Tiivistelmä kliinisistä data Services

Kliiniset tiedot voidaan saada eri lähteistä, kuten tiedostojen lääketieteellinen jäljentäminen ja sähköiset potilastiedot (EMR). Voimmeko on uusi kliininen tietokanta että suuria määriä potilastietojen ja sairauksia käyttämällä näitä kahdesta lähteestä kerääntyä? Ihmissuhteet ja malleja tietojen voisi tarjota uutta lääketieteellistä tietoa.

tärkeys Kliininen Data Mining

1. Vuonna 2010 yli 30 miljoonaa ihmistä hoidettiin kuolemaan johtavia sairauksia. Syövän ja sydänsairauksien on vähän. Tunnistaminen varhaiset merkit syöpää ja sydänsairauksia on mahdollista ja voi säästää tuhansia ihmishenkiä. Analyysi tietokanta tuhansille potilaille voi antaa arvokasta tietoa mahdollisista syistä, luonteesta etenemisen, jne., Voidaan edistää järjestelmien joka tunnistaa taudin ensimmäinen merkki toiminnan kehittämiseksi johtaa ajoissa hoitoon ja ehkäisyyn tekniikoita.

2. Joka vuosi antanut uudet ohjeet käyttöä ja annostus eri huumeita. Joskus suuntaviivat tarjoavat useita lääkkeitä käytetään yhdessä voi tuottaa haittavaikutuksia. Tuorein esimerkki tästä:

08 kesäkuu 2011, FDA tuli ulos uudet suuntaviivat käyttöön simvastatiinin, erityisesti erityiset lääkeyhdistelmästä ovat nyt määritelty "huonot" jokaiselle annoksen simvastatiini.

Käyttämällä tätä tietoa, voimme potilailla näitä lääkkeitä eri mieltä.

Kliininen lähestymistapa data mining:

data mining prosessi on jaettu neljään vaiheeseen: i) Tietojen kerääminen ii) ennen hoitoa iii) Tietojen analysointi iv) tiedon soveltaminen
Kliininen data

1. Tiedonkeruu: kliiniset tiedot potilaan on tallennettu kahdessa eri muodossa. i) Lääketieteellinen jäljentäminen tiedoston (joka sisältää 25-30% tiedoista) ii), DME (vuonna 75-80% tiedot). Tässä vaiheessa jokainen potilas tietoa tiedosto puhtaaksi ja EMR kartoitettu.

2. Esikäsittely: Tarkan teho analysaattorin, tulo asiakirja Clinical Document Architecture (CDA) on. Joten esikäsittelykoneissa tulo asiakirjat muunnetaan CDA-formaatissa.

3. Tietojen analysointi: pre-käsitellyt tiedot analysoidaan strukturoidussa muodossa ainutlaatuinen. Tässä on negaatio, SNOMED koodit, Rx Norm koodit, ICD-9-koodit, mittaukset; annoksia lääkkeitä, allergiat ja tupakointi havaitaan.

4. KT: käyttö tämän tiedon, meillä on uusi tietokanta, ja pohti tietokanta voi olla hyödyllinen lääketieteellisessä tutkimuksessa ja parantaa potilaan terveydentilasta.
Prosessi järjestelmällisesti ja automaattisesti olla. Tässä tutkimuksessa, "tietojen valmistelu puitteet nimeltään" malli tietojen valmistelu. Ehdotetussa mallissa tiedot lähteestä data tasaista pöytää todentaminen asiantuntija, aineisto voidaan tehdä sopivaksi edelleen koneoppimisen.

validointi ehdotetun mallin, useita kokeita. , Machine oppiminen, suorituskyky, vastaanotin toimii ominaiskäyrä käyttämällä alueen kliinistä merkitystä valittujen muuttujien arvioi lääkärit arvioimaan kahdentyyppisiä mittauksia arvioitiin tulosindikaattorit.

Tulokset osoittavat merkittävää suorituskyvyn parannuksia kussakin kolme periaatetta esikäsittely käsittely, ilmaistaan ​​molempia oikealle tietojen ja heuristisia säännöt ohjata työtä voi auttaa vähentämään kysyntää, ja siten on mahdollista kehittää.
.