确定研究队列
识别2010-2015年间在艾伯塔省新诊断的炎症性关节炎个体。
使用已验证的病例定义(至少一次住院或两年内三次以上医生索赔)从艾伯塔省行政健康数据中识别RA、PsA和axSpA患者。
Evaluating Care Complexity in Inflammatory Arthritis: A Population-Based Approach Using Classification and Regression Tree Analysis to Examine Health Care Utilization
该研究为基于人群的回顾性队列研究,使用行政健康数据,进行了描述性分析和CART模型预测,但未涉及功能或机制验证。
RA患者队列 PsA患者队列 axSpA患者队列
诊断定义:RA、PsA和axSpA的验证病例定义 高医生就诊定义:五年内就诊次数处于前25百分位 高急诊就诊定义:五年内急诊就诊次数≥20次 预测因子基线测量:年龄、性别、居住地、社会经济地位、合并症、多重用药、焦虑、阿片类药物和糖皮质激素使用
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
识别2010-2015年间在艾伯塔省新诊断的炎症性关节炎个体。
使用已验证的病例定义(至少一次住院或两年内三次以上医生索赔)从艾伯塔省行政健康数据中识别RA、PsA和axSpA患者。
评估每个队列在基线时的社会人口学和疾病特征。
使用行政数据测量年龄、性别、居住地、社会经济地位、合并症(RDCI)、多重用药、焦虑、阿片类药物和糖皮质激素使用等特征。
定义并计算高医疗保健利用的二元结果。
在诊断后五年内衡量医生就诊和急诊就诊次数,并按定义分类为高/低利用。
识别可预测高医疗保健利用的护理复杂性特征的组合。
使用分类和回归树(CART)算法,以护理复杂性特征为预测变量,构建两个模型分别预测高医生就诊和高ED就诊。
评估CART模型的预测性能。
计算敏感性、特异性、平衡准确率和阳性预测值,并比较训练集和测试集性能。
验证主要结果对不同医疗保健利用定义的稳健性。
重新定义高医生就诊(前10%和5%)和高ED就诊(≥90和≥35次),并重复CART分析。
按研究目的归类文中使用的方法,便于定位所需技术。
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 队列识别 | RA、PsA和axSpA的诊断定义(ICD-9/10编码和索赔规则) 阅读提示:见方法部分“病例定义” |
| 预测因素测量 | 年龄、性别、居住地、社会经济地位、多重用药、合并症(RDCI)、焦虑、阿片类药物和糖皮质激素使用的基线定义 阅读提示:见方法部分“护理复杂性特征” |
| 结果定义 | 高医生就诊:前25百分位;高ED就诊:≥20次 阅读提示:见方法部分“结果” |
| CART模型构建 | 复杂度参数0.005,损失矩阵(假阴性4.5,假阳性1) 阅读提示:见方法部分“统计分析” |