ゴールドスタンダードなしの電子健康記録からの市中肺炎の特定：ベイズ潜在クラス分析
カテゴリ：公衆衛生・予防医療
公開日：2025年7月21日
タイトル：Community-acquired pneumonia identification from electronic health records in the absence of a gold standard: A Bayesian latent class analysis.
雑誌名：PLOS Digit Health. 2025 Jul; 4(7): e0000936.
概 要：
市中肺炎（CAP）は一般的であり、死亡率の重要な原因です。しかし、CAPの監視は電子健康記録（EHR）からの診断コードに依存しており、その精度は不完全です。本研究では、ゴールドスタンダードがない状況でCAP診断コードの精度を評価し、CAP特定の改善に寄与するEHRデータソースを探るために、ベイズ潜在クラスモデルと多重代入法を用いました。2016年から2023年までのオックスフォードシャー、UKにおける491,681件の入院データを使用し、4つのEHRベースのCAP検出アルゴリズムを調査しました。結果、CAPの緊急入院理由としての推定有病率は13.6%でした。
方 法：
この研究は、491,681件の入院データを対象にしたコホート研究です。CAP検出のために、1) 主診断コード、2) 抗生物質処方の臨床文書、3) 放射線自由記述報告、4) バイタルサインと血液検査に基づく4つのEHRアルゴリズムを評価しました。主要評価指標は、CAPの緊急入院理由としての有病率と、各アルゴリズムの感度および特異度です。
結 果：
主診断コードは低い感度（0.275）と高い特異度（0.997）を示し、バイタルサインと血液検査も同様でした（感度0.348、特異度0.963）。抗生物質の指示文は感度が高く（0.590）、特異度は低かった（0.982）。放射線報告は中間的な結果（感度0.485、特異度0.960）でした。いずれかのアルゴリズムでCAPが検出された場合、感度0.873、特異度0.905を示しました。
結 論：
CAP監視において診断コードのみに依存すると大幅な見逃しが生じますが、複数のアルゴリズムを組み合わせることで特定精度が向上します。ベイズ潜在クラス分析に基づくアプローチは、CAP診断のゴールドスタンダードがなくても、複数のEHRソースを統合することでCAP監視と疫学的推定を改善する可能性があります。