使用人工智能在电子健康记录中识别偏头痛和相关症状和疾病的患者

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 现实世界的证据生成

背景情况:

• 来自电子健康记录 (EHR) 的现实世界证据 (RWE) 对医疗保健决策至关重要.
• 电子病历数据包括结构化字段和非结构化自由文本,自由文本通常包含更丰富的患者信息.
• 从非结构化EHR数据中提取有意义的见解需要先进的技术和严格的方法.

研究的目的:

• 开发和验证一种方法来识别与偏头痛存在和进展相关的概念,使用完整的EHR数据.
• 为了比较传统RWE方法的有效性与集成AI的先进RWE方法,用于偏头痛数据提取.

主要方法:

• 评估了"传统RWE" (结构化EHR数据) 和"高级RWE" (非结构化EHR数据与AI/NLP) 与手动图表抽象相比.
• 利用来自第三级护理机构的数据.
• 主要终点是回忆,使用千平方测试分析差异.

主要成果:

• 与传统RWE相比,先进RWE在偏头痛 (96.8%) 和头痛 (92.9%) 中实现了显著更高的回忆率 (66.6%和29.6%).
• 先进的RWE在偏头痛相关症状方面表现出优异的回忆力 (71.5-88.8%的绝对差异).
• 对于这两种方法,偏头痛药物的回忆率很高,但有利于高级RWE (≥98%vs~80%).

结论:

• 由AI处理的非结构化EHR数据为偏头痛中RWE提供了比单独结构化数据更可信的来源.
• 开发了一种算法,以进一步研究和验证偏头痛诊断和管理的RWE.
• 使用人工智能对非结构化EHR数据的分析,提高了现实世界的证据的质量和完整性.