Chart review and genetic validation of electronic medical record dementia diagnoses in VA: The impact of CMS data

Resumen Técnico: Revisión de Historias Clínicas y Validación Genética de los Diagnósticos de Demencia en los Registros Médicos Electrónicos de la VA: El Impacto de los Datos de CMS

Planteamiento del Problema
Los estudios epidemiológicos y las investigaciones genéticas sobre la enfermedad de Alzheimer (EA) y otras demencias relacionadas con el Alzheimer (ADRD) dependen frecuentemente de los códigos de la Clasificación Internacional de Enfermedades (CIE) dentro de los Registros Médicos Electrónicos (RME) para identificar casos. Sin embargo, la identificación de la ADRD dentro del sistema de atención médica de los Asuntos de Veteranos (VA) presenta desafíos específicos, incluyendo el uso generalizado de códigos de demencia no específicos y la tendencia de que los diagnósticos iniciales ocurran en la atención primaria en lugar de en clínicas especializadas. Además, los veteranos suelen recibir atención fuera del sistema de la VA, lo que puede crear brechas de datos y sesgos de selección en los estudios que utilizan únicamente el RME de la VA. Dado que los datos de los Centros para Servicios de Medicare y Medicaid (CMS) ofrecen una solución potencial para capturar estos encuentros externos, la cuestión de cómo la integración de los datos de CMS afecta el rendimiento de los algoritmos de diagnóstico —específicamente en cuanto a sensibilidad, especificidad y validez genética— sigue siendo una interrogante abierta.

Metodología
Los autores realizaron una evaluación multifacética utilizando datos del Programa Millón de Veteranos (MVP) de la VA, un biobanco de gran escala con más de un millón de veteranos inscritos.

• Evaluación de Algoritmos: El estudio comparó nueve algoritmos distintos de EA/ADRD: cuatro algoritmos derivados del MVP (que van desde EA estricta hasta demencia amplia), dos algoritmos del Almacén de Condiciones Crónicas (CCW), dos algoritos de PheCode y un algoritmo basado en medicamentos. Estos se probaron tanto con los datos del RME de la VA solos como con los datos del RME de la VA aumentados por datos de CMS (incluyendo reclamaciones y encuentros de Medicare/Medicaid).
• Validación mediante Revisión de Historias Clínicas: Se realizó una revisión de historias clínicas en una cohorte combinada de 203 participantes (100 revisiones nuevas y 103 de un estudio previo). Los registros médicos fueron depurados de identificadores y revisados por dos revisores independientes utilizando un sistema de clasificación de "estándar de plata" ("Probable", "Posible" o "Probablemente No" para la EA y la demencia de todas las causas). Se alcanzó un consenso mediante discusión. Las métricas de rendimiento (sensibilidad, especificidad, valor predictivo positivo [VPP], valor predictivo negativo [VPN]) se calcularon frente a estas clasificaciones manuales.
• Validación Genética: Para evaluar la validez biológica de las definiciones de casos, los autores examinaron las asociaciones entre los conjuntos de casos derivados de los algoritmos y dos marcadores genéticos en una gran cohorte del MVP (n ≈ 396,000, restringida a ascendencia europea): el alelo APOE ε4 (el factor de riesgo genético más fuerte para la EA de aparición tardía) y una puntuación de riesgo poligénico (PRS) de la EA (excluyendo la región APOE). Se utilizaron modelos de regresión logística para calcular las razones de probabilidad (OR) y los valores Z.

Contribuciones Clave

1. Integración de Datos de CMS: El estudio proporciona una evaluación rigurosa de cómo la adición de datos de CMS a los datos del RME de la VA altera el rendimiento de los algoritmos de demencia.
2. Refinamiento de Algoritmos: Los autores actualizaron sus algoritmos derivados del MVP para reflejar los cambios en el uso de los códigos CIE y los compararon con los estándares establecidos de CCW y PheCode.
3. Benchmarking Genético: Al correlacionar el rendimiento de los algoritmos con las asociaciones de APOE ε4 y PRS, el estudio ofrece un método para evaluar la "pureza" de los conjuntos de casos con respecto a la EA de aparición tardía, distinguiendo entre algoritmos que capturan casos reales de EA frente a aquellos que capturan fenotipos de demencia más amplios y menos específicos.

