Anpassung an Verzerrungen in elektronischen Patientenakten (EHR) – Healthcare Economist

Nehmen wir an, Sie möchten den Zusammenhang zwischen Typ-2-Diabetes mellitus (T2DM) und Depression messen. In vielen Fällen würde man Daten aus elektronischen Gesundheitsakten verwenden und eine logistische Regression mit Depression als abhängiger Variable und T2DM (möglicherweise zusammen mit Demografie und anderen Komorbiditäten) als unabhängigen Variablen durchführen. Der Einsatz von EHR ist jedoch potenziell problematisch. Wie in Goldstein et al. (2016) besteht die Gefahr „informierte Präsenz“ da sich die Stichprobe der Patienten in der EHR wahrscheinlich von der in der allgemeinen Öffentlichkeit unterscheidet, da Einzelpersonen nur dann auftauchen, wenn sie einen medizinischen Kontakt haben.

Goldstein und Co-Autoren stellen insbesondere fest, dass häufigere Besuche die Wahrscheinlichkeit erhöhen, dass eine Krankheit diagnostiziert wird:

Quan et al. bewertete Empfindlichkeiten basierend auf der Internationalen Klassifikation der Krankheiten, Neunte Revision, Codes für 32 häufige Erkrankungen. Sie fanden heraus, dass die Sensitivität für die Prävalenz einer Erkrankung zwischen 9,3 % (Gewichtsverlust) und 83,1 % (metastasierter Krebs) lag. Diabetes mit Komplikationen hat beispielsweise eine Sensitivität von 63,6 %. Je mehr medizinische Kontakte jemand hat, desto wahrscheinlicher ist es, dass das Vorliegen von Diabetes festgestellt wird.

Gleichzeitig verringern zwar mehr Begegnungen die Wahrscheinlichkeit eines falsch-negativen Ergebnisses, erhöhen aber auch das Risiko eines falsch-positiven Ergebnisses aufgrund von Ausschlussdiagnosen.

Da Phänotypalgorithmen im Allgemeinen darauf ausgelegt sind, die Prävalenz einer Erkrankung mithilfe von „Nie/Nie“-Algorithmen zu erkennen (entweder Sie haben die Erkrankung oder Sie haben sie nicht), ist die Wahrscheinlichkeit einer falsch-positiven Diagnose umso höher, je mehr Begegnungen jemand im Gesundheitswesen hat.

Es können zwei Arten von Voreingenommenheit auftreten:

• Verzerrung der Anzahl der Arztbesuche. Abbildung 1A aus diesem Artikel zeigt, dass die Anzahl der Begegnungen ein Störfaktor sein kann. Es gibt jedoch keinen Beweis dafür, ob die Möglichkeit einer M-Verzerrung besteht, einer Verzerrung durch die Konditionierung auf einem Collider. Ein Collider ist eine Variable, die das Ergebnis zweier anderer Variablen ist.
• Befangenheit aufgrund allgemeiner Erkrankung. Die Autoren weisen darauf hin, dass eine allgemeine Krankheit die Ursache sowohl für Diabetes als auch für Depressionen sein kann. Vielleicht erlitt jemand beispielsweise eine Verletzung, die dazu führte, dass er weniger Sport trieb und sich weniger gesund ernährte (was T2DM verursachte), und die Verletzung selbst verstärkte auch die Depression. Während mein Beispiel eine konkrete Verletzung darstellt, kann die „allgemeine Krankheit“ im Goldstein-Artikel möglicherweise nicht vollständig erfasst oder bekannt sein. Daher behaupten die Autoren, dass die Anzahl der Begegnungen möglicherweise als Indikator für allgemeine Erkrankungen dienen kann.

Kurz gesagt argumentieren die Autoren, dass die Kontrolle der Anzahl der Besuche nützlich sein kann, um (i) die Tatsache zu kontrollieren, dass die Diagnose mit der Anzahl der Begegnungen korreliert, und (ii) die Anzahl der Begegnungen ein Indikator für allgemeine Erkrankungen sein kann.

Anschließend führen die Autoren eine Simulationsübung mit EHR-Daten des Duke University Health System durch. Die Autoren führen vier Analysen durch, in denen die Beziehung zwischen Ergebnis und Expositionskontrolle untersucht wird für: (i) nur demografische Daten, (ii) medizinische Begegnungen, (iii) Charlson Comorbidity Index (CCI) und (iv) medizinische Begegnungen und CCI.

Die Autoren fassen ihre Erkenntnisse wie folgt zusammen:

Wenn das Vorliegen eines medizinischen Zustands nicht mit hoher Wahrscheinlichkeit (d. h. hoher Sensitivität) erfasst wird, besteht die Möglichkeit einer Inflation des Effektschätzers im Zusammenhang mit einem anderen solchen Zustand. Dieses Potenzial für Verzerrungen wird noch verstärkt, wenn der Gesundheitszustand auch zu mehr Patientenkontakten führt. Die Theorie legt nahe, und unsere Simulationen bestätigen, dass eine Konditionierung auf die Anzahl der Begegnungen im Gesundheitswesen diese Verzerrung beseitigen kann. Der Einfluss der Konditionierung ist bei Diagnosen, die mit geringer Sensitivität erfasst werden, am größten.

Die Autoren weisen darauf hin, dass zwar gewisse Bedenken hinsichtlich eines M-Bias bestehen – da es sich bei der Anzahl der Begegnungen wahrscheinlich um einen Collider-Bias handelt –, dass der M-Bias jedoch in den meisten Fällen wahrscheinlich deutlich weniger problematisch ist als der Confounding-Bias. Andere Studien (Liu et al. 2012) haben bestätigt, dass der M-Bias oft kleiner ist als der Confounder-Bias.

Eine Randbemerkung: Berksons Voreingenommenheit

Das Problem, dass kränkere Patienten in den EHR-Daten auftauchen, ist Ausdruck von Berksons Voreingenommenheit:

Da die Proben nicht von der Allgemeinbevölkerung, sondern von stationären Krankenhauspatienten entnommen werden, kann dies zu einem falschen negativen Zusammenhang zwischen der Krankheit und dem Risikofaktor führen. Wenn der Risikofaktor beispielsweise Diabetes ist und es sich bei der Krankheit um eine Cholezystitis handelt, ist die Wahrscheinlichkeit einer Cholezystitis bei einem Krankenhauspatienten ohne Diabetes höher als bei einem Mitglied der Allgemeinbevölkerung, da der Patient einige Nicht-Diabetes gehabt haben muss (die möglicherweise eine Cholezystitis verursachen). Grund, überhaupt ins Krankenhaus zu gehen. Dieses Ergebnis wird unabhängig davon erzielt, ob in der Allgemeinbevölkerung ein Zusammenhang zwischen Diabetes und Cholezystitis besteht.