The Claims Floor: Limits of Administrative Claims Data for Dynamic Prediction of Pregnancy Loss and Stillbirth
本研究表明，尽管行政报销数据库规模庞大，但由于缺乏产前预测信号和编码偏差，无法在具有临床指导意义的妊娠时间点实现对妊娠丢失和死产的动态、高于随机水平的预测，从而确立了一个与生物物理模型更高潜力形成对比的“报销底线”。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
怀孕是一段以周为单位的旅程，其中发育中胎儿的健康状况可能会发生迅速的变化。几十年来，医生一直依赖静态的清单来推测哪些怀孕可能会以悲剧告终，例如流产或死胎。这些清单观察的是母亲在某一特定时刻的历史记录，但它们无法捕捉到随着怀孕进展而变化的现实情况。近年来，出现了一种新的希望：即利用追踪了数百万次医疗就诊和保险理赔的大型计算机数据库，来构建一个鲜活且具有预测能力的工具。其承诺在于，通过每周观察母亲医疗记录的更新，计算机可以在医生察觉之前发现问题的早期预警信号，从而为家庭提供一个至关重要的干预窗口。
内华达大学拉斯维加斯分校的研究人员决定使用来自弗吉尼亚州的海量真实世界医疗记录来测试这一承诺。他们收集了超过34.4万例怀孕的数据，从怀孕初期的迹象一直追踪到分娩或流产。他们的目标是观察这些包含诊断和手术代码的行政记录，是否能在医生仍能采取行动（如开始用药或增加监测）的特定时刻，预测怀孕丢失或死胎。他们建立了一个每周更新风险评估的系统，试图区分健康分娩、二十周前的早期流产以及二十周后的死胎。他们非常小心地剔除了任何可能在事件发生时同时被记录的信息，以确保计算机是在真正预测未来，而不是仅仅在读取现在。
这项大规模实验的结果令人惊讶且具有决定性。当研究人员最初在没有严格防护措施的情况下查看数据时，计算机模型表现得极其准确，似乎能够高成功率地预测怀孕丢失。然而，这是一种由数据组织方式中细微缺陷造成的幻象。记录流产的医疗代码通常是在流产发生的同一周内录入系统的。计算机并不是在预测未来，它只是在注意到流产正在发生，并将其作为预测报告出来。一旦研究人员在预测与事件之间强制执行了两周的等待期以防止这种“泄漏”，模型的准确性便崩塌了。预测早期流产的能力从高分降至几乎仅比随机猜测稍好一点的水平。
研究随后转向了更具悲剧性的结果——死胎，即怀孕二十周后的死亡。即使在修复了数据缺陷后，计算机模型也未能从医疗记录中找到任何能比随机概率更好地预报死胎的信号。无论允许模型检查多少种不同类型的医疗代码，模型的表现都不比掷硬币好。事实上，那个通常预示着高风险怀孕的代码，反而让预测变得更糟了。这个代码用于医生已经识别出风险并开始额外监测的情况，它似乎表明该怀孕处于受控状态且很可能继续，从而有效地向算法隐瞒了危险。研究人员发现，那些对于预测这些悲剧具有最重分量的特定医疗细节，往往是在事件已经开始或结束之后才被记录下来的。
这项工作为利用保险理赔数据所能学到的东西设定了一个明确的边界，或称之为“底线”。虽然其他使用超声图像和婴儿物理测量数据的研究已经表明，死胎可以被相当准确地预测，但本研究证明，仅凭行政记录无法达到同样深度的洞察力。预见这些事件所需的信号，在医疗就诊的日常文书中，直到无法挽回时才会出现。研究人员还发现了任何试图在未来使用类似数据的人应当注意的两个重要教训。首先，他们展示了模型如何轻易地被那些从现在“泄漏”到未来的数据所欺骗，而这个问题可以通过在预测时间与事件之间创造一个间隔来解决。其次，他们证明了由于统计稀有事件时的数学特性，模型可能会表现得“比无用还要糟糕”，而这并非因为模型本身真的出了问题。
最终，研究结论认为，虽然大型数据库非常擅长统计事后有多少人患有某种疾病，但它们目前尚不足以在怀孕丢失或死胎发生前对其进行预判。进行此类预测所需的信息存在于子宫的物理世界中，由超声波和多普勒扫描捕捉，但尚未存在于保险理赔的数字世界中。目前，利用常规医疗记录为医生争取预防这些悲剧的先机这一希望仍难以实现，这并非因为数据量太小，而是因为必要的线索在事件已经展开之前，尚未被记录下来。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。