Resultados

• Rendimiento de Casos y Sensibilidad: La adición de datos de CMS aumentó significamente el número de casos detectados en todos los algoritmos, a menudo duplicando el recuento para los algoritmos de EA estricta (por ejemplo, el MVP-EA aumentó de ~11,345 a ~22,537). En consecuencia, la sensibilidad y el valor predictivo negativo (VPN) mejoraron.
• Especificidad y Valor Predictivo: El aumento en el rendimiento de casos conllevó compensaciones. La especificidad y el valor predictivo positivo (VPP) disminuyeron cuando se añadieron los datos de CMS.
• Asociaciones Genéticas:
  • Algoritmos de EA Estricta: Al utilizar únicamente datos de la VA, los algoritmos de EA estricta (MVP-EA, Phe-EA) arrojaron las razones de probabilidad (OR) más altas para APOE ε4 (OR ≈ 2.40–2.41), lo que indica una alta proporción de casos reales de EA de aparición tardía. Sin embargo, añadir datos de CMS a estos algoritmos estrictos redujo las OR (a ≈ 1.95–1.97), lo que sugiere que los nuevos casos incluían una proporción menor de EA real.
  • Algoritmos de ADRD Amplios: Los algoritmos más amplios (MVP-ADRD, Phe-Demencia) mostraron asociaciones genéticas sólidas pero OR más bajas en general. Curiosamente, el rendimiento de los algoritos amplios utilizando solo datos de la VA fue comparable al de los algoritmos estrictos utilizando tanto la VA como los datos de CMS.
  • Datos de Medicamentos: La inclusión de datos de medicación para la EA generalmente aumentó los tamaños de muestra pero, al igual que los datos de CMS, tendió a disminuir las OR para los algoritmos de EA estricta.
  • Cortes de Edad: Aplicar un corte de edad (65+) aumentó uniformemente la significancia de las asociaciones genéticas y las estimaciones de las OR en todos los algoritmos.

Significancia y Reclamaciones
El artículo concluye que la elección del algoritmo y la fuente de datos depende fuertemente de los objetivos específicos del estudio:

• Para el Descubrimiento Genético: Para maximizar la proporción de casos reales de EA de aparición tardía (indicado por OR más altas), los autores recomiendan utilizar algoritmos de EA estrictos basados únicamente en los datos del RME de la VA sin datos de CMS ni de medicamentos. Si los datos de CMS están disponibles y son necesarios para el tamaño de la muestra, los autores sugieren utilizar algoritos de EA estrictos (MVP-EA, CCW-EA o Phe-EA) suplementados con datos de CMS y de medicamentos, aunque esto resulta en una OR ligeramente inferior que los algoritmos de EA estrictos basados solo en la VA.
• Para Estudios Epidemiológicos: Para estudios que priorizan la sensibilidad y la captura de casos (por ejemplo, el monitoreo de las tasas de la enfermedad), los autores recomiendan utilizar algoritmos de ADRD más amplios (MVP-ADRD o Phe-Demencia) basados en los datos del RME de la VA únicamente. Señalan que añadir datos de CMS a los algoritmos amplios no mejora significativamente el rendimiento y puede diluir el fenotipo.
• Mejores Prácticas Generales: El estudio refuerza la necesidad de requerir múltiples códigos CIE para calificar como un caso, integrar datos de medicamentos donde sea apropiado y aplicar cortes de edad (≥60 o ≥65) para centrarse en la enfermedad de aparición tardía.

Los autores enfatizan que las prácticas de codificación ICD varían según la institución y la fuente de datos (VA vs. CMS). Por lo tanto, la inclusión de datos de CMS cambia fundamentalmente la composición del conjunto de casos, haciéndolo más parecido a la "ADRD" en lugar de puramente "EA". En consecuencia, los investigadores deben evaluar cuidadosamente el rendimiento del algoritmo dentro de sus sistemas de RME específicos en lugar de asumir una aplicabilidad uniforme en diferentes bases de datos de atención médica.