JMIR医学信息学

在肿瘤环境中管理关键患者报告的结果测量:系统开发和回顾性研究

2022 - 11 - 03 - t10:30:02内

背景:基于收集患者报告结果(PRO)数据的远程监测方案正在肿瘤学实践中越来越多地被采用。尽管PRO是患者数据的重要来源，但文献中没有详细讨论关键PRO数据的管理。本研究为首例，旨在设计、描述和评估一个闭环报警和通信系统，专注于管理癌症护理中的pro相关警报。我们设计并开发了一个新颖的解决方案，使用一种敏捷的软件开发方法，通过增量构建新的功能。我们使用参与式设计和个体、任务和技术之间的匹配框架来评估这些新功能。使用报警功能共实施了8份问卷，报警率为7.82%(36,838/470,841)，其中13.28%(10,965/82,544)的患者触发了至少一次报警。来自191个护理小组的501名工作人员审查了警报。在标准工作时间内，所有警报的响应时间中位数为1小时(标准标准值185小时)。最严重(红色)警报的记录时间为56.83%(2592/4561)，而未标记警报的记录时间为27.68%(1298/4689)，表明临床医生与警报阈值一致。结论:基于PRO的警报和通信系统在合理的时间内复查有临床意义的PRO数据有一些初步的好处。 We have discussed key system design considerations, workflow integration, and the mitigation of potential impact on the burden of care teams. The introduction of a PRO-based alert and communication system provides a reliable mechanism for care teams to review and respond to patient symptoms quickly. The system was standardized across many different oncology settings, demonstrating system flexibility. Future studies should focus on formally evaluating system usability through qualitative methods.

图论分析在中国医疗事故复杂网络中的应用:定性研究

2022 - 11 - 03 - t10:20:17内

背景:研究表明，有多次医疗事故索赔的医院或医生更有可能涉及新的索赔。这一发现表明，医疗事故可能是由机构聚集而成的。我们的目标是确定医疗事故的潜在机制，从长远来看，这可能有助于制定干预措施，以减少未来的索赔和患者伤害。本研究从6610份医疗诉讼案卷(非结构化数据)中提取语义网络，这些案卷来自中国的一个公共司法数据库。他们代表了这个国家最严重的渎职案件。基于复杂网络理论，将中国医疗事故网络构建为知识图谱;它参考了世界卫生组织的《国际患者安全分类》。结果:我们发现中国的医疗事故网络是一个无标度网络，医疗事故在诉讼案件中的发生不是随机的，而是可追溯的。中心节点调查结果显示，骨科、妇产科和急诊科是发生医疗事故最频繁的3个专科;不充分的知情同意工作构成了最多的错误。 Nontechnical errors (eg, inadequate informed consent) showed a higher centrality than technical errors. Conclusions: Hospitals and medical boards could apply our approach to detect hub nodes that are likely to benefit from interventions; doing so could effectively control medical risks. Trial Registration: not applicable

儿童肾脏超声异常的自动筛选:深度学习和迁移学习方法

2022 - 11 - 02 - t10:00:03内

背景:近年来，便携式超声探头的进展和推广，使超声(US)成为医生诊断的有用工具。随着机器学习和深度学习的出现，开发一种筛选肾脏US异常的计算机辅助诊断系统，可以帮助全科医生早期发现儿童肾脏疾病。在本文中，我们试图评估深度学习技术对肾脏图像进行正常和异常分类的诊断性能。我们选取330张正常和1269张异常的儿童肾脏US图像，建立人工智能模型。异常图像包括结石、囊肿、高回声、占位性病变和肾积水。我们对原始图像进行预处理，用于后续的深度学习。我们从ResNet-50预训练模型中重新定义最后的连接层，将提取的特征分类为异常或正常。模型的性能通过使用受试者工作特征曲线下面积、准确性、特异性和敏感性的验证数据集进行测试。结果:建立基于ResNet-50的深度学习模型，参数大小为94 MB，用于对正常和异常图像进行分类。验证的结石、囊肿、高回声、占位性病变、肾盂积水图像的正确率(%)/曲线下面积分别为93.2/0.973、91.6/0.940、89.9/0.940、91.3/0.934、94.1/0.996。 The accuracy of normal image classification in the validation data set was 90.1%. Overall accuracy of (%)/area under curve was 92.9/0.959.. Conclusions: We established a useful, computer-aided model for automatic classification of pediatric renal US images in terms of normal and abnormal categories.

