提取非结构化的电子健康记录来评估质母细胞瘤治疗模式
Akshay Swaminathan1, Alexander L Ren1, Janet Y Wu1
1Stanford University School of Medicine, Stanford, CA.
JCO clinical cancer informatics
|June 10, 2024
概括
这项研究开发了一种有效的方法,从电子健康记录 (EHR) 中提取癌症治疗疗法线 (LOT). 该方法准确地识别了多种质母细胞瘤 (GBM) 诊断,并为改善瘤学研究得出了LOT.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 临床数据管理 临床数据管理
背景情况:
- 治疗线 (LOT) 对癌症研究至关重要,但在电子健康记录 (EHR) 中没有明确记录.
- 多形质母细胞瘤 (GBM) 是一种具有挑战性的癌症,需要详细的治疗史分析.
- 在大规模的临床瘤学研究中,从电子健康记录中有效抽象数据至关重要.
研究的目的:
- 开发一个高效的临床数据抽象工作流程,从EHR中提取多种质母细胞瘤 (GBM) 诊断.
- 创建一个灵活的算法,从EHR药物数据中推导出治疗线 (LOT) 用于GBM患者.
- 展示基于EHR的可扩展和高效的瘤学研究的潜力.
主要方法:
- 非临床医生从电子健康记录中抽象了GBM诊断,与临床医生抽象相比,其准确度更高.
- 使用抽象的诊断数据建立了一个GBM患者队列.
- 开发了一种算法,从结构化药物数据中推导出LOT,考虑治疗补充,停止和药物类别.
- 使用Kaplan-Meier方法进行了时间到下一次治疗 (TTNT) 分析.
主要成果:
- 与临床医生相比,非临床的GBM诊断抽象显示出高准确性 (灵敏度0.98,特异性1.00).
- 在693例确诊的GBM病例中,有246例具有结构化药物数据.
- 67.1%的患者接受了特莫索洛米德作为一线治疗 (1L),从1L开始的中位数TTNT为179天.
结论:
- 非临床抽象和算法处理的结合工作流可以有效地从EHR中提取GBM诊断和LOT.
- 这种方法的准确性与临床医生抽象相提并论.
- 该方法为基于EHR的瘤学研究提供了可扩展的解决方案,改善了临床研究数据的可用性.
