Machine Learning Models for Patient Screening Using Routinely Collected Data in Primary Care

Agnieszka Mazurek

doi:10.21697/ejhp.0106.02

Opublikowane: 2025-06-28

Tom 4 Nr 1 (2025)

Modele uczenia maszynowego do badań przesiewowych pacjentów przy użyciu rutynowo gromadzonych danych w podstawowej opiece zdrowotnej

Agnieszka Mazurek

European Journal of Health Policy, Humanization of Care and Medical Ethics

Dział: Articles

https://doi.org/10.21697/ejhp.0106.02

Abstrakt

Badania przesiewowe mają kluczowe znaczenie dla zapobiegania konsekwencjom zdrowotnym związanym z niezdiagnozowanymi chorobami. Elektroniczna dokumentacja medyczna (EHR) z podstawowej opieki zdrowotnej może być wykorzystywana z technikami uczenia maszynowego (ML) do tworzenia nowych narzędzi do badań przesiewowych pacjentów w praktyce ogólnej. Celem niniejszego przeglądu narracyjnego jest omówienie najnowszej literatury na temat rozwoju i walidacji predykcyjnych modeli ML zaprojektowanych do wczesnego wykrywania schorzeń przy użyciu łatwo dostępnych danych pacjentów. Bazy danych PubMed, Web of Science, Scopus i IEEE Xplore zostały przeszukane pod kątem badań opublikowanych w ciągu ostatnich pięciu lat. Znaleziono 21 badań obejmujących różne schorzenia. Narzędzia oparte na ML mogą funkcjonować jako niezależne testy przesiewowe lub mogą ulepszać istniejące metody przesiewowe. Co więcej, modele ML mogą być wykorzystywane do badań przesiewowych w kierunku schorzeń, dla których podejścia przesiewowe nie zostały jeszcze opracowane. Jednak same EHR podstawowej opieki zdrowotnej nie zawsze są wystarczającym źródłem danych do skutecznych badań przesiewowych. Niska jakość danych może skutkować błędnymi lub tendencyjnymi prognozami. Pomimo tych ograniczeń, zastosowanie uczenia maszynowego do badań przesiewowych wykazało obiecujące wyniki, a dalsze badania w tej dziedzinie są uzasadnione.

Słowa kluczowe:

uczenie maszynowe, podstawowa opieka zdrowotna, badania przesiewowe, elektroniczna dokumentacja medyczna

Pobierz pliki

pdf (English)

Cited by / Share

Licencja

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Bez utworów zależnych 4.0 Międzynarodowe.

Bibliografia

Ahluwalia, V. S., Schapira, M. M., Weissman, G. E., & Parikh, R. B. (2025). Primary Care Provider Preferences Regarding Artificial Intelligence in Point-of-Care Cancer Screening. MDM Policy & Practice, 10(1). https://doi.org/10.1177/23814683251329007 DOI: https://doi.org/10.1177/23814683251329007
Google Scholar

Amit, G., Girshovitz, I., Marcus, K., Zhang, Y., Pathak, J., Bar, V., & Akiva, P. (2021). Estimation of Postpartum Depression Risk From Electronic Health Records Using Machine Learning. BMC Pregnancy and Childbirth, 21(1), 630. https://doi.org/10.1186/s12884-021-04087-8 DOI: https://doi.org/10.1186/s12884-021-04087-8
Google Scholar

Dabbah, S., Mishani, I., Davidov, Y., & Ben Ari, Z. (2024). Implementation of Machine Learning Algorithms to Screen for Advanced Liver Fibrosis in Metabolic Dysfunction-Associated Steatotic Liver Disease: An In-Depth Explanatory Analysis. Digestion, 189–202. https://doi.org/10.1159/000542241 DOI: https://doi.org/10.1159/000542241
Google Scholar

Eder, J., Dong, M. S., Wöhler, M., Simon, M. S., Glocker, C., Pfeiffer, L., Gaus, R., Wolf, J., Mestan, K., Krcmar, H., Koutsouleris, N., Schneider, A., Gensichen, J., Musil, R., & Falkai, P. (2025). A Multimodal Approach to Depression Diagnosis: Insights From Machine Learning Algorithm Development in Primary Care. European Archives of Psychiatry and Clinical Neuroscience [Preprint]. https://doi. DOI: https://doi.org/10.1007/s00406-025-01990-5
Google Scholar

org/10.1007/s00406-025-01990-5
Google Scholar

Eriksen, C. U ., Rotar, O., Toft, U., & Jørgensen, T. (2021). What Is the Effectiveness of Systematic Population-Level Screening Programmes for Reducing the Burden of Cardiovascular Diseases? WHO Regional Office for Europe (WHO Health Evidence Network Synthesis Reports). Retrieved June 2, 2025 from http://www.ncbi.nlm.nih.gov/books/NBK567843
Google Scholar

Google Cloud. (n.d.). AI Vs. Machine Learning: How Do They Differ?. Retrieved June 2, 2025 from https://cloud.google.com/learn/artificial-intelligence-vs-machine-learning
Google Scholar