连接生物医学数据仓库记录与法国国家死亡率数据库:大规模匹配算法

2022 - 11 - 01 - t10:15:02内

在医学研究中，生物医学数据仓库(BDW)经常缺少或不确定出院后的生命状态是BDW价值的核心。法国国家死亡率数据库(FNMD)提供了每个死亡病例的公开资料。将大规模BDWs记录与FNMD进行匹配包含了多个挑战:两个数据库之间缺乏唯一的共同标识符、名称在使用过程中不断变化、书写错误以及要计算的比较数量呈指数增长。我们的目标是开发一种新的BDW记录与FNMD匹配的算法，并对其性能进行评估。我们开发了一种基于高级数据清理和命名系统知识和Damerau-Levenshtein距离(DLD)的确定性算法。使用里尔、南特和雷恩三所大学医院的BDW数据独立评估了算法的性能。对2016年1月1日在世患者(即在此日期前后至少有1家医院就诊的患者)的特异性进行评估。对2001年1月1日至2020年12月31日期间死亡的患者进行敏感性评估。将基于dld的算法与数据清理最少的直接匹配算法进行了比较，作为参考。综合所有中心，DLD-based算法的灵敏度(93.3%，95% CI 92.8-93.9)比直接算法(82.7%，95% CI 81.8-83.6; P<.001). Sensitivity was superior for men at 2 centers (Nantes: 87%, 95% CI 85.1-89 vs 83.6%, 95% CI 81.4-85.8; P=.006; Rennes: 98.6%, 95% CI 98.1-99.2 vs 96%, 95% CI 94.9-97.1; P<.001) and for patients born in France at all centers (Nantes: 85.8%, 95% CI 84.3-87.3 vs 74.9%, 95% CI 72.8-77.0; P<.001). The DLD-based algorithm revealed significant differences in sensitivity among centers (Nantes, 85.3% vs Lille and Rennes, 97.3%, P<.001). Specificity was >98% in all subgroups. Our algorithm matched tens of millions of death records from BDWs, with parallel computing capabilities and low RAM requirements. We used the Inseehop open-source R script for this measurement. Conclusions: Overall, sensitivity/recall was 11% higher using the DLD-based algorithm than that using the direct algorithm. This shows the importance of advanced data cleaning and knowledge of a naming system through DLD use. Statistically significant differences in sensitivity between groups could be found and must be considered when performing an analysis to avoid differential biases. Our algorithm, originally conceived for linking a BDW with the FNMD, can be used to match any large-scale databases. While matching operations using names are considered sensitive computational operations, the Inseehop package released here is easy to run on premises, thereby facilitating compliance with cybersecurity local framework. The use of an advanced deterministic matching algorithm such as the DLD-based algorithm is an insightful example of combining open-source external data to improve the usage value of BDWs.

基于全景图像和自动化优化的牙齿相关疾病检测系统:发展研究

2022 - 10 - 31 - t10:00:03内

背景:早期发现患者的牙齿相关疾病在维护其牙齿健康和预防未来并发症方面起着关键作用。由于牙医对与牙齿有关的疾病不太注意，这些疾病可能难以通过视觉判断，许多患者错过了及时的治疗。全景图像可检出5种具有代表性的牙齿相关疾病，即冠状面龋或缺损、近端龋、颈面龋或磨损、尖周透光性和残根。本研究构建了基于全景图像的这些疾病实时检测web服务，缩短了治疗规划时间，降低了误诊概率。本研究设计了一种利用人工智能实时评估全景图像中牙齿相关疾病的模型。该模型可对牙科医生对牙齿相关疾病的诊断起到辅助作用，减少远程医疗的治疗计划时间。为了了解5种与牙齿相关的疾病，我们建立了10000张全景图像:4206个冠状龋或缺陷，4478个近端龋，6920个颈面龋或磨损，8290个尖周放射光，1446个残根。为了学习该模型，使用了快速基于区域的卷积网络(fast R-CNN)、残余神经网络(ResNet)和初始模型。完全了解这5种与牙齿有关的疾病并不能提供准确的疾病信息，因为全景图片上的特征不清晰。因此，每一种与牙齿相关的疾病采用1个检测模型，并对每种疾病的模型进行集成，以提高准确性。 Results: The Fast R-CNN model showed the highest accuracy, with an accuracy of over 90%, in diagnosing the 5 tooth-related diseases. Thus, Fast R-CNN was selected as the final judgment model as it facilitated the real-time diagnosis of dental diseases that are difficult to judge visually from radiographs and images, thereby assisting the dentists in their treatment plans. Conclusions: The Fast R-CNN model showed the highest accuracy in the real-time diagnosis of dental diseases and can therefore play an auxiliary role in shortening the treatment planning time after the dentists diagnose the tooth-related disease. In addition, by updating the captured panoramic images of patients on the web service developed in this study, we are looking forward to increasing the accuracy of diagnosing these 5 tooth-related diseases. The dental diagnosis system in this study takes 2 minutes for diagnosing 5 diseases in 1 panoramic image. Therefore, this system plays an effective role in setting a dental treatment schedule.

