数据质量与可计算表型对2型糖尿病医疗资源利用预测中种族差异的影响机制研究

来自大型学术医疗中心的研究团队针对2型糖尿病(T2D)管理中的潜在种族差异问题，创新性地评估了数据质量缺陷与五种可计算表型对医疗资源利用预测的影响。研究发现不同表型定义的种族构成差异会显著影响住院(IP)和急诊(ER)预测模型的AUC值，其中Charlson合并症评分在所有种族群体中均显示最高比值比(OR)。该研究为消除健康差异提供了关键的方法学依据。

　　

这项开创性研究揭示了2型糖尿病(T2D)管理中的隐藏挑战。科研人员运用四种已发表和一种本地开发的可计算表型(computable phenotypes)，对大型医疗中心的电子健康记录(EHR)和理赔数据展开深度挖掘。通过人为引入数据缺失、错误和时效性问题，团队首次量化了数据质量对种族构成的影响程度。

令人惊讶的是，不同表型定义的T2D人群确实存在种族构成差异。非裔患者群体展现出最高的急诊就诊率，而Charlson合并症评分在预测住院和急诊时展现出惊人的稳定性——其比值比(OR)在所有种族群体中均独占鳌头。预测模型的表现更呈现出有趣的种族特异性：某些表型在白人和非裔群体中分别创下最高和最低的曲线下面积(AUC)记录，但在亚裔/其他群体中却未现此规律。

这些发现犹如一面棱镜，折射出医疗人工智能应用中复杂的种族维度。数据质量的微妙变化、表型定义的细微差别，都可能通过预测模型这个放大器，最终影响糖尿病管理的公平性。该研究为开发更具包容性的临床决策支持系统提供了重要路标，提示科研人员必须同时关注算法性能和健康公平这两个关键指标。