在医院网络中的电子健康记录中检测异常:将机器学习与图形算法集成

科学领域:

• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学
• 网络分析 网络分析

背景情况:

• 电子健康记录 (EHR) 对于医院系统中的临床决策至关重要.
• 医疗信息技术 (HIT) 系统的可靠性对于患者安全至关重要.
• 对于EHR数据的现有异常检测方法通常集中在单个医院,限制系统范围的洞察力.

研究的目的:

• 在医院网络中开发一种新的方法来检测EHR数据中的异常.
• 提高对全系统异常事件及其对患者安全的影响的理解.
• 创建一个可扩展的工具,用于快速识别和响应EHR数据中的偏差.

主要方法:

• 结合了先进的机器学习模型 (五个不同的模型) 与图形算法.
• 开发了一种工具,以图形形式表示检测到的异常,以便在整个医院网络中识别模式.
• 利用现实世界的数据进行广泛的测试和验证.

主要成果:

• 提出的方法有效地识别了跨越多个医疗设施的异常,表明了潜在的系统级风险.
• 证明可操作的洞察力优于现有方法.
• 该系统被证明是可扩展的,可以无地集成到现有的HIT基础设施中.

结论:

• 这种新的方法增强了系统范围内的EHR异常的检测,提高了医院网络的患者安全.
• 这种方法为HIT系统可靠性提供了强大而可扩展的解决方案.
• 机器学习和图形算法的集成为医疗保健中的积极风险管理提供了一个强大的工具.