TY -非盟的郑Le王盟——悦盟,郝Shiying AU - Shin,安德鲁·Y AU -金博盟——非政府组织,安D盟——Jackson-Browne麦地那年代AU -樵夫,丹尼尔·J AU - Fu Tianyun AU -张,林嘉欣盟——周,鑫盟——朱,审理非盟-戴,多萝西AU - Yu Yunxian AU -郑,帮派AU - Li徼盟——McElhinney脱B非盟-斑鸠,德沃尔年代盟——阿尔弗雷德,肖恩T非盟-斯登,弗兰克盟——西尔维斯特,卡尔·G盟——扩大Eric盟——凌,基于自然语言处理的算法与全国电子病历JO - JMIR Med Inform SP - e37 VL - 4is - 4kw -电子病历KW -自然语言处理KW -糖尿病KW -数据挖掘AB -的前瞻性验证基于结构化病历的糖尿病病例查找不能完全识别出以免费文本形式提供与糖尿病相关病史的糖尿病患者。人工检查图表已经被使用，但涉及高人工成本和长延迟。目的:本研究开发和测试一个基于web的糖尿病病例查找算法，使用结构化和非结构化电子病历(EMRs)。方法:本研究基于涵盖美国缅因州几乎所有卫生设施的健康信息交换(HIE) EMR数据库。使用记叙性临床记录，基于web的自然语言处理(NLP)病例发现算法采用回顾性(2012年7月1日至2013年6月30日)开发，使用hie相关设施的随机子集，然后用其余设施进行盲测。基于nlp的算法随后被整合到HIE数据库中并进行前瞻性验证(2013年7月1日至2014年6月30日)。结果:在935891例前瞻性队列患者中，仅使用诊断代码就识别出了64168例糖尿病病例。我们基于nlp的案例发现算法前瞻性地发现了另外5756个未编纂的案例(5756/ 64168，增长8.97%)，阳性预测值为0.90。 Of the 21,720 diabetic patients identified by both methods, 6616 patients (6616/21,720, 30.46%) were identified by the NLP-based algorithm before a diabetes diagnosis was noted in the structured EMR (mean time difference = 48 days). Conclusions: The online NLP algorithm was effective in identifying uncodified diabetes cases in real time, leading to a significant improvement in diabetes case finding. The successful integration of the NLP-based case finding algorithm into the Maine HIE database indicates a strong potential for application of this novel method to achieve a more complete ascertainment of diagnoses of diabetes mellitus. SN - 2291-9694 UR - http://medinform.www.mybigtv.com/2016/4/e37/ UR - https://doi.org/10.2196/medinform.6328 UR - http://www.ncbi.nlm.nih.gov/pubmed/27836816 DO - 10.2196/medinform.6328 ID - info:doi/10.2196/medinform.6328 ER -