Early life factors documented in electronic health records predict recurrent acute otitis media.

چکیده اصلی

Recurrent acute otitis media (rAOM; defined as ≥3 AOM episodes in 6 months or ≥4 episodes in 12 months) affects 10-15% of children in the United States and is a leading cause of healthcare utilization and antibiotic prescriptions. Prospective identification of children at risk of rAOM could help target interventions and identify new risk factors to guide preventive approaches. We therefore sought to develop predictive models to identify children at risk of rAOM using electronic health records (EHR) data. We extracted retrospective EHR data for children who were born at Duke University Health System (DUHS) hospitals between January 1, 2014, and June 30, 2022, and who had at least one AOM episode during the study period. We used LASSO to build predictive models for development of rAOM at each episode and identified factors associated with rAOM. We identified 6,566 children who met the study criteria, including 1,634 (24.8%) who met criteria for rAOM. A model using only data available at the first AOM episode had an area under the curve (AUC) of 0.75 (0.73, 0.77) and an Area Under the Precision Recall Curve (AUPRC) of 0.41 (95% CI 0.37, 0.46), indicating moderate discriminative ability. At the time of the first AOM episode, features associated with subsequent rAOM development included age, number of prior antibiotic prescriptions, and diagnosis of gastroesophageal reflux disease (GERD). Further, children who developed rAOM were more likely to experience treatment failure than children who did not meet rAOM criteria across all episodes. Our findings indicate that clinical exposures and patient characteristics documented in the EHR distinguish children who are at risk of developing rAOM. Such models could be deployed within EHR systems to identify children who would benefit from early evaluation by an otolaryngologist and audiologist.

ترجمه فارسی چکیده

آتاکوزیت میوسیت حاد مکرر (rAOM؛ به عنوان ≥3 مورد در 6 ماه یا ≥4 مورد در 12 ماه تعریف می‌شود) ۱۰ تا ۱۵ درصد از کودکان در ایالات متحده را درگیر می‌کند و علت اصلی استفاده از خدمات درمانی و تجویز آنتی‌بیوتیک است. شناسایی پیش‌رونده کودکان در معرض خطر rAOM می‌تواند به هدف قرار دادن مداخلات و شناسایی عوامل خطر جدید برای راهنمایی رویکردهای پیشگیرانه کمک کند. ما مدل‌های پیش‌بینی‌کننده برای شناسایی کودکان در معرض خطر rAOM با استفاده از داده‌های سوابق سلامت الکترونیک (EHR) را توسعه دادیم. ما داده‌های بازنگری شده EHR را برای کودکانی استخراج کردیم که در بیمارستان‌های سیستم سلامت دانشگاه دوک (DUHS) بین ۱ ژانویه ۲۰۱۴ و ۳۰ ژوئن ۲۰۲۲ متولد شده بودند و حداقل یک مورد آتاکوزیت میوسیت حاد در دوره مطالعه داشتند. ما از LASSO برای ساخت مدل‌های پیش‌بینی توسعه rAOM در هر مورد استفاده کردیم و عوامل مرتبط با rAOM را شناسایی کردیم. ما ۶،۵۶۶ کودک را که معیارهای مطالعه را برآورده می‌کردند، شامل ۱،۶۳۴ (۲۴.۸٪) که معیارهای rAOM را برآورده می‌کردند، شناسایی کردیم. یک مدل که فقط از داده‌های موجود در اولین مورد آتاکوزیت حاد استفاده می‌کرد، مساحت زیر منحنی (AUC) ۰.۷۵ (۰.۷۳، ۰.۷۷) و مساحت زیر منحنی دقت و بازیافت (AUPRC) ۰.۴۱ (۹۵٪ CI ۰.۳۷، ۰.۴۶) را نشان داد که نشان‌دهنده توان تشخیصی متوسط است. در زمان اولین مورد آتاکوزیت حاد، ویژگی‌های مرتبط با توسعه rAOM در آینده شامل سن، تعداد نسخه‌های قبلی آنتی‌بیوتیک و تشخیص بیماری ریفلاکس گوارشی (GERD) بود. علاوه بر این، کودکانی که rAOM را تجربه کردند، در تمام موارد، بیشتر از کودکانی که معیارهای rAOM را برآورده نمی‌کردند، در معرض شکست درمان قرار داشتند. یافته‌های ما نشان می‌دهد که قرارگیری‌های بالینی و ویژگی‌های بیمار ثبت شده در EHR، کودکانی را که در معرض خطر توسعه rAOM هستند، متمایز می‌کنند. چنین مدل‌هایی می‌توانند در سیستم‌های EHR پیاده‌سازی شوند تا کودکانی را که از ارزیابی اولیه توسط متخصص گوش، حلق و بینی و متخصص شنوایی سود می‌برند، شناسایی کنند.

متن کامل اصلی