一个综合管道用于表型表征,集群和可视化患者队列在罕见疾病导向的临床数据仓库中的综合管道
Xiaoyi Chen1,2,3, Junyuan Wang1, Carole Faviez2,3,4
1Data Science Platform, Imagine Institute, Université Paris Cité, Inserm UMR 1163, Paris, France.
Studies in health technology and informatics
|August 23, 2024
概括
这项研究引入了罕见疾病研究的新管道,增强了患者分层和表型模式的发现. 临床医生现在可以更好地了解复杂的罕见疾病,并通过先进的数据分析来改善患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 罕见疾病研究 罕见疾病研究
背景情况:
- 由于罕见疾病的复杂性和有限的数据,它们存在重大诊断和研究挑战.
- 现有的临床数据仓库往往缺乏专门的工具来深入分析罕见疾病.
研究的目的:
- 为罕见疾病研究开发一个集成的,可互操作的管道.
- 为了使先进的患者分层和普遍的表型模式的识别.
- 提高临床数据的可解释性,以了解罕见疾病.
主要方法:
- 利用自然语言处理 (NLP) 和语义相似性进行数据分析.
- 采用机器学习算法用于患者聚类和表型模式识别.
- 集成了一个以文档为导向的临床数据仓库,并提供了一个用户友好的Web界面,用于假设测试和可视化.
主要成果:
- 成功开发了一种用于罕见疾病队列表征和患者分层的综合管道.
- 确定了普遍的表型模式,并为集群解释提供了歧视性表型.
- 通过允许用户在电子健康记录中标记特定的关键字 (基因,药物,程序) 来启用视觉假设测试.
结论:
- 开发的管道为临床医生提供了一个强大的工具,以导航复杂的罕见病数据.
- 促进复杂模式的发现,从而改善罕见疾病的理解和决策.
- 旨在通过更明智的临床见解,最终提高患者的治疗结果.
