在现实世界瘤学数据中协调逻辑观察标识符名称和代码 (LOINC) 代码和单位:方法开发和评估

科学领域:

• 医疗信息学 医疗信息学
• 生物医学数据科学 生物医学数据科学
• 临床研究数据管理数据管理

背景情况:

• 多源电子健康记录 (EHR) 和索赔数据提供了研究机会,但在语义互操作性方面面临挑战.
• 准确地将实验室测试映射到逻辑观察标识符名称和代码 (LOINC) 很难,其中6-19%的测试无法映射.
• 现有系统在缺失,无效或不正确的源数据字符串中扎,需要一个可扩展的数据完整性解决方案.

研究的目的:

• 提出一种普遍适用的框架,用于识别和纠正LOINC编码的定量实验室结果中的错误.
• 在不依赖原始源数据字符串的情况下标准化测量单位.
• 提高实验室数据的准确性,符合性,一致性和完整性.

主要方法:

• 一个两步的框架: 1) 使用相关的测量单位正确的LOINC代码. 2) 调整或填充单位以匹配LOINC代码的首选单位.
• 定量结果根据预定义的可接受范围进行验证.
• 该框架应用于来自ConcertAI数据库的约1000万名癌症患者记录和3个EHR子集.

主要成果:

• 6.34亿条记录的框架处理显示了LOINC代码单位一致性和单位完整性的显著改进.
• 正确分配的单位在主数据集中从73.1%增加到99.7%.
• 主要数据集的单元完整性从92.7%提高到99.8%,在EHR子集中也有类似的增长.

结论:

• 实验室数据质量对于瘤系统至关重要,影响治疗选择,监测和疾病评估.
• 拟议的解决方案提供了一个系统不可知,可扩展的规范化过程,以解决关键的实验室数据质量差距.
• 这一框架代表了一种新的方法,可以在多个维度上提高多源实验室数据质量.