本研究主要包括以下3个步骤:(1)收集应用特征提取并基于数据自动二次利用的相关研究案例;(2)特征提取过程的标准化描述，包括研究案例中常见的概念、特征和方法;(3)在OMOP CDM中存储特征的方便表的建议。gydF4y2Ba

这项研究不需要伦理批准，因为没有收集个人数据，也没有实施干预措施。gydF4y2Ba

我们正在寻找回顾性观察研究的例子，其中特征提取操作必须实施。这些研究不需要针对特定的研究领域，在确定的时间段内进行，也不需要使用特定的数据模型。前提条件是将原始数据转换为可用的信息，并能够描述该过程。我们专注于对结构化数据进行的研究，而没有研究从非结构化数据(如文本、图像、视频或声音)中提取特征。我们联系了在2021年9月1日至2021年12月31日期间在法国参与数据重用的7个团队的研究人员。gydF4y2Ba

我们进行了个别采访，并获得了手写的笔记。研究人员被要求描述(1)研究的目标，(2)他们使用的数据库(即，索赔或临床数据库)，(3)数据的性质和术语，(4)他们从原始数据中提取信息时遇到的困难，(5)他们必须提取以实现研究目标的特征，(6)他们在研究中使用的特征(即，纳入标准，解释变量或响应变量)，(7)构成特征提取的步骤和表征特征的参数。gydF4y2Ba

纳入标准定义了受试者必须纳入研究的特征。它们通常包括年龄、疾病的类型和阶段，以及手术程序。响应变量是研究或实验中问题的目标。通常是生存率、住院时间、康复或疾病的并发症。解释变量是其变化可能影响响应变量的变量。它可能是暴露于一个事件或一种治疗。gydF4y2Ba

研究采用了索赔数据库和医院临床数据库两类数据库。这两个源是表格式的关系数据库。每个表只包含1个实体(例如，患者、停留时间和诊断)，每一行对应1条记录。这些表通过外键机制链接在一起，允许识别患者或住院的所有数据，无论哪种类别。大多数列是结构化数据(即每个单元格有一个类型和一个值)。这些数据库通常使用SQL语言进行查询。然后，可以使用编程语言(如R和Python)对它们进行处理，以重新计算新的基本信息或调整数据结构，以便能够更容易地分析它们。gydF4y2Ba

索赔数据库为法国国家医院出院数据库，简称gydF4y2Ba 方案de médicalisation des systèmes d’informationgydF4y2Ba(PMSI) [gydF4y2Ba 50gydF4y2Ba]，以及法国国家索赔数据库，简称gydF4y2Ba Système国家des Données de SantégydF4y2Ba(snd) [gydF4y2Ba 51gydF4y2Ba］．这些全国性数据库收集了法国非营利或营利性医院所有住院病人的标准化出院报告。它们包括关于入院和出院日期、医院代码、部门代码和结果(即出院、转院和死亡)、社会人口统计数据(即性别、年龄和居住地)、诊断和住院期间执行的医疗程序的个人层面数据。这些诊断是根据《疾病和相关健康问题国际统计分类第十版(ICD10)》法文版编码的。医疗程序是根据gydF4y2Ba 分类公社des行为MédicauxgydF4y2Ba及游离)。除了这些数据外，SNDS数据库还包括医院外的护理消费(即药房就诊、一般医疗报销和护理)。处方药物的记录与解剖治疗化学(ATC)系统，一个国际分类系统，或与gydF4y2Ba 代码识别码PrésentationgydF4y2Ba(CIP13)。gydF4y2Ba

临床数据库是当地医院的数据仓库，收集有关实验室结果、医疗程序、诊断、医疗单位类型和它们之间的转移的所有信息。两个数据库包括麻醉过程的细节(如手术步骤、给药、手术室设备记录的信号，如平均动脉压、心率、潮气量等)[gydF4y2Ba 52gydF4y2Ba］．在这些数据库中，词汇表是由软件编辑开发并由医生在实践中更新的本地术语。它们包括药物、测量和手术步骤。最后一个数据库是重症监护医疗信息集市III数据库，这是一个大型的开源重症监护住院医疗记录数据库，可在PhysioNet上公开使用[gydF4y2Ba 53gydF4y2Ba，gydF4y2Ba 54gydF4y2Ba］．诊断记录在《国际疾病和相关健康问题统计分类第九版》(ICD9)中，程序记录在《现行程序术语》中。gydF4y2Ba

