переменными Medicare

Сокращения: липопротеин высокой плотности HDL, липопротеин низкой плотности ЛПНП, инфаркт миокарда миокарда.

* Числа — это процентные доли столбцов или средства (стандартные отклонения). Доходы не хватало для 914 участников, образование для 4, индекс массы тела на 16 и С-реактивный белок на 164.

† По определению участники, не имеющие высокого риска развития ИБС, не имели истории ИБС или эквивалентов риска в соответствии с данными исследования REGARDS.

‡ Центры услуг Medicare и Medicaid Services (CMS) требуют, чтобы эта цифра была отредактирована, поскольку ячейка содержала менее 11 участников или позволила вывести число из более чем 11 участников в другую ячейку.

Среди 6 615 участников 14% имели очень высокий риск развития ИБС на основе данных REGARDS. Прогнозируемые вероятности были равномерно распределены для участников с очень высоким риском и, как правило, были низкими для участников, не имеющих особого риска (рис. 2, панель B). В модели с использованием предварительно заданных переменных предсказанный порог вероятности 0,28 дал PPV 52% (95% ДИ: 49%, 54%) для выявления очень высокого риска для событий ИБС и чувствительности 63% (95% ДИ : 59%, 66%); результаты были схожими после добавления переменных интеллектуального анализа данных (Таблица 2 и см. Дополнительный файл 1: Рисунок S1, Панель B). Характеристики участника по наблюдаемому и прогнозируемому по модели состоянию очень высокого риска приведены в дополнительном файле 1: Таблица S1.

Среди 3720 участников, у которых не было истории ИБС или эквивалентов риска по данным REGARDS, 9% имели оценки риска ИБС в Framingham за 10 лет> 20%. Прогнозируемые вероятности были равномерно распределены для участников с оценкой риска> 20% и имели тенденцию быть низкими для участников с оценкой риска ≤20% (Рисунок 2, Панель C). В модели с использованием предварительно заданных переменных предсказанный порог вероятности 0,20 дал PPV 31% (95% ДИ: 27%, 36%) для определения показателя риска ФРМ <20% и чувствительности 47% (95% ДИ: 43%, 54%); результаты были схожими после добавления переменных интеллектуального анализа данных (Таблица 2 и см. Дополнительный файл 1: Рисунок S1, Панель C). Характеристики участников по наблюдаемому и прогнозируемому по модели Фреймингема Оценка риска ИБС> 20% статуса приведены в Дополнительном файле 1: Таблица S2.

Среди 1583 участников с высоким риском развития ИБС, которые использовали статины в соответствии с инвентаризацией лекарственных средств REGARDS, у 30% был холестерин ЛПНП ≥100 мг / дл, а у 80% был холестерин ЛПНП ≥70 мг / дл. Прогнозируемые распределения вероятности перекрываются для участников с и без неконтролируемого холестерина ЛПНП (рис. 2). В модели с использованием предварительно заданных переменных предсказанный порог вероятности 0,43 дал ППВ 43% (95% ДИ: 38%, 49%) для идентификации холестерина ЛПНП ≥100 и чувствительности 19% (95% ДИ: 15 %, 22%) (Таблица 2 и см. Дополнительный файл 1: Рисунок S2, Панель A). Для определения холестерина ЛПНП ≥70 ППВ составлял 86% (95% ДИ: 83%, 89%) в модели с использованием предварительно заданных переменных и увеличивался до 91% (95% ДИ: 85%, 91%) при добавлении данных (таблица 2 и дополнительный файл 1: Рисунок S2, панель B). Характеристики участников по наблюдаемому и прогнозируемому по модели неконтролируемому статусу холестерина ЛПНП представлены в дополнительном файле 1: Таблицы S3 и S4.

Бета-коэффициенты и стандартные ошибки для моделей с использованием предварительно заданных переменных Medicare приведены в дополнительном файле 1: Таблица S5.

