使用电子健康记录数据挖掘用于心力衰竭的亚型
Matti A Vuori1,2,3, Tuomo Kiiskinen4, Niina Pitkänen5
1Division of Medicine, University of Turku, Kiinamyllynkatu 10, Turku, FI-20520, Finland. makvuo@utu.fi.
电子健康记录 (EHR) 数据挖掘使用喷射分数 (EF) 和实验室数据准确地分类心力衰竭 (HF). 这种方法改善了HF的分类,特别是对于具有减少EF (HFrEF) 的HF.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 准确的心力衰竭 (HF) 亚型化对于有效的治疗和预后至关重要.
- 基于注册表的高频子类型传统上依赖于结构化数据,可能缺少细微信息.
- 电子健康记录 (EHR) 数据提供了丰富的非结构化临床信息来源.
研究的目的:
- 评估EHR数据的文本挖掘的有效性,以改善基于注册表的心力衰竭 (HF) 亚型化.
- 为了评估算法衍生的射出分数 (EF) 在分类HF亚型时的准确性.
- 为了比较基于传统HF诊断的生存分析与基于算法的亚型化.
主要方法:
- 从43,405个人的非结构化EHR数据中进行文本挖掘,以识别弹射率 (EF) 的提及.
- 算法识别的EF与200名随机选择的患者的临床评估的验证.
- 整合结构化实验室数据用于HF亚型,分为HF轻度减少EF (HFmrEF),HF保存EF (HFpEF) 和HF减少EF (HFrEF).
主要成果:
- 该算法在86%的案例中正确将EF分配到适当的高频子类型范围.
- 对HFrEF和HFmrEF观察到高灵敏度,特异性,正预测值 (PPV) 和负预测值 (NPV).
- 死亡风险从HFmrEF逐渐增加到HFpEF到HFrEF,与传统诊断一致.
结论:
- 定量喷射分数 (EF) 数据可以使用文本挖掘有效地从电子健康记录中提取.
- 电子健康记录数据与实验室数据相结合,可以实现相当准确的高频子类型,特别是对于HFrEF.
- 开发的方法显示了提高HF分类和流行病学研究的潜力.
更多相关视频
05:15Cutoff Value of Phase Angle by Bioelectrical Impedance Analysis at Admission as a Prognostic Factor in Patients with Acute Heart Failure
Published on: June 10, 2025
09:20Cloud-Based Phrase Mining and Analysis of User-Defined Phrase-Category Association in Biomedical Publications
Published on: February 23, 2019
相关概念视频
Heart Failure IV: Classification and Diagnostic Evaluation
Heart Failure VII: Nursing Interventions
Heart Failure VI: Adjunct Therapies
Heart Failure V: Medical Management
Pathophysiology of Heart Failure
Heart Failure Drugs: β-Blockers