在第二步中，我们执行了任务(HAT)的层次分析[gydF4y2Ba 55gydF4y2Ba］．HAT允许理解用户为了实现某些目标而需要完成的任务。这些任务可以分解为若干级别的子任务，直至具有原子操作。在这项研究中，我们进行了HAT，以(1)理解研究人员将原始数据转换为特征所必须实现的步骤和转换;(2)识别数据从原始数据到特征的连续状态，描述复杂性和时间依赖性。gydF4y2Ba

为了做到这一点，我们要求他们描述他们一开始拥有的原始数据，以及他们必须通过哪些不同的转换来获得特征。在每一步中，我们都描述了复杂度和时间依赖性。我们已经说明了每个案例研究的子任务的顺序，与参与研究的研究人员合作。从获得的任务描述和插图中，我们根据输入和输出数据的类型对任务进行分组。最后，我们根据研究案例的共同点，提出了对这些不同状态和转换的描述。gydF4y2Ba

在最后一部分中，我们研究了OMOP CDM中允许存储特征而不丢失信息的现有表，即具有足够的字段。在相反的情况下，我们将提出新的表以符合OMOP标准。我们还将定义必须尊重OMOP标准的属性，并跟踪特征是如何计算的，以确保研究的可重复性。gydF4y2Ba

在我们联系的15人中，3人没有回答，2人报告没有进行特征提取。基于半结构化访谈，我们收集了来自3所法国大学医院(亚眠、里尔和鲁昂)和法国高级卫生当局的8项回顾性和观察性研究。其中两项研究是多点研究，4项使用索赔数据库，5项使用临床数据库。gydF4y2Ba

所确定的特征代表了用于进行回顾性分析的不同类型的变量:包括标准、解释变量和响应变量。一般特征包括:(1)以诊断发生率、医疗程序和年龄为纳入标准;(二)医疗程序发生、用药发生、生命体征转化为解释变量的情况;(3)医院死亡率、重症监护死亡率、住院时间、重症监护中转率作为响应变量。研究案例和研究人员报告的更复杂的特征描述在gydF4y2Ba 表1gydF4y2Ba．gydF4y2Ba

这些不同的研究案例基于复杂的(即异构的、多维的、不平衡的和随时间变化的)原始数据。这些原始数据的异质性来自于提取次要计算特征所涉及的变量的多样性。前5个研究病例(SC1-5)使用测量和转换生命体征(动脉压和心率)或呼吸信号(氧分压和潮气量)，SC6和SC7使用给药，SC7使用实验室结果。除了它们的异质性之外，数据库是多维的，这意味着组成它们的表具有不同的维度(即统计单位)。因此，每个病人在其他表中有不同数量的记录(程序、诊断、测量、药物等)，这取决于住院时间、接受的护理和随访时间。然而，从一个患者到另一个患者的不同记录的数量应该减少到研究的每个统计单位一行。其次，变量的模态数量众多且不平衡，即每个术语都有数千个编码，其中一些被广泛使用，而另一些则几乎不需要。因此，在特征提取的时候，这数千个代码生成同样多的列，例如，特征报告代码的缺席/存在或数量，或者报告它被记录的次数。最后，原始数据是随时间变化的变量，即在研究过程中不一定是恒定的变量。gydF4y2Ba

