Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models

Technische Samenvatting: Landelijke EHR-gebaseerde Voorspelling van Chronische Sinusitis met Demografisch Gestratificeerde Modellen

Probleemstelling
Chronische sinusitis (CRS) is een heterogeen inflammatoir aandoening die ongeveer 11–12% van de Amerikaanse bevolking treft, met aanzienlijke morbiditeit en financiële lasten. Vroege identificatie is uitdagend omdat symptomen overlappen met veelvoorkomende aandoeningen zoals allergische rhinitis, en een formele diagnose doorgaans objectief bewijs vereist uit neusendoscopie of CT-scans, die niet altijd beschikbaar zijn in de eerstelijnszorg. Eerdere voorspellende studies hebben vertrouwd op cohorten van één instelling, wat de generaliseerbaarheid op bevolkingsniveau beperkt, of gebruikgemaakt van hulpbronnenintensieve modaliteiten zoals genetische sequencing en beeldvorming. Bovendien slagen bestaande machine learning-benaderingen er vaak niet in rekening te houden met de uitgesproken demografische heterogeniteit in CRS-phenotypes, zoals leeftijdsafhankelijke verschuivingen in pathologie en gespecifieke verschillen in ziektepresentatie.

Methodologie
De auteurs ontwikkelden een voorspellend raamwerk met behulp van landelijke longitudinale Elektronische Gezondheidsregistratie (EHR)-data van het NIH "All of Us" Research Program, gestandaardiseerd naar het OMOP Common Data Model. De methodologie bestaat uit drie kerncomponenten:

1. Data Preprocessing en Cohortconstructie:

   • Definitie van het Doel: CRS-gevallen werden geïdentificeerd met een op regels gebaseerde phenotyping-strategie die ten minste twee kwalificerende diagnostische codes vereiste binnen een periode van twee jaar. Controles werden propensity-score gematcht aan gevallen op basis van leeftijd, geslacht, ras, etniciteit en bezoekfrequentie om surveillancebias te mitigeren.
   • Feature Engineering: Ruwe transactielogboeken werden getransformeerd naar een op recentie gebaseerde feature-representatie. Voor elke klinische variabele (aandoeningen, medicatie, procedures) vertegenwoordigt de feature-waarde het aantal dagen tussen de meest recente gebeurtenis en de indexdatum. Gebeurtenissen buiten het venster van twee jaar of die nooit hebben plaatsgevonden, kregen een sentinel-waarde (999.999) toegewezen om boomgebaseerde modellen in staat te stellen ontbrekende data te onderscheiden zonder imputatie.
   • Balancering: Een 1:1-neefste-buur-matchingstrategie werd toegepast om een gebalanceerd cohort van 17.560 deelnemers te creëren (8.780 gevallen en 8.780 controles).

2. Hybride Featureselectie:
   Om extreme sparsiteit en dimensionaliteit (meer dan 110.000 kandidaat-codes) aan te pakken, werd een tweestaps-pijplijn geïmplementeerd:

   • Fase 1 (Statistische Grove Screening): Variabelen werden gerangschikt op basis van het absolute verschil in prevalentie tussen gevallen en controles ($|P_{target} - P_{control}|$). De top 1.100 features (300 aandoeningen, 500 procedures, 300 medicatie) werden behouden.
   • Fase 2 (Modelgebaseerde Fijne Screening): Een geoptimaliseerde globale XGBoost-classificator werd getraind op de 1.100 features. Features werden gerangschikt op basis van belang op informatie-winst, en de top 100 werd geselecteerd. Deze subset was verantwoordelijk voor 80,6% van de totale cumulatieve SHAP-waarde, waarbij de voorspellende kracht werd behouden terwijl de interpreteerbaarheid werd versterkt.

3. Demografisch Gestratificeerde Modellering:
   Inzichtelijk dat CRS-phenotypes variëren per geslacht en leeftijd, werd het cohort onderverdeeld in zes onderling uitsluitende strata: Man/Vrouw gekruist met drie leeftijdsgroepen (18–40, 40–60, 60+). Zes onafhankelijke XGBoost-modellen werden getraind, één voor elk stratum. Elk model onderging onafhankelijke hyperparameter-optimalisatie met behulp van het Bayesiaanse Tree-structured Parzen Estimator (TPE)-algoritme over 100 proeven om de AUC-ROC te maximaliseren.

Belangrijkste Bijdragen

• Landelijke Schaal: Benutting van de diversiteit en rijkdom van het "All of Us"-cohort om de generaliseerbaarheidsbeperkingen van studies van één instelling te overwinnen.
• Hybride Featureselectie: Introductie van een pijplijn die meer dan 110.000 klinische codes comprimeert tot 100 interpreteerbare features, waarbij parsimonie in evenwicht wordt gebracht met voorspellende prestaties.
• Demografische Stratificatie: Voorstellen van een modelleringkader dat expliciet rekening houdt met leeftijdsafhankelijke seksuele dimorfie in ziektephenotypes, waarbij zes op maat gemaakte modellen worden getraind in plaats van één enkel globaal model.
• Klinische Toepasbaarheid: Aangetoond dat routinematig verzamelde EHR-data risicoselectie kan ondersteunen zonder afhankelijkheid van dure beeldvorming of genetische data.

Resultaten
Het voorgestelde demografisch gestratificeerde XGBoost-raamwerk bereikte een totale Area Under the Curve (AUC) van 0,8461. Dit vertegenwoordigde een verbetering van 0,0168 ten opzichte van de beste baseline (een globale XGBoost-model met een AUC van 0,8293). De voorgestelde methode presteerde ook beter dan Random Forest (0,8159), SVM (0,8120) en Deep Learning (0,8072) modellen.

Cruciaal verbeterde de gestratificeerde aanpak de discriminatie in alle zes subgroepen, met AUC-winsten variërend van +0,0076 tot +0,0278. Het model bereikte een sensitiviteit van 0,6889, wat significant hoger is dan standaard machine learning-benaderingen, wat klinisch voordelig is voor screening om ervoor te zorgen dat getroffen patiënten niet worden over het hoofd gezien.

Analyse van featurebelang onthulde distincte biologische signalen over groepen heen:

• Mannen: Modellen prioriteerden structurele en polypoïde kenmerken (bijvoorbeeld een afwijkend neustussenschot bij jongere mannen, neuspoliepen bij oudere mannen).
• Vrouwen: Modellen gaven de voorkeur aan mucosale ontsteking en atopie-markers (bijvoorbeeld allergische rhinitis, astma en infectieuze markers bij oudere vrouwen).

Betekenis
Het artikel beweert dat het expliciet modelleren van demografische heterogeniteit meetbare winst oplevert in de voorspelling van CRS-risico. Door de specifieke risicofactoren te vangen die geassocieerd zijn met verschillende geslachts-leeftijdsubgroepen, biedt het kader een nauwkeuriger hulpmiddel voor risicoselectie die representatief is voor de populatie. De auteurs suggereren dat deze aanpak een vroeger triage en prioritering van verwijzingen in eerstelijnszorgsettings kan faciliteren, vooral wanneer diagnostische beeldvorming niet beschikbaar is, waardoor de besluitvorming verschuift van subjectieve indruk naar bewijsgedreven voorspelling. Het werk onderstreept de bruikbaarheid van routinematige EHR-data bij het identificeren van potentiële CRS-gevallen voordat een specialistische evaluatie plaatsvindt.