Ein neuer Bericht in der Zeitschrift der American Medical Informatics Association hat gezeigt, dass die Reale Welt in Daten, die in unstrukturierten Erzählungen hat große Aussagekraft, wenn es um die klinische Forschung.
WARUM ES WICHTIG IST
Während structured clinical notes in die elektronische Patientenakte haben offensichtlich Wert, die Forschung in JAMIA deutet darauf hin, dass Daten aus der realen Welt erfasst, die in unstrukturierte Notizen bietet mehr Genauigkeit, wenn geschult, algorithmen zu meinen es.
Während die Herausforderungen, die eine gute Nutzung von unstrukturierten Daten sind gut dokumentiert – und in der Tat, die Forscher in diesem Fall davon abhing, erweiterte künstliche Intelligenz-tools, um es mir für die Einblicke – die Angaben in dieser EHR-Erzählungen, die mit Ihrer realen Einblicke in die Krankengeschichte, Bedingungen, Verfahren und mehr, die mehr waren nützlich bei der Vorhersage koronarer Herzkrankheit.
„Mit der wachsenden Verfügbarkeit von digital health Daten-und Technologie -, Gesundheits-Studien werden zunehmend erweitert oder implementiert unter Verwendung von Daten aus der realen Welt,“ schrieb die Forscher unter der Leitung von Tina Hernandez-Boussard, associate professor für biomedizinische informatik, data science und Chirurgie an der Stanford University School of Medicine.
„Die jüngsten Bundes-Initiativen fördern die Nutzung von RWD, um die klinischen Behauptungen, die Einfluss auf die Entscheidungsfindung,“ die Forscher sagte. „Unser Ziel war es, festzustellen, ob die traditionellen realen Welt Beweise Techniken in der kardiovaskulären Medizin erreichen Genauigkeit ausreichend für glaubwürdige klinische Behauptungen, auch bekannt als „Regulierungs-grade‘ RWE.“
Für die Retrospektive Beobachtungsstudie, die sechs Jahre im Wert von deidentified EHR-Daten, eine festgelegte Reihe von klinischen Konzepten abgebaut wurde sowohl strukturiert (Verwendung von standard-Abfrage-Techniken) und unstrukturierte EHR-Daten (mit AI).
„Das dataset enthalten 10,840 klinische Hinweise,“ die Forscher erklären. „Individuelles Konzept vorkommen reichten von 194 für koronaren bypass-Transplantats 4502 für diabetes mellitus.“
Granulare Einblicke, wie denjenigen geholfen, die realen Beweis in der Erzählung Notizen entsprechen, genauer predictive modeling, fanden Sie.
Mit strukturierten EHR-Daten, oder EHR-S, „durchschnittlichen recall-und precision waren 51.7% und von 98,3%, die“ nach dem Bericht. Für unstrukturierte Daten (EHR-U) diese zahlen wurden 95,5% und 95.3%.
Forscher schlossen aus der Forschung, dass „insgesamt, EHR-S hat nicht den rechtlichen grade-Kriterien, während EHR-U haben. Diese Ergebnisse deuten darauf hin, dass erinnern sollten routinemäßig gemessen in EHR-basierte Studien sollen für die regulatorische Verwendung. Zudem erweiterte Daten und Technologien, die erforderlich sein können, um die Einhaltung gesetzlicher Klasse Ergebnisse.“
DER GRÖßERE TREND
Unstrukturierte Daten schon lange gestellt Hürden für Gesundheits-system-analytics-Initiativen. Aber die Erkenntnisse, die in den klinischen Hinweise haben großen Wert für die Gesundheit der Bevölkerung und value-based-care-Bemühungen.
Nun, dass AI-tools sind so ausgereift und verbreitet zu extrahieren einige, dass der Wert mehr und mehr Forscher machen werden Verwendung von real-world evidence, und sowohl die Bundes-Agenturen und Technologie-Entwicklern schärfen, Ihre Bemühungen um eine Anbieter-und life-sciences-Organisationen profitieren kann auf diese Erkenntnisse.
AUF DER PLATTE
„Das Ziel dieser Studie war die Durchführung einer strengen Bewertung der Qualität von RWD zu verstehen, die Möglichkeiten und Grenzen von RWE in regulatory decision-making“, sagte Forscher in JAMIA.
„Zusammenfassend dokumentieren wir Unterschiede in der erzielten Genauigkeit zwischen EHR-strukturierte und unstrukturierte Daten für die klinische phänotypisierung in der kardiovaskulären Medizin“, sagten Sie in dem Bericht die Schlussfolgerung. „Die klare lernen aus dieser Studie ist, dass die Genauigkeit ist stark beeinflusst von der Daten-und Technologie-Entscheidungen.“
Sie fügte hinzu, dass „pharma, Hochschulen und die Hersteller müssen Sie nicht scheuen die harte Arbeit, die erforderlich ist, um die Genauigkeit der Daten sicherstellen. Als Kostenträger und Aufsichtsbehörden, vorwärts zu bewegen mit der realen Welt Beweise zu überwinden, Kosten und verallgemeinerbarkeit Fragen, das Verständnis der Vorteile und Grenzen der unterschiedlichen Daten und Technologien ist wichtig.“
Twitter: @MikeMiliardHITN
E-Mail der Autorin: [email protected]
Healthcare-IT-News ist eine Publikation der HIMSS Medien.