Google Developers. (n.d.). Classification: Accuracy, Recall, Precision, and Related Metrics. Retrieved June 2, 2025 from https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall
Google Scholar

Hanna, M. G., Olson, N. H., Zarella, M., Dash, R. C., Herrmann, M. D., Furtado, L. V., Stram, M. N., Raciti, P. M., Hassell, L., Mays, A., Pantanowitz, L., Sirintrapun, J. S., Krishnamurthy, S., Parwani, A., Lujan, G., Evans, A., Glassy, E. F ., Bui, M. M., Singh, R., Souers, R. J., de Baca, M. E., & Seheult, J. N. (2023). Recommendations for Performance Evaluation of Machine Learning in Pathology: A Concept Paper From the College of American Pathologists. Archives of Pathology & Laboratory Medicine, 148(10), e335–e361. https://doi.org/10.5858/rpa.2023-0042-CP DOI: https://doi.org/10.5858/arpa.2023-0042-CP
Google Scholar

Kimura, N., Sasaki, K., Masuda, T., Ataka, T., Matsumoto, M., Kitamura, M., Nakamura, Y., & Matsubara, E. (2025). Machine Learning Models for Dementia Screening to Classify Brain Amyloid Positivity on Positron Emission Tomography Using Blood Markers and Demographic Characteristics: A Retrospective Observational Study. Alzheimer’s Research & Therapy, 17(1), 25. https://doi.org/10.1186/s13195-024-01650-1 DOI: https://doi.org/10.1186/s13195-024-01650-1
Google Scholar

Lin, J., Bates, S., Allen, L. N., Wright, M., Mao, L., Chomik, R., Dietz, C., & Kidd, M. (2025). Uptake of Patient Enrolment in Primary Care and Associated Factors: A Systematic Review and Meta-Analysis. BMC Primary Care, 26(1) 76. https://doi.org/10.1186/s12875-025-02779-0 DOI: https://doi.org/10.1186/s12875-025-02779-0
Google Scholar

Liu, X., Zhang, W., Zhang, Q., Chen, L., Zeng, T., Zhang, J., Min, J., Tian, S., Zhang, H., Huang, H., Wang, P., Hu, X., & Chen, L. (2022). Development and Validation of a Machine Learning-Augmented Algorithm for Diabetes Screening in Community and Primary Care Settings: A Population-Based Study. Frontiers in Endocrinology, 13. https://doi.org/10.3389/fendo.2022.1043919 DOI: https://doi.org/10.3389/fendo.2022.1043919
Google Scholar

Lu, K., Sheth, P., Zhou, Z. L ., Kazari, K., Guergachi, A., Keshavjee, K., Noaeen, M., & Shakeri, Z. (2024). Identifying Prediabetes in Canadian Populations Using Machine Learning. In 2024 46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2024 46th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 1–4. https://doi.org/10.1109/EMBC53108.2024.10782174 DOI: https://doi.org/10.1109/EMBC53108.2024.10782174
Google Scholar

Lundberg, S., & Lee, S.-I. (2017). A U nified Approach to Interpreting Model Predictions. arXiv. https://doi.org/10.48550/arXiv.1705.07874
Google Scholar

Malhotra, A., Rachet, B., Bonaventure, A., Pereira, S. P., & Woods, L. M. (2021). Can We Screen for Pancreatic Cancer? Identifying a Sub-Population of Patients at High Risk of Subsequent Diagnosis Using Machine Learning Techniques Applied to Primary Care Data. PLOS ONE, 16(6). https://doi.org/10.1371/journal.pone.0251876 DOI: https://doi.org/10.1371/journal.pone.0251876
Google Scholar

van Mens, K., Elzinga, E., Nielen, M., Lokkerbol, J., Poortvliet, R., Donker, G., Heins, M., Korevaar, J., Dückers, M., Aussems, C., Helbich, M., Tiemens, B., Gilissen, R., Beekman, A., & de Beurs, D. (2020). Applying Machine Learning on Health Record Data From General Practitioners to Predict Suicidality. Internet Interventions, 21, 100337. https://doi.org/10.1016/j.invent.2020.100337 DOI: https://doi.org/10.1016/j.invent.2020.100337
Google Scholar

Nadarajah, R., Wu, J., Hogg, D., Raveendra, K., Nakao, Y. M., Nakao, K., Arbel, R., Haim, M., Zahger, D., Parry, J., Bates, C., Cowan, C., & Gale, C. P. (2023). Prediction of Short-Term Atrial Fibrillation Risk Using Primary Care Electronic Health Records. Heart, 109(14), 1072–1079. https://doi.org/10.1136/heartjnl-2022-322076 DOI: https://doi.org/10.1136/heartjnl-2022-322076
Google Scholar

Onishchenko, D., Marlowe, R. J., Ngufor, C. G., Faust, L. J., Limper, A. H., Hunninghake, G. M., Martinez, F. J., & Chattopadhyay, I. (2022). Screening for Idiopathic Pulmonary Fibrosis Using Comorbidity Signatures in Electronic Health Records. Nature Medicine, 28(10), 2107–2116. https://doi.org/10.1038/s41591-022-02010-y DOI: https://doi.org/10.1038/s41591-022-02010-y
Google Scholar

