机器学习的应用在e-CHIRPP系统中自动编码伤害数据:开发和评估研究
Shamir N Mukhi1, Steven R McFaull2, Wendy Thompson2
1Canadian Network for Public Health Intelligence, Public Health Agency of Canada, 9700 Jasper Ave, Edmonton, AB, T5J 4C3, Canada, 1-204-771-4698.
Online journal of public health informatics
|December 17, 2025
概括
机器学习准确地自动编码患者叙述中的伤害数据,改善公共卫生监测的及时性并减少行政负担. 这增强了加拿大医院伤害报告和预防计划 (CHIRPP) 系统.
科学领域:
- 公共卫生信息学 公共卫生信息学
- 机器学习应用 机器学习应用
- 伤害监控系统 伤害监控系统
背景情况:
- 加拿大医院伤害报告和预防计划 (CHIRPP) 是加拿大的关键伤害监测系统,自1990年以来收集了超过400万份记录.
- 在e-CHIRPP系统中手动编码伤害数据是行政繁重的,并导致报告的重大延迟.
研究的目的:
- 实施机器学习以基于患者叙述的伤害数据自动编码.
- 提高监测结果的及时性,提高电子CHIRPP系统内的适应性.
主要方法:
- 评估了机器学习算法,用于从e-CHIRPP系统中提取的伤害数据的分类和自动编码.
- 选择的算法在2年和7年数据集上进行了评估,并对不准确性进行了调查,以改进过程.
主要成果:
- 对于大多数伤害变量,自动编码与手动编码相比显示出高准确度.
- 确定不准确的来源为持续的流程改进和改进提供了洞察力.
结论:
- 基于机器学习的自动编码为公共卫生监测提供了重大潜力.
- 优势包括近实时智能,减少行政工作量和增强系统适应性.
