Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation
Dit artikel introduceert en valideert het Clustered Logistic Factor with Random Effects (CLF-RE)-raamwerk als een computationeel schaalbare methode voor meervoudige imputatie die effectief incomplete, hoogdimensionale longitudinale binaire gegevens in elektronische patiëntendossiers herstelt, waarbij de bias in epidemiologische schattingen aanzienlijk wordt verminderd in vergelijking met bestaande benaderingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert een enorme legpuzzel op te lossen, maar elke keer als je naar de doos kijkt, heeft iemand stiekem een paar stukjes verwijderd. In de wereld van de medische wetenschap zijn deze puzzels vaak gemaakt van gegevens die gedurende vele jaren bij patiënten zijn verzameld, ook wel "longitudinale" studies genoemd. Soms zijn de stukjes niet alleen weg; ze ontbreken volgens een specifiek patroon. Als een patiënt bijvoorbeeld een pijnlijke tand heeft, schrijft een tandarts dit zorgvuldig op, maar als de tand er perfect gezond uitziet, laten ze het misschien achterwege om tijd te besparen. Dit creëert een "hiërarchisch" probleem: de gegevens zijn niet zomaar een platte lijst; ze zijn georganiseerd in lagen. Denk aan een patiënt als een grote doos, waarin hun tanden zitten, en binnen elke tand zitten weer kleine plekjes waar de tandarts naar tandvleesziekte controleert. Als de tandarts sommige plekjes overslaat, wordt het hele beeld van de gezondheid van de patiënt wazig. Wetenschappers maken zich zorgen dat als ze proberen te bestuderen wat ziekte veroorzaakt met deze wazige beelden, ze het verkeerde antwoord krijgen, waarbij ze denken dat een risicofactor (zoals roken) minder gevaarlijk is dan hij in werkelijkheid is.
Dit artikel pakt een zeer specifieke, belangrijke versie van deze puzzel aan: tandheelkundige dossiers. Tandartsen controleren tot wel 192 kleine plekjes in de mond van een persoon tijdens één enkel bezoek. In de praktijk controleren ze zelden alle 192 plekjes bij elk bezoek. De onderzoekers vroegen zich af: kunnen we met wiskunde de ontbrekende plekjes nauwkeurig genoeg "raden" om het wazige beeld te herstellen? Ze testten een nieuwe methode genaamd "Clustered Logistic Factor" (CLF) imputatie. Zie deze methode als een super slimme detective die weet dat als één plekje op een tand ziek is, de plekjes direct ernaast waarschijnlijk ook ziek zijn, en dat als een patiënt bij het vorige bezoek slecht tandvlees had, dat waarschijnlijk ook nu zo is. Het team vergeleek deze detective met andere methoden, zoals een simpele gokker die naar de hele patiënt kijkt zonder de kleine plekjes op te merken, of een complexe machine die probeert elke enkele verbinding te onthouden, maar zo overweldigd raakt door de wiskunde dat hij vastloopt wanneer er te veel patiënten zijn.
De belangrijkste bevinding is dat het "wazige beeld" veroorzaakt door ontbrekende gegevens een serieus probleem is. Wanneer de onderzoekers ontbrekende gegevens simuleerden, ontdekten ze dat de link tussen risicofactoren (zoals roken, diabetes en leeftijd) en de progressie van tandvleesziekte met wel vier keer werd verzwakt. Het was alsof de ziekte haar ware kracht verborg. Echter, wanneer ze hun nieuwe CLF-detectiemethode gebruikten om de ontbrekende plekjes in te vullen, werd het beeld weer scherp. De methode slaagde erin de ware sterkte van deze links te herstellen, waardoor de fout met een factor 3 tot 15 werd verminderd in vergelijking met het kijken naar de onvolledige gegevens.
Het artikel voert ook expliciet argumenten aan tegen een aantal veelvoorkomende benaderingen. Het laat zien dat een simpele methode genaamd "K-nearest neighbors" (die raadt op basis van hoe patiënten als geheel op elkaar lijken) slecht presteert, als een detective die de specifieke lay-out van de puzzel negeert. Het demonstreert ook dat een complexere, standaardmethode genaamd "MICE-2l.bin", die probeert elke laag van de hiërarchie te verklaren, te zwaar is voor computers om te verwerken wanneer er veel patiënten zijn; de computer loopt letterlijk uit het geheugen en crasht bij meer dan 100 mensen. De auteurs suggereren dat hoewel een simpelere methode (MICE-logreg) net zo goed werkt als hun nieuwe methode voor het voorspellen van individuele plekjes, hun nieuwe CLF-methode de enige is die zowel slim genoeg is om de "geclusterde" aard van tanden te begrijpen als licht genoeg is om op een standaardcomputer te draaien voor grote groepen mensen.
Toen ze dit testten op echte gegevens van 721 patiënten in Singapore, waren de resultaten oogopeninggevend. De onvolledige dossiers hadden de werkelijke omvang van milde tot matige tandvleesziekte verborgen. Door de gaten op te vullen, vonden de onderzoekers dat de werkelijke prevalentie van deze ziekte 7 tot 11 procentpunten hoger lag dan wat de onvolledige dossiers lieten zien. Het blijkt dat de "ontbrekende" gegevens niet willekeurig waren; het systeem telde beginproblemen systematisch te weinig. Het artikel concludeert dat hoewel hun methode geen toverstaf is die alles oplost (het heeft nog steeds moeite als de ontbrekende gegevens perfect verbonden zijn met de ziekte op een manier die de regels van de waarschijnlijkheid breekt), het een praktisch, schaalbaar hulpmiddel is dat epidemiologen kan helpen de werkelijke omvang van ziekte in elektronische patiëntendossiers te zien, om te voorkomen dat zij de ernst van de situatie onderschatten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.