基于电子健康记录的二次流行病学分析的德国人工智能数据网络的代表性
Sabine Eichhorn1, Franz Niklas Mitze1, Fritz Wagner1
1University of Witten/Herdecke, Department of Otorhinolaryngology and Head and Neck Surgery, St. Josefs-Hospital, Hagen, Germany.
联合机器学习 (ML) 数据网络是流行病学大数据分析的德国人口的代表. 这种验证确保了使用电子病历的未来研究的科学有效性.
科学领域:
- 医疗信息学 医疗信息学
- 流行病学 流行病学
- 人工智能的人工智能
背景情况:
- 数字化使得人工智能驱动的电子健康记录的大数据分析能够用于流行病学.
- 联合机器学习 (ML) 为分析分布式健康数据提供了一个框架.
- 评估数据的代表性对于ML在医疗保健中的科学有效性至关重要.
研究的目的:
- 评估在德国医院之间联合的ML数据网络的代表性.
- 为了比较ML网络数据与联邦统计局 (DESTATIS) 数据的流行病学有效性.
- 确保ML数据集适用于未来的大规模流行病学研究.
主要方法:
- 追溯分析来自ML网络的8,106,105个案例文件.
- 将ML数据与DESTATIS关于人口统计,住院,诊断 (ICD-10) 和程序 (OPS代码) 的数据进行比较.
- 分析社会经济因素和区域分布,以确定潜在的混因素.
主要成果:
- 对年龄,性别,逗留时间和常见的ICD-10/OPS代码观察到高一致性.
- 在特定的ENT相关的ICD-10代码中发现了最小的偏差 (最大3.71%).
- 在社会经济因素或区域分布方面没有发现显著的偏差.
结论:
- 与官方统计数据 (DESTATIS) 相比,ML数据集的代表性很高.
- 这证实了用于强大的流行病学研究的联合ML数据网络的使用.
- 通过使用电子健康记录,使以前无法实现的流行病学大数据研究成为可能.
更多相关视频
09:35A Protocol for Using Gene Set Enrichment Analysis to Identify the Appropriate Animal Model for Translational Research
Published on: August 16, 2017
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Statistical Methods for Analyzing Epidemiological Data
Statistical Software for Data Analysis and Clinical Trials
Steps in Outbreak Investigation
Principles of Disease Surveillance
Introduction to Epidemiology
