在电子医疗记录的非结构化文本中找到潜在的不良事件:莎士比亚方法的发展

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 患者安全 患者安全

背景情况:

• 电子健康记录 (EHR) 中的大数据分析提供了监测患者损害 (不良事件,AE) 的潜力.
• 目前的AE检测方法通常需要预先规范或手动标准化.
• 需要一种新的方法来识别归因和未归因的AE,包括以前未被认可的AE.

研究的目的:

• 开发和评估一种新的方法,用于在非结构化的EHR文本中识别归因和非归因的潜在不良事件 (PAE).
• 为了利用词频率分析,灵感来自于作者归因技术,用于AE发现.

主要方法:

• 利用来自主要教学医院的成人重症监护 EHR 数据 (2001-2012).
• 采用兴趣组和对照组之间的比较分析,识别统计学上显著的单词.
• 应用主题建模到过的文档和手动审查的最高分数的文档以识别PAE.

主要成果:

• 开发的方法确定了与包括PAE在内的疾病相关的主题.
• 确定的PAE中很大一部分在临床笔记中没有被归因.
• 该研究成功地检测出与输血相关的未归因的PAE (例如,输血相关的心脏过载) 和潜在的肝素污染事件.

结论:

• 这种新的"莎士比亚方法"显示出它作为使用电子健康记录数据进行不良事件报告和监测的补充工具的前景.
• 这种方法可以发现以前未被识别或未归因的潜在不良事件.
• 未来的工作应该集中在自动化手动审查过程以提高效率.