图1gydF4y2Ba提供SC6的完整描述。首先，将行政数据的原始记录转化为与住院发生相对应的新型记录(步骤1)，我们将这段时间在稿件的其余部分称为“track”。然后，对这条轨迹进行转换，得到代表住院前90天(90_days)的第二条轨迹(步骤2)。从原始记录中识别出Laroche清单中包含的药物，并分别在步骤3和步骤4中根据给药日期和治疗时间计算药物a和药物B的给药周期。对Laroche清单中所有药物都计算了类似的轨迹，但为了图的清晰，我们只选择说明前两种药物。在这4个步骤之后，依次实现航迹间的比较。这允许比较药物A和药物B给药的轨迹，分别在步骤5和步骤6中跟踪90天。将结果合并到一个公共轨道上，得到轨道90_days内Laroche清单项目的给药轨迹(步骤7)。最后，统计不同项目的数量，得到最终特征，即住院前90天内给药的Laroche清单药物的数量。gydF4y2Ba

表2gydF4y2Ba总结这些转换，以及每个转换的输入和输出数据。所有其他研究案例和特征提取过程的标准化描述可在gydF4y2Ba 多媒体附件1gydF4y2Ba而且gydF4y2Ba 多媒体附件2gydF4y2Ba．gydF4y2Ba

基于研究案例和HAT，我们确定数据经历了2个状态(轨迹和特征)，并受益于2个转换(轨迹定义和轨迹聚合)。gydF4y2Ba 表3gydF4y2Ba总结了原始数据、轨迹和特征之间的区别，以及两种转换的定义。阐述了对几种原始数据进行特征提取的全过程gydF4y2Ba 图2gydF4y2Ba，并在下面详细描述。gydF4y2Ba

步骤gydF4y2Ba 跟踪定义gydF4y2Ba旨在将原始数据的维度降低到研究的统计单位，这是进行统计研究的人口元素。统计单位不仅可以指患者，还可以指医院、住院时间(SC6)、专科单位住院时间(SC1)或程序(SC2、SC3、SC4和SC5)，这取决于研究的目的。在轨迹定义期间，数据可以基于诸如变量和值的选择、术语代码(SC6和SC7)之间的映射、检测超出阈值的值的传递(SC2和SC3)或任何其他专家规则(SC5、SC6和SC7)的应用等操作重新构建或计算。gydF4y2Ba

跟踪gydF4y2Ba是原始数据和特征之间的一种中间状态。它是第一个操作的结果，并且仍然是一个与时间相关的信号，由一个统计单元、一种轨道类型、一个值或一组值定义。轨迹的类型可以是护理单元的通道、药物的管理、以诊断为特征的健康状况或心率信号。该值表示轨道状态，用二进制值表示开/关状态，用定量值表示信号。条件操作也可以应用于轨道之间，以产生新的轨道(例如，用于检测同时给药2种药物)。基于这个定义，gydF4y2Ba 表4gydF4y2Ba给出了8个研究案例的轨迹。gydF4y2Ba

步骤gydF4y2Ba 跟踪聚合gydF4y2Ba在指定的兴趣期间从轨道提取最终信息。该方法降低了图像的多维度，消除了对时间的依赖。这些方法是常用的统计函数(例如，最小值、最大值、平均值、中位数、计数、持续时间和延迟)。gydF4y2Ba

的gydF4y2Ba 利息期限gydF4y2Ba由开始日期和结束日期定义，该日期可能来自以下不同的来源:给药、程序的步骤、与卫生保健专业人员的访问或到卫生保健单位的访问。对于每个日期，可能有多个候选事件。例如，在SC3中，麻醉程序的开始可以记录如下4个不同的事件:诱导事件、催眠给药、插管和机械通气。同样，麻醉过程的结束可以由以下2个事件来定义:拔管或麻醉事件的结束。在这种情况下，基于专家知识或聚合操作(第一个或最后一个事件)的优先级规则将选择主事件。最后，可以在期间的开始日期和结束日期上增加一个时间间隔，以创建一个人工的期间，如下:住院前或住院后90天(SC6)。gydF4y2Ba

在这个过程的最后，gydF4y2Ba 功能gydF4y2Ba是与标签(特性名)关联的单个值。在特征中，时间是隐式的，不再由记录中的日期形式化。它有时可以用变量的名称来表示，例如，诱导前动脉压的平均值(例如，mean_map_before_induction)。它也可以用特征本身的值来表示(例如，对于延迟或持续时间)。特征在很大程度上取决于研究的背景;因此，在SC2和SC3中，相同的原始信号产生2个不同的特征，这取决于提取方法和感兴趣的周期。gydF4y2Ba 表5gydF4y2Ba根据统计单位、周期、信号和提取方法，描述了我们8个研究案例中确定的特征。gydF4y2Ba

