En nyligen genomförd studie utförd på ett multisite, urbant datanätverk syftade till att utvärdera effektiviteten av algoritmer för att upptäcka attribut eller egenskaper hos systemisk lupus erythematosus (SLE) med hjälp av elektroniska journaldata (EHR). Forskarna använde Chicago Area Patient-Centered Outcomes Research Network (CAPriCORN), ett Clinical Data Research Network (CDRN) som innehåller data från olika vårdplatser. De identifierade individer med minst ett bekräftat attribut eller kriterier för SLE enligt definitionen av American College of Rheumatology (ACR), Systemic Lupus International Collaborating Clinics (SLICC) och European Alliance of Associations of Rheumatology (EULAR).
Studien fann att patienter som hade tre eller flera SLE-relaterade kliniska möten hade ett signifikant högre antal positiva SLE-attribut eller egenskaper jämfört med de utan några SLE-relaterade kliniska möten. Denna grupp hade också en högre andel svarta eller afroamerikanska individer, yngre patienter, kvinnor och högre utnyttjandegrad av sjukvård. Dessutom identifierades leukopeni, en minskning av antalet vita blodkroppar, i oroväckande högre frekvenser i alla SLE-mötesgrupper.
Dessa fynd understryker vikten av övervakning och hantering av befolkningshälsodata. Studien tyder på att algoritmer kan vara till hjälp i övervakningsinsatser och hjälpa läkare att identifiera potentiella fall av SLE. Ytterligare studier är dock nödvändiga för att undersöka potentialen för EHR-data vid övervakning och få mer insikter om specifika diagnoser och symtom som kan hjälpa till vid identifiering och diagnos av SLE. För att lära dig mer om patientdriven forskning rekommenderas att du läser hela studien.