Когда мы назначили прогнозируемую вероятность 1 для участников, которые соответствовали предварительно определенному определению риска высокого риска для ИБС, и прогнозируемой вероятности 0 в противном случае, PPV составлял 80% (95% ДИ: 79%, 81% ) и чувствительность составила 75% (95% ДИ: 73%, 77%). Модельные характеристики были схожи, когда мы назначили прогнозируемую вероятность 1 для участников, которые встретили предопределенное определение высокого риска для ИБС-событий, и в противном случае назначили прогнозируемые вероятности на основе модели. Когда мы назначили прогнозируемую вероятность 1 для участников, которые соответствовали предварительно определенному определению на основе требований очень высокого риска для событий ИБС, и назначили прогнозируемые вероятности на основе модели, в противном случае PPV составлял 51% (95% ДИ: 48%, 54%), а чувствительность — 63% (95% ДИ: 58%, 66%) (см. Дополнительный файл 1: Таблица S6 и Дополнительный файл 1: Рисунок S3).

Когда мы использовали только один год данных о требованиях Medicare до посещения REGARDS на дому, чувствительность уменьшалась для выявления высокого риска развития ИБС, очень высокого риска для событий с ИБС, и 10-летнего показателя риска ИБС в Framingham> 20% (см. Дополнительный файл 1: Таблица S7). Результаты для неконтролируемого холестерина ЛПНП среди пользователей статинов с высоким риском развития ИБС были сходны с основными результатами, когда мы использовали только один год данных о претензиях Medicare (см. Дополнительный файл 1: Таблица S8).

В этой популяции участников исследования REGARDS алгоритм с использованием 25 предварительно заданных переменных заявки Medicare имел PPV 87% для идентификации людей с высоким риском для событий ИБС. Дополнительные переменные претензий, идентифицированные с помощью интеллектуального анализа данных, существенно не улучшили производительность алгоритма. Высокий PPV нашего алгоритма поддерживает использование претензий для выявления бенефициаров Medicare с высоким риском для событий ИБС. Наш алгоритм может применяться в сравнительной эффективности или исследованиях фармаконадзора результатов использования сердечно-сосудистых препаратов среди бенефициаров Medicare. Например, если на рынок выйдет новый препарат для снижения уровня холестерина ЛПНП [6,7], Medicare может стать средой для оценки эффективности и безопасности этих препаратов. Группы сравнения в таких исследованиях должны иметь сопоставимые пропорции людей с высоким риском развития ИБС, и наш алгоритм может быть использован для определения подходящих когорт сравнения. Однако алгоритм имел чувствительность 69% и пропустил 31% участников с высоким риском развития ИБС. Наряду с этой низкой чувствительностью идентифицированная группа не представляла всех участников с высоким риском развития ИБС. Люди с высоким риском развития ИБС, у которых наш пропущенный алгоритм, с меньшей вероятностью имели ИБС и диабет, а также использовали статины и имели более высокий уровень липидов и артериальное давление по сравнению с людьми с высоким риском развития ИБС, которые алгоритм правильно идентифицировал. Эта закономерность согласуется с данными о требованиях, которые более чувствительны для идентификации людей с диагностированными состояниями, чем для выявления людей с ненормальными лабораторными показателями. Поэтому дальнейшее использование этого алгоритма для выявления людей с высоким риском развития ИБС должно сопровождаться тщательным рассмотрением обобщаемости.

Наши алгоритмы также не помогли выявить людей с очень высоким риском развития ИБС и тех, у кого нет ИБС или эквивалентов риска, но с 10-летним показателем риска ИБС в Framingham> 20%. Очень высокий риск развития ИБС и 10-летняя оценка риска ИБС в Фремингеме> 20% имели низкую распространенность. Поскольку PPV зависит от распространенности этого состояния, неудивительно, что PPV для идентификации этих подгрупп были низкими. В предыдущем исследовании сообщалось, что данные по показаниям, процедурам и использованию здравоохранения не могут быть хорошими прокси для клинических и лабораторных значений [10]. Текущий анализ расширяет этот предварительный вывод и указывает, что данные о претензиях имеют ограниченную полезность для идентификации лиц с 10-летним показателем риска ИБС в Framingham> 20%.

Среди участников с высоким риском развития ИБС, которые использовали статины, алгоритмы идентифицировали с холестерином ЛПНП ≥100 мг / дл с ППВ 43% с использованием предварительно заданных переменных. Как и ожидалось, PPV для определения холестерина ЛПНП ≥70 мг / дл был выше (86%) из-за более высокой распространенности состояния. Однако истинные положительные, ложные срабатывания и ложные негативы отличались по нескольким характеристикам. Усиление PPV с использованием алгоритма, основанного на требованиях, для идентификации лиц с холестерином LDL ≥70 мг / дл не может перевесить потенциальную потерю репрезентативности по сравнению со всеми пользователями статинов с высоким риском развития ИБС.

