You are here: University of Vienna PHAIDRA Detail o:1311847
Title (eng)
Development of a prediction model for the decline in kidney function based on a retrospective analysis of 700.000 electronic health records
Parallel title (deu)
Entwicklung eines Vorhersagemodells für den Aball der Nierenfuktion basierend auf einer retrospektiven Analyse von 700.000 elektronischen Gesundheitsakten
Author
Christine Wallisch
Adviser
Georg Heinze
Assessor
Georg Heinze
Abstract (deu)
In dieser Magisterarbeit wurden zwei Vorhersagemodell für Diabetiker zwischen 20 und 85 Jahren im Rahmen des Projektes SysKID entwickelt. Das erste schätzt die adäquate Vorsorge der Nierenfunktion („care model“), wobei das zweite den Abfall der Nierenfunktion („progression model“) prognostizieren soll. Dazu waren 700.000 Gesundheitsakten von sechzig österreichischen Hausärzten verfügbar. Nach einer zweckmäßigen Vorselektion von Prediktoren wurde eine Kombination der Methoden, dynamisches Modellieren, nicht-lineares Modellieren und LASSO-Regression zur Variablenselektion angewendet. Mittels c-index, einem Optimismus-korrigiertem c-index und einem Kalibrierungsplot wurde das Modell evaluiert. Für das care model betrug R² 0,336 und der Optimismus-korrigierte c-index war 0,827. Ähnliche Ergebnisse lieferte auch das progression model mit einem R² von 0,066 und einem Optimismus-korrigierten c-index von 0,825. Beide Modelle können auf Diabetiker zwischen 20 und 85 Jahren, welche mindestens ein Jahr beobachtet wurden, angewendet werden. In dieser Magisterarbeit wird somit demonstriert, wie innovative Ansätze statistischen Modellierens dabei helfen, wissenschaftlich plausible Schlussfolgerungen von relative unstrukturierten und teilweise unkodierten Routinepatientendaten zu erhalten.
Abstract (eng)
In this thesis two prediction models for adequate renal care (“care model”) and for a decline in kidney function (“progression model”), appropriate for diabetic patients aged 20 to 85 years, were developed in the context of the project SysKID. 700,000 health records from sixty Austrian primary care physicians were available. After purposeful preselection of predictors, dynamic and non-linear modeling approaches were combined with variable selection by LASSO logistic regression. The models were evaluated by model-based c-index, an optimism-corrected c-index and a calibration plot. Both models produced good results. The care model had an R² of 0.336 and an optimism corrected c-index of 0.827. The measures of the progression model looked similar, R² was 0.066 and the optimism corrected c-index had a value of 0.825. In summary, this thesis demonstrates how innovative approaches to statistical modeling can be applied to derive scientifically plausible conclusions from relatively unstructured and partly uncoded routine patient records.
Keywords (eng)
prediction modeldynamic modelingkidney functionCKDRLASSO regression
Keywords (deu)
Vorhersagemodelldynamisches ModellierenNierenfunktionCKDRLASSO Regression
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1311847
rdau:P60550 (deu)
III, 69, [84] S. : graph. Darst.
Number of pages
164
Members (1)
Title (eng)
Development of a prediction model for the decline in kidney function based on a retrospective analysis of 700.000 electronic health records
Parallel title (deu)
Entwicklung eines Vorhersagemodells für den Aball der Nierenfuktion basierend auf einer retrospektiven Analyse von 700.000 elektronischen Gesundheitsakten
Author
Christine Wallisch
Abstract (deu)
In dieser Magisterarbeit wurden zwei Vorhersagemodell für Diabetiker zwischen 20 und 85 Jahren im Rahmen des Projektes SysKID entwickelt. Das erste schätzt die adäquate Vorsorge der Nierenfunktion („care model“), wobei das zweite den Abfall der Nierenfunktion („progression model“) prognostizieren soll. Dazu waren 700.000 Gesundheitsakten von sechzig österreichischen Hausärzten verfügbar. Nach einer zweckmäßigen Vorselektion von Prediktoren wurde eine Kombination der Methoden, dynamisches Modellieren, nicht-lineares Modellieren und LASSO-Regression zur Variablenselektion angewendet. Mittels c-index, einem Optimismus-korrigiertem c-index und einem Kalibrierungsplot wurde das Modell evaluiert. Für das care model betrug R² 0,336 und der Optimismus-korrigierte c-index war 0,827. Ähnliche Ergebnisse lieferte auch das progression model mit einem R² von 0,066 und einem Optimismus-korrigierten c-index von 0,825. Beide Modelle können auf Diabetiker zwischen 20 und 85 Jahren, welche mindestens ein Jahr beobachtet wurden, angewendet werden. In dieser Magisterarbeit wird somit demonstriert, wie innovative Ansätze statistischen Modellierens dabei helfen, wissenschaftlich plausible Schlussfolgerungen von relative unstrukturierten und teilweise unkodierten Routinepatientendaten zu erhalten.
Abstract (eng)
In this thesis two prediction models for adequate renal care (“care model”) and for a decline in kidney function (“progression model”), appropriate for diabetic patients aged 20 to 85 years, were developed in the context of the project SysKID. 700,000 health records from sixty Austrian primary care physicians were available. After purposeful preselection of predictors, dynamic and non-linear modeling approaches were combined with variable selection by LASSO logistic regression. The models were evaluated by model-based c-index, an optimism-corrected c-index and a calibration plot. Both models produced good results. The care model had an R² of 0.336 and an optimism corrected c-index of 0.827. The measures of the progression model looked similar, R² was 0.066 and the optimism corrected c-index had a value of 0.825. In summary, this thesis demonstrates how innovative approaches to statistical modeling can be applied to derive scientifically plausible conclusions from relatively unstructured and partly uncoded routine patient records.
Keywords (eng)
prediction modeldynamic modelingkidney functionCKDRLASSO regression
Keywords (deu)
Vorhersagemodelldynamisches ModellierenNierenfunktionCKDRLASSO Regression
Type (deu)
Persistent identifier
https://phaidra.univie.ac.at/o:1311848
Number of pages
164