使用电子健康记录数据评估纵向住房状态:自然语言处理,结构化数据和患者报告的病史的比较

科学领域:

• 医疗信息学 医疗信息学
• 临床研究 临床研究
• 数据科学数据科学数据科学

背景情况:

• 对有无家可归史的人来说,评估长期住房结果对于服务评估至关重要.
• 衡量住房状况的传统方法随着时间的推移,存在重大挑战.
• 退伍军人事务 (VA) 电子健康记录 (EHR) 包含丰富的数据,包括临床叙述,可能表明住房不稳定.

研究的目的:

• 为了比较各种VA EHR数据元素的有效性,包括通过自然语言处理 (NLP) 提取的数据,与患者报告的住房结果相比.
• 确定VA EHR中不同数据源的有效性,以测量随时间推移的住房不稳定性.

主要方法:

• 研究了一组无家可归的经验丰富的退伍军人.
• 包含结构元素 (例如诊断代码) 和由NLP处理的自由文本临床笔记的VA EHR数据与患者报告的住房结果进行了比较.

主要成果:

• 与标准诊断代码相比,自然语言处理 (NLP) 在识别住房不稳定性方面表现出更高的灵敏度和特异性.
• 在VA EHR中的其他结构化数据元素显示出潜力,特别是在与NLP结合使用时.
• 综合数据源,特别是NLP和结构化EHR数据,提供了更可靠的住房稳定性的衡量标准.

结论:

• 建议结合多个数据源,包括从临床笔记中提取的NLP信息和结构化的EHR数据,以准确的纵向住房结果评估.
• 未来的评估工作和研究应该利用VA EHR中各种数据的综合力量,以全面了解住房稳定性.