По сравнению с использованием всех доступных заявок Medicare до начала исследования базового исследования REGARDS для каждого участника, ограничение заявок Medicare на один год до базового уровня REGARDS уменьшило чувствительность для выявления участников при высоком оценочном риске для событий с ИБС. Очевидно, что некоторые бенефициары Medicare с историей сердечно-сосудистых заболеваний или факторов риска не имеют достаточных доказательств этих условий или факторов риска в последних диагностических и процедурных кодах. Поэтому исследования, в которых история участников Medicare ограничена определенным периодом времени, могут иметь тенденцию недооценивать распространенность высокого риска развития ИБС.

Насколько нам известно, нет предварительных отчетов алгоритмов, основанных на утверждениях, для определения высокого риска возникновения ИБС в соответствии с определением ATP III. Опубликованные определения на основе утверждений нескольких сердечно-сосудистых состояний и процедур доступны, и мы включили их в наши алгоритмы в качестве предварительно заданных переменных [11-19]. В этом исследовании мы попытались выйти за рамки конкретных диагнозов болезни, чтобы определить более широко определенную группу с высоким риском развития ИБС в соответствии с рекомендациями ATP III. Как и в руководящих принципах ATP III, недавно опубликованные руководящие принципы лечения холестерина рекомендуют, чтобы решения о лечении были ориентированы на риск будущих событий, определяемый историей болезни и оцененным риском, основанный на измеренных факторах риска [3]. Алгоритмы, основанные на утверждениях, для аппроксимации стратификации риска могут быть полезны в будущих исследованиях результатов лечения с новыми лекарствами, снижающими уровень холестерина ЛПНП, в которых должны быть идентифицированы сравнительные группы.

Schneeweiss и коллеги обнаружили, что способность данных претензий для прогнозирования значений холестерина ЛПНП была низкой. Они пришли к выводу, что в условиях, когда холестерин ЛПНП является потенциальным путаницей, оценка недостающих значений холестерина ЛПНП с использованием формул может существенно не улучшать смешение контроля [10]. Аналогично, мы обнаружили, что наши алгоритмы не выявили репрезентативных групп пользователей статинов с высоким риском развития ИБС, у которых был неконтролируемый холестерин ЛПНП. В новых рекомендациях меньше внимания уделяется целям лечения ЛПНП, но сохраняются рекомендации по мониторингу реакции ЛПНП [3]. Это говорит о том, что определение групп сравнения для исследований фармаконадзора, которые сопоставимы по своему статусу холестерина ЛПНП и другим характеристикам, может быть затруднено с использованием только данных о претензиях. Также важно в исследованиях фармаконадзора выявлять группы сравнения, которые были бы одинаковы по своему риску для неблагоприятных событий, не связанных с ИБС. В этой области требуется дальнейшая работа.

Это исследование имеет ограничения. Во-первых, наши классификации групп высокого риска основывались частично на самооценке истории болезни в Регионе. Участники чрезмерно сообщают или не сообщают о медицинских состояниях, возможно, привели к ошибочной классификации истинного статуса высокого риска, ослабляя способность алгоритмов правильно идентифицировать целевые группы. Во-вторых, мы не включили аптеки Medicare Part D в наши алгоритмы. Часть D была внедрена в 2006 году с высоким уровнем проникновения в население Medicare к 2007 году. Однако большинство опросов, проводимых на дому, проводились до 2007 года, и лишь немногие участники REGARDS имели охват части D до их посещения REGARDS на дому. В том числе заявки на аптеку Part D могут улучшить способность идентифицировать группы с высоким сердечно-сосудистым риском или с неконтролируемым холестерином ЛПНП. В-третьих, образец участников REGARDS, связанный с Medicare, может не быть репрезентативным для общего населения Medicare, зарегистрированного в частях A и B, где мы надеемся применить эти алгоритмы. Кроме того, в нашем исследовании не были включены участники программы Medicare Advantage, поэтому наши алгоритмы не могут быть обобщены для этого подмножества бенефициаров Medicare. В-четвертых, использование данных претензий для определения связанных со здоровьем переменных ограничено потенциальными неточностями в формуле изобретения. Например, административное кодирование диагнозов и процедур может быть затронуто стимулами возмещения, случайными или систематическими ошибками кодирования или несоответствиями в диагностическом разрешении доступных кодов по сравнению с диагностическим разрешением в клинической практике; эти потенциальные смещения могут также колебаться с течением времени. Это может быть особой проблемой для документирования поведенческих факторов риска, таких как курение. Чтобы максимизировать точность наших алгоритмов, мы использовали ранее проверенные определения диагнозов и процедур, основанные на утверждениях, когда они были доступны. В-пятых, мы использовали переменную дохода на уровне области из данных переписи как предопределенную переменную в наших алгоритмах. Включение данных о доходах на индивидуальном уровне для бенефициаров Medicare может усилить алгоритмы.

