基于电子健康记录的医疗器械监测
计算机与社会
2019-04-17 v1 机器学习
摘要
上市后医疗器械监测是制造商、监管机构和医疗保健提供者面临的一项挑战。电子健康记录是评估器械安全性并随时间追踪器械相关患者结局的真实世界证据的宝贵来源。然而，提炼这些证据仍然具有挑战性，因为信息分散在临床笔记和结构化记录中。用于机器阅读的现代机器学习方法有望从文本中解锁日益复杂的信息，但由于依赖庞大且昂贵的人工标注训练集而面临障碍。为应对这些挑战，我们开发并验证了最先进的深度学习方法，可在不需要人工标注训练数据的情况下从临床笔记中识别患者结局。以髋关节置换为测试用例，我们的方法以高达96.3%的精确率、98.5%的召回率和97.4%的F1从电子健康记录中准确提取植入物详情以及并发症和疼痛报告，比基于规则的方法分类性能提升12.7%–53.0%，并且相比仅使用结构化数据检测到超过6倍的并发症事件。利用这些事件评估不同植入系统的无并发症存活率，我们发现植入物之间存在显著差异，包括翻修手术风险，而仅使用编码数据无法检测到这些差异。与无翻修手术证据的患者相比，接受翻修手术的患者在髋关节置换后、翻修前的时期内髋关节疼痛提及次数更多（平均髋关节疼痛提及次数4.97 vs. 3.23；t = 5.14；p < 0.001）。某些植入物模型与较高或较低的髋关节疼痛提及率相关。我们的方法所需人工标注训练数据少几个数量级，从而补充现有监测机制，为全国医疗器械监测提供可扩展的解决方案。
引用
@article{arxiv.1904.07640,
title = {Medical device surveillance with electronic health records},
author = {Alison Callahan and Jason A Fries and Christopher Ré and James I Huddleston and Nicholas J Giori and Scott Delp and Nigam H Shah},
journal= {arXiv preprint arXiv:1904.07640},
year = {2019}
}