评估搜索医学文献的自然语言处理算法对临床任务效率的影响:前瞻性交叉研究

2022 - 10 - 26 - t09:45:02内

背景:从电子健康记录(EHRs)中的自由文本中检索信息(IR)既耗时又复杂。我们假设，自然语言处理(NLP)增强的电子病历搜索功能可以使临床工作流程更有效，并减少临床医生的认知负荷。目的:本研究旨在评价三级搜索功能(无搜索、字符串搜索和nlp增强搜索)在模拟临床环境下为临床用户支持电子病历文件免费文本的IR的效果。方法:通过上传3组患者记录到EHR研究软件应用程序，并将其与3个相应的IR任务一起呈现，模拟一个临床环境。任务包括多项选择题和自由文本问题。采用前瞻性交叉研究设计，招募3组评价者，其中包括医生(n=19)和医科学生(n=16)。评估者按照他们随机分配的小组的顺序使用每一个搜索功能执行3个任务。测量和分析了任务完成的速度和准确性，并在反馈调查中审查了用户对nlp增强搜索的感知。结果:nlp增强搜索比两种字符串搜索更能促进任务完成的准确性(5.14%;P=.02)和无搜索(5.13%; P=.08). NLP-enhanced search and string search facilitated similar task speeds, both showing an increase in speed compared to the no search function, by 11.5% (P=.008) and 16.0% (P=.007) respectively. Overall, 93% of evaluators agreed that NLP-enhanced search would make clinical workflows more efficient than string search, with qualitative feedback reporting that NLP-enhanced search reduced cognitive load. Conclusions: To the best of our knowledge, this study is the largest evaluation to date of different search functionalities for supporting target clinical users in realistic clinical workflows, with a 3-way prospective crossover study design. NLP-enhanced search improved both accuracy and speed of clinical EHR IR tasks compared to browsing clinical notes without search. NLP-enhanced search improved accuracy and reduced the number of searches required for clinical EHR IR tasks compared to direct search term matching.

提升医院电子病历数据宝藏:挑战与机遇

2022 - 10 - 21 - t10:00:04内

电子健康记录(EHRs)已成功应用于数据科学和机器学习项目。然而，收集这些数据大部分是为了临床使用，而不是为了回顾性分析。这意味着研究人员在试图访问和准备二次使用的数据时通常会面临许多不同的问题。我们的目的是调查如何在回顾性数据科学项目中以一种有纪律的、有效的和高效的方式访问和准备原始的EHRs。我们报告了我们从一个大型数据科学项目中获得的经验和发现，该项目分析了从奥地利林茨的开普勒大学医院常规获得的回顾性数据。该项目在10年的时间里收集了超过15万名患者的数据。它包括多种数据模式，如静态人口数据、不规则获取的实验室检测结果、定期采样的生命体征和高频生理波形信号。原始医疗数据可能以许多意想不到的方式被损坏，这需要彻底的人工检查和高度个性化的数据清理解决方案。我们提出了一个通用的数据准备工作流，它是在我们的项目过程中形成的，包括以下7个步骤:获得可用的EHR数据的粗略概述，定义用于监督学习的临床有意义的标签，从医院的数据仓库中提取相关数据，匹配从不同来源提取的数据，识别它们，通过仔细的探索性分析检测其中的错误和不一致，并在实际代码中实现合适的数据处理管道。 Only few of the data preparation issues encountered in our project were addressed by generic medical data preprocessing tools that have been proposed recently. Instead, highly individualized solutions for the specific data used in one’s own research seem inevitable. We believe that the proposed workflow can serve as a guidance for practitioners, helping them to identify and address potential problems early and avoid some common pitfalls.