Таким образом, мы продемонстрировали, что алгоритмы, основанные на требованиях, могут использоваться для идентификации получателей Medicare с высоким риском для событий ИБС. Несмотря на отсутствие клинических или лабораторных данных, заявки Medicare имеют потенциал в качестве источника данных для исследований фармаконадзора, когда необходимо идентифицировать группы с высоким риском развития ИБС. Улучшение алгоритмов идентификации подмножеств высокого риска или групп с неконтролируемым холестерином ЛПНП потребует дальнейшей работы. Репрезентативность и обобщаемость необходимо будет учитывать при интерпретации результатов будущих исследований, проведенных в когортах, определенных этими алгоритмами.

СПС III: Национальная программа обучения холестерину для взрослых пациентов III; ИБС: ишемическая болезнь сердца; ЛПВП: липопротеин высокой плотности; ЛПНП: липопротеин низкой плотности; МИ: инфаркт миокарда; NPV: отрицательная прогностическая ценность; PPV: положительная прогностическая ценность; РЕГЛАМЕНТ: Причины для географических и расовых различий в инсульте.

Эта работа была поддержана Amgen, Inc. Авторы провели все анализы и сохранили права публикации этой рукописи. Все авторы получили исследовательскую поддержку от Amgen, Inc. Кроме того, JRC и PM служили консультантами Amgen, Inc.

ELT участвовал в разработке и разработке исследования и интерпретации данных и составил рукопись. Премьер участвовал в разработке и разработке исследования, интерпретации данных и пересмотре рукописи для важного интеллектуального контента. ГЗ провела статистический анализ и приняла участие в пересмотре рукописи на важный интеллектуальный контент. MMS участвовал в сборе данных, интерпретации данных и пересмотре рукописи для важного интеллектуального контента. JRC участвовала в сборе данных, интерпретации данных и пересмотре рукописи для важного интеллектуального контента. ED участвовал в интерпретации данных и пересмотре рукописи для важного интеллектуального содержания. VB участвовал в интерпретации данных и пересмотре рукописи для важного интеллектуального контента. ТМБ участвовала в сборе данных, интерпретации данных и пересмотре рукописи для важного интеллектуального контента. EBL участвовал в концепции и дизайне исследования и интерпретации данных и помогал составлять рукопись. Все авторы прочитали и утвердили окончательную версию.

Доступ к этой публикации можно получить здесь:

хттп://ввв.биомедцентраль.ком/1472-6963/14/195/препуб

Дополнительный контент.

Нажмите здесь для файла

Это исследование, включая разработку и проведение исследования, было поддержано Amgen, Inc. Авторы провели все анализы и сохранили права на публикацию этой рукописи. Проект REGARDS поддерживается соглашением о сотрудничестве U01 NS041588 от Национального института неврологических расстройств и инсульта, Национальными институтами здравоохранения, Департаментом здравоохранения и социального обеспечения. Авторы благодарны другим исследователям, сотрудникам и участникам исследования REGARDS за их ценный вклад. Полный список участвующих исследователей и учреждений REGARDS можно найти по адресу http://www.regardsstudy.org. Д-р Thacker получил премию программы по выплате кредитов для клинических исследований Национального института сердца, легких и крови Национального института здоровья. Доктор Кертис получает поддержку Агентства по исследованиям и качеству здравоохранения (R01 HS018517).

Комментариев нет.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *