从大规模电子健康记录系统增强策展非结构化临床笔记揭示即将诊断 COVID-19 的特定表型特征
机器学习
2020-04-30 v2 信息检索
定量方法
摘要
理解 COVID-19 患者表型的时间动态对于获得病理生理学的精细分辨是必要的。在此，我们在一个机构范围的机器智能平台上使用最先进的深度神经网络，对接受 COVID-19 PCR 诊断检测的 30,494 名患者的 1580 万份临床笔记进行增强策展。通过对比 COVID-19 阳性（COVIDpos，n=635）与 COVID-19 阴性（COVIDneg，n=29,859）患者在 PCR 检测日期前每周各天的电子健康记录（EHR）衍生临床表型，我们确定嗅觉/味觉障碍（37.4 倍）、肌痛/关节痛（2.6 倍）、腹泻（2.2 倍）、发热/寒战（2.1 倍）、呼吸困难（1.9 倍）和咳嗽（1.8 倍）在 COVIDpos 患者中较 COVIDneg 显著放大。咳嗽与腹泻的特定组合在 PCR 检测前一周于 COVIDpos 患者中有 3.2 倍放大，且与嗅觉/味觉障碍一起构成最早的 EHR 衍生 COVID-19 特征（早于典型 PCR 检测日期 4-7 天）。本研究引入了增强智能平台，用于实时综合 EHR 中捕获的机构知识。该平台在扩大策展吞吐量方面具有巨大潜力，且极少需要重新训练底层神经网络，从而有望实现广泛疾病谱的 EHR 驱动早期诊断。
引用
@article{arxiv.2004.09338,
title = {Augmented Curation of Unstructured Clinical Notes from a Massive EHR System Reveals Specific Phenotypic Signature of Impending COVID-19 Diagnosis},
author = {FNU Shweta and Karthik Murugadoss and Samir Awasthi and AJ Venkatakrishnan and Arjun Puranik and Martin Kang and Brian W. Pickering and John C. O'Horo and Philippe R. Bauer and Raymund R. Razonable and Paschalis Vergidis and Zelalem Temesgen and Stacey Rizza and Maryam Mahmood and Walter R. Wilson and Douglas Challener and Praveen Anand and Matt Liebers and Zainab Doctor and Eli Silvert and Hugo Solomon and Tyler Wagner and Gregory J. Gores and Amy W. Williams and John Halamka and Venky Soundararajan and Andrew D. Badley},
journal= {arXiv preprint arXiv:2004.09338},
year = {2020}
}