基于具有句法依赖特征的多头注意模型的生物医学文本关系提取:建模研究

2022 - 10 - 20 - t10:15:22内

背景:随着生物医学文献的快速扩展，生物医学信息提取越来越受到研究者的关注。其中，两个实体之间的关系提取是一个长期的研究课题。本研究旨在完成生物医学自然语言处理研讨会2019开放共享任务的2个多类关系提取任务:细菌-生物群落(BB-rel)关系提取任务和植物种子发育(SeeDev-binary)二元关系提取任务。从本质上讲，这两个任务旨在从生物医学文本中提取带注释的实体对之间的关系，这是一个具有挑战性的问题。传统的研究方法采用基于特征或核的方法，取得了良好的性能。针对这些任务，我们提出了一个基于多个分布式特征组合的深度学习模型，如特定领域的词汇嵌入、词性嵌入、实体类型嵌入、距离嵌入和位置嵌入。利用多头注意机制提取整句话的全局语义特征。同时，我们在句法依赖图中引入了依赖类型特征和连接两个候选实体的最短依赖路径，丰富了特征表示。实验表明，我们提出的模型在生物医学关系提取中具有良好的性能，在BB-rel和SeeDev-binary任务测试集上，F₁的得分分别为65.56%和38.04%。特别是在SeeDev-binary任务中，我们模型的F₁评分优于其他现有模型，达到了最先进的性能。 Conclusions: We demonstrated that the multi-head attention mechanism can learn relevant syntactic and semantic features in different representation subspaces and different positions to extract comprehensive feature representation. Moreover, syntactic dependency features can improve the performance of the model by learning dependency relation between the entities in biomedical texts.

将原始数据转化为有意义的信息以增强数据重用的特征提取过程的标准化描述:共识研究

2022 - 10 - 17 - t10:00:03内

背景:尽管数据重用提供了许多机会，但其实现存在许多困难，原始数据不能直接重用。信息并不总是在源数据库中直接可用，需要在定义算法时使用原始数据进行计算。本文的主要目的是在进行回顾性观察性研究时，对特征提取过程中所需的步骤和转换进行标准化描述。第二个目标是确定如何将特性存储在数据仓库的模式中。本研究主要包括以下3个步骤:(1)收集与特征提取相关的相关研究案例，基于数据的自动和二次使用;(2)研究案例中常见的原始数据、步骤和转换的标准化描述;(3)确定一个适当的表来存储观察医疗结果伙伴关系(OMOP)通用数据模型(CDM)中的特征。我们采访了来自3所法国大学医院和一个国家机构的10名研究人员，他们参与了8项回顾性和观察性研究。基于这些研究，出现了2种状态(航迹和特征)和2种转换(航迹定义和航迹聚合)。“跟踪”是一个与时间相关的信号或感兴趣的时间段，由一个统计单元、一个值和两个里程碑(一个开始事件和一个结束事件)定义。 “Feature” is time-independent high-level information with dimensionality identical to the statistical unit of the study, defined by a label and a value. The time dimension has become implicit in the value or name of the variable. We propose the 2 tables “TRACK” and “FEATURE” to store variables obtained in feature extraction and extend the OMOP CDM. Conclusions: We propose a standardized description of the feature extraction process. The process combined the 2 steps of track definition and track aggregation. By dividing the feature extraction into these 2 steps, difficulty was managed during track definition. The standardization of tracks requires great expertise with regard to the data, but allows the application of an infinite number of complex transformations. On the contrary, track aggregation is a very simple operation with a finite number of possibilities. A complete description of these steps could enhance the reproducibility of retrospective studies.

识别易发生De Novo急性肾损伤的心力衰竭患者:机器学习方法

2022 - 10 - 14 - t10:00:03内

背景:研究表明，半数以上伴有急性肾损伤(AKI)的心力衰竭(HF)患者有新发AKI，而肾功能评估指标如估计的肾小球滤过率在住院期间通常不会反复检测。作为一个独立的危险因素，AKI识别延迟已被证明与心力衰竭患者的不良事件相关，如慢性肾脏疾病和死亡。本研究的目的是开发和评估一种无监督机器学习模型，以识别肾功能正常但易发生新生AKI的HF患者。我们分析了一个电子健康记录数据集，其中包括5075名肾功能正常的HF患者，使用一种称为K-means聚类的无监督机器学习算法对其中的2个表型组进行分类。然后，我们通过进行生存分析、AKI预测和风险比检验来确定推断的表型指数是否有可能成为一个必要的风险指标。结果:生成的表型2中AKI发生率显著高于表型1(组1:106/2823,3.75%;第二组:259/2252,11.50%;<我> P < / i > & lt;措施)。表型2的存活率始终低于表型1 (P<.005)。根据逻辑回归，使用表型组指数的单变量模型在AKI预测中取得了很好的效果(灵敏度为0.710)。 The generated phenogroup index was also significant in serving as a risk indicator for AKI (hazard ratio 3.20, 95% CI 2.55-4.01). Consistent results were yielded by applying the proposed model on an external validation data set extracted from Medical Information Mart for Intensive Care (MIMIC) III pertaining to 1006 patients with HF and normal renal function. Conclusions: According to a machine learning analysis on electronic health record data, patients with HF who had normal renal function were clustered into separate phenogroups associated with different risk levels of de novo AKI. Our investigation suggests that using machine learning can facilitate patient phengrouping and stratification in clinical settings where the identification of high-risk patients has been challenging.