OMOP CDM中已经存在5个表(DRUG_ERA、DOSE_ERA、CONDITION_ERA、EPISODE和EPISODE_EVENT)，用于存储从原始数据派生的元素[gydF4y2Ba 46gydF4y2Ba］．这些表涵盖了当患者暴露于特定药物成分(DRUG_ERA)、当患者暴露于恒定剂量的特定药物成分(DOSE_ERA)或当患者被假定患有特定疾病(CONDITION_ERA)时的时间跨度的存储。这些现有的表格适用于药物流行病学研究，比较药物接触的时间和由此产生的不良事件或疾病的演变。这些研究只需要条件发生(CONDITION_OCCURRENCE)和药物暴露(drugg_exposure)表中的诊断和用药数据[gydF4y2Ba 39gydF4y2Ba］．gydF4y2Ba

然而，其他类型的数据也需要重新转换，以获得用于统计分析的可用信息(特别是程序、测量、生物学结果或患者护理中的任何类型的步骤)。此时，有2个备选方案允许存储其他类型的派生元素。第一种方法涉及为每个可以转换为时代的原始信息(即测量时代、程序时代、生物学时代等)添加一个时代表。第二种方法是提出一个涵盖所有类型原始数据的通用年代表。使用这两种方法，最终的特征仍然缺乏存储空间，因为它们不具有与时代或事件相同的结构，因为它们只是一个价值和标签的关联，与时间无关。gydF4y2Ba

因此，一方面，表TRACK可以补充模型并存储中间数据(即所有类型的航迹和年代)，这些数据最终将用于计算特征;另一方面，表FEATURE可以扩展OMOP CDM，用于存储来自测量、程序、观测和停留的次要计算数据，这些数据将用于分析，并且需要长期存储。gydF4y2Ba

这两个新的概念表在gydF4y2Ba 图3gydF4y2Ba．它们在字段名称和表组织方面符合OMOP指南[gydF4y2Ba 60gydF4y2Ba］．对于这两个表，外键都引用了人物、访问、访问细节、主要概念(TRACK_CONCEPT_ID和FEATURE_CONCEPT_ID)以及这个概念的类型(TRACK_TYPE_CONCEPT_ID和FEATURE_TYPE_CONCEPT_ID)。类似地，这两个表提供了核心字段来存储连续值(VALUE_AS_NUMBER)或类别值(VALUE_AS_CONCEPT_ID)。TRACK的专一性涉及到通过字段TRACK_START_DATE和TRACK_END_DATE保存时间维度。在FEATURE表中，如果患者可以多次出现相同的特征(例如，在不同的日子)，则插曲表的外键允许区分一个特征的出现[gydF4y2Ba 47gydF4y2Ba］．两个表都有常用的字段，用于存储用本地词汇表表示的源值。gydF4y2Ba

在本文中，我们提出了特征提取过程的标准化描述，该过程在将异构、多维和随时间变化的原始数据转换为有价值的信息以进行观察性回顾性研究时实现。该过程包含两个步骤(赛道定义和赛道聚合)。航迹定义旨在将原始数据转换为表示感兴趣周期的多条航迹或重构信号。航迹聚合计算来自最终航迹的可用信息，以便在感兴趣的时间段内应用提取方法。由此产生的特征是将包含在统计分析中的1维和时间无关变量。gydF4y2Ba

通过将特征提取分为这两个步骤，解决了轨迹定义过程中的困难。第一步的目标是建立跟踪，使用一个适用于研究统计单位的共同单位和一个均匀的时间尺度。然后，轨迹允许应用无数复杂的转换，例如用于检测药物-药物相互作用的概念映射(SC7)。这些转换需要大量关于数据的专业知识，并且主要是在自定义基础上实现的。相反，轨迹聚合是一个非常简单的操作，具有有限数量的可能性。gydF4y2Ba