Rosenfeld, A., Graham, D. G., Jevons, S., Ariza, J., Hagan, D., Wilson, A., Lovat, S. J., Sami, S. S., Ahmad, O. F ., Novelli, M., Justo, M. R., Winstanley, A., Heifetz, E. M., Ben-Zecharia, M., Noiman, U., Fitzgerald, R. C., Sasieni, P., Lovat, L. B., Coker, K., Zhao, W., Brown, K., Haynes, B., Grant, T. N., Pietro, M. di, Dewhurst, E., Alias, B., Mills, L., Wilson, C., Bird-Lieberman, E., Bornschein, J., Lim, Y., Shariff, K., Lopez, R. C., Udarbe, M., Shaw, C., Rose, G., Sargeant, I., Al-Izzi, M., Schimmel, R., Green, E., Moorghen, M., Kanani, R., Baulf, M., Butcher, J., Butt, A., Bown, S., Lipman, G., Sweis, R., Sehgal, V., Banks, M., Haidry, R., Louis-Auguste, J., Kohoutova, D., Kerr, S., Eneh, V., Butter, N., Miah, H., Butawan, R., Adesina, G., Holohan, S., Idris, J., Hayes, N., Wahed, S., Houghton, N. K ., Hopton, M., Eastick, A., Majumdar, D., Manuf, K., Fieldson, L., Bailey, H., Ortiz, J. F .-S., Patel, M., Henry, S., Warburton, S., White, J., Gadeke, L., Longhurst, B., Abeseabe, R., Basford, P., Bhattacharyya, R., Elliot, S., Bevan, R., Brown, C., Laverick, P., Clifford, G., Gibbons, A., Ingmire, J., Mawas, A., Harvey, J., & Cave, S. (2020). Development and Validation of a Risk Prediction Model to Diagnose Barrett’s Oesophagus (MARK-BE): A Case-Control Machine Learning Approach. The Lancet Digital Health, 2(1), e37–e48. https://doi.org/10.1016/S2589-7500(19)30216-X DOI: https://doi.org/10.1016/S2589-7500(19)30216-X
Google Scholar

Steyerberg, E. W . & Harrell, F. E. (2016). Prediction Models Need Appropriate Internal, Internal-External, and External Validation. Journal of Clinical Epidemiology, 69, 245–247. https://doi.org/10.1016/j.jclinepi.2015.04.005 DOI: https://doi.org/10.1016/j.jclinepi.2015.04.005
Google Scholar

Steyerberg, E. W ., Harrell, F. E., Borsboom, G. J. J. M., Eijkemans, M. J. C., Vergouwe, Y., & Habbema, J. D. F . (2001). Internal Validation of Predictive Models: Efficiency of Some Procedures for Logistic Regression Analysis. Journal of Clinical Epidemiology, 54(8), 774–781. https://doi.org/10.1016/S0895-4356(01)00341-9 DOI: https://doi.org/10.1016/S0895-4356(01)00341-9
Google Scholar

Szlejf, C., Batista, A. F . M., Bertola, L., Lotufo, P. A., Benseãor, I. M., Chiavegatto Filho, A. D. P., & Suemoto, C. K . (2023). Data-Driven Decision Making for the Screening of Cognitive Impairment in Primary Care: A Machine Learning Approach Using Data From the ELSA-Brasil Study. Brazilian Journal of Medical and Biological Research, 56, e12475. https://doi.org/10.1590/1414-431X2023e12475 DOI: https://doi.org/10.1590/1414-431x2023e12475
Google Scholar

Wei, Y., Tao, J., Geng, Y., Ning, Y., Li, W., & Bi, B. (2024). Application of Machine Learning Algorithms in Predicting Carotid Artery Plaques Using Routine Health Assessments. Frontiers in Cardiovascular Medicine, 11. https://doi.org/10.3389/fcvm.2024.1454642 DOI: https://doi.org/10.3389/fcvm.2024.1454642
Google Scholar

White, N., Parsons, R., Collins, G., & Barnett, A. (2023). Evidence of Questionable Research Practices in Clinical Prediction Models. BMC Medicine, 21(1), 339. https://doi.org/10.1186/s12916-023-03048-6 DOI: https://doi.org/10.1186/s12916-023-03048-6
Google Scholar

WHO Regional Office for Europe. (2020). Screening Programmes: A Short Guide. Increase Effectiveness, Maximize Benefits and Minimize Harm. WHO Regional Office for Europe.
Google Scholar

Yu, J., Zhou, Y., Yang, Q., Liu, X., Huang, L., Yu, P., & Chu, S. (2021). Machine Learning Models for Screening Carotid Atherosclerosis in Asymptomatic Adults. Scientific Reports, 11(1), 22236. https://doi.org/10.1038/s41598-021-01456-3 DOI: https://doi.org/10.1038/s41598-021-01456-3
Google Scholar