从手动临床标准到机器学习算法:比较来自不同电子健康记录数据模式的结果终点
Shreya Chappidi1,2, Mason J Belue3, Stephanie A Harmon3
1Radiation Oncology Branch, Center for Cancer Research, National Cancer Institute, National Institutes of Health, Bethesda, Maryland, United States of America.
机器学习算法可以从电子健康记录 (EHR) 中提取无进展生存率 (PFS). 然而,数据偏差和自动化临床标准的挑战需要进一步的研究,以准确地提取PFS指标.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 无进展生存 (PFS) 是癌症治疗评估的关键终点.
- 目前的PFS指标生成是主观的,取决于专家,并且耗时.
- 使用机器学习 (ML) 从电子健康记录 (EHR) 中自动提取PFS是一个新兴的领域.
研究的目的:
- 探索使用多模式ML算法的好处和挑战,以自动化从EHR数据中提取PFS指标.
- 将ML衍生的PFS指标与手动注释的临床指南PFS指标进行比较.
主要方法:
- 分析了92名多形质母细胞瘤 (GBM) 患者的EHR数据.
- 开发了PFS导出三种方法:皮质类固醇处方频率,放射学报告的自然语言处理 (NLP) 和MRI扫描的计算机视觉 (CV) 分析.
- 将ML衍生的PFS与手动注释的临床指南PFS进行比较.
主要成果:
- 独立进展率各不相同:63% (处方),78% (NLP),54% (CV),与99% (手册指南) 相比.
- CV和NLP算法比手动方法 (分别为2.6个月和6.9个月) 更早地发现进展,而处方更晚地发现 (5.2个月).
- 只有一半的患者在心血管分析中显示瘤体积增加,尽管病变生长是指导指标.
结论:
- 数据驱动的算法可以从EHR中提取瘤进展,但面临偏见和资源负担.
- 使用ML自动化临床标准可能与人类的解释不一致.
- 除了ML开发之外,还需要改进数据集成,验证和临床标准的完善.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
相关概念视频
Methods of Documentation VII: EMR
Comparing the Survival Analysis of Two or More Groups
Hazard Ratio
For example, in a clinical trial...
Receiver Operating Characteristic Plot
Types of Biopharmaceutical Studies: Controlled and Non-Controlled Approaches
Non-controlled studies, commonly employed for initial exploration, lack a control group, rendering them susceptible to biases and external influences. In contrast,...
Nursing Evaluation