转换的定义基于不同的案例，并且它们是在来自多个中心的不同数据库上执行的。特征提取是专家知识的算法翻译。我们的工作表明，这个过程需要对几个转换进行排序，包括，对于航迹定义，选择(1)一个时变信号或一个已经可用的航迹，(2)一个统计单位，(3)一种航迹类型，以及(4)一个或一组值，航迹聚合是基于(5)一个航迹的最终转换，该转换在(6)一个感兴趣的时间段内执行，涉及(7)一种提取方法。这7个项目的形式化和文档化应该通过消除计算内容的模糊性来提高研究的可重复性和合作者之间的特征共享。gydF4y2Ba

在本研究中，我们专注于基于专家规则的特征提取，没有考虑基于深度学习技术的特征提取[gydF4y2Ba 61gydF4y2Ba，gydF4y2Ba 62gydF4y2Ba］．在这种情况下，尽管目的也是为了降低源数据的维数，但没有必要解释特征，这些特征通常是抽象的，目的是在不经过解释的情况下产生最佳预测模型[gydF4y2Ba 62gydF4y2Ba］．自然语言处理的最新进展[gydF4y2Ba 63gydF4y2Ba-gydF4y2Ba 65gydF4y2Ba]可用于从临床文本中自动提取相关临床特征[gydF4y2Ba 66gydF4y2Ba］．一旦感兴趣的特征被很好地定义，就应该进行一个小的注释活动来微调和评估预训练的模型性能。然后，提取的特征可以作为新的结构化信息集成到我们的工作流中。大型语言模型的令人印象深刻的结果表明，一些标记示例足以对这些模型进行微调[gydF4y2Ba 67gydF4y2Ba］．在使用这些模型之前，必须了解三个局限性。首先，由于临床概念措辞的可变性，尚未证明大型语言模型可以捕捉每个目标特征。第二，计算强度与大规模信息检索不相容。第三，为精确的临床术语进行快速有针对性的注释活动的能力需要适当的工具和流程。我们没有提供任何涉及文本的用例。然而，轨迹和特征都可以根据，例如，症状的存在或咨询报告中的量表报告来构建。这种从原始文本中提取的方法提出了自动检测文本中特定概念的问题，以及用于此目的的工具的性能。gydF4y2Ba

虽然一些特征，如停留时间，是通用的和常用的，但大多数仍然取决于研究背景。兴趣期和提取方法是临床医生或研究人员所期望的指标，需要手动评估该特征以确保其有效性[gydF4y2Ba 49gydF4y2Ba］．gydF4y2Ba

即使SNOMED CT(医学系统命名-临床术语)和ICD10提出了集合概念，如“手术后低血压”(SNOMED CT代码16055431000119108)，“平均动脉压下降”(SNOMED CT代码31013001)，或“低血压”(ICD10代码I95)，这些概念只是一个特征标签的一部分，它们没有记录如何计算特征或提及周期(即手术，麻醉，重症监护病房住院，或者住院第一天)。在这些术语中还没有定义完全记录特性的标准化概念。gydF4y2Ba

目前，我们还不能判断我们的建议的泛化程度。然而，这项研究首次提出了从结构化数据库中提取特征的标准化描述。该方法仍需与其他研究案例，特别是其他国家的研究案例进行比较，以评估。gydF4y2Ba

这个项目的下一步是实现一个R包，该包具有专门用于定义和聚集音轨的功能。这个包将依赖于OMOP CDM，并允许特征提取的再现性。需要注意这两个表的物理实现，特别是轨道的存储，它可能非常庞大，并且会影响查询和响应时间方面的性能。最后，实现一个以列排列的特征的数据集市(当它们仍然存储在特征表中的行中时)是相关的，以便在构建表以构建队列时获得时间。gydF4y2Ba

我们已经阐明了在进行回顾性观察研究时实施的特征提取过程。我们确定了两种转换(航迹定义和航迹聚合)，将复杂的原始数据转换为航迹和特征。航迹定义需要较高的专业知识，但降低了数据的复杂性，简化了航迹聚合过程中时间维数的降低。gydF4y2Ba