电子健康记录连接研究与实践：预测建模、人工智能与临床决策支持的交汇点
摘要
目标：电子健康记录 (EHRs) 仅是捕获和利用健康相关数据的第一步——挑战在于将这些数据转化为有用信息。此外，EHRs 越来越可能包含与患者预后相关的数据、临床决策支持等功能以及遗传信息，因此可被视为关于患者健康状况及随时间推移对治疗反应的日益有价值的信息库。方法：我们描述了一项涉及田纳西州和印第安纳州 Centerstone 治疗的 423 名患者的案例研究，其中我们利用电子健康记录数据生成了个体患者治疗反应的预测算法。使用源自临床、财务和地理数据的预测变量构建了多个模型。结果：在 423 名患者中，101 名病情恶化，223 名病情改善，99 名临床状况无变化。基于对基线时各种临床指标的建模，在所测试的模型中，预测个体患者反应的最高准确率范围为 70-72%。就个体预测因子而言，Centerstone 成人康复水平评估 (CARLA) 基线评分在预测随时间变化的预后方面最为显著（比值比 4.1 + 2.27）。其他对预后具有持续显著影响的变量包括支付方、诊断类别、地点以及个案管理服务的提供。结论：这种方法代表了一条有希望的途径，旨在缩小医疗保健领域研究与实践之间的当前差距，开发基于真实世界人群的数据驱动型临床决策支持，并作为随时间“学习”的嵌入式临床人工智能的组成部分。
引用
@article{arxiv.1204.4927,
title = {EHRs Connect Research and Practice: Where Predictive Modeling, Artificial Intelligence, and Clinical Decision Support Intersect},
author = {Casey Bennett and Tom Doub and Rebecca Selove},
journal= {arXiv preprint arXiv:1204.4927},
year = {2012}
}
备注
Keywords: Data Mining; Decision Support Systems, Clinical; Electronic Health Records; Implementation; Evidence-Based Medicine; Data Warehouse; (2012). EHRs Connect Research and Practice: Where Predictive Modeling, Artificial Intelligence, and Clinical Decision Support Intersect. Health Policy and Technology. arXiv admin note: substantial text overlap with arXiv:1112.1668