Oppsummering av kliniske data Mining Services

Kliniske data kan hentes fra ulike kilder, for eksempel fil Medical Transcription og elektronisk pasientjournal (EPJ). Kan vi ha en ny klinisk database at store mengder av pasientopplysninger og medisinske tilstander ved hjelp av disse to kildene akkumulere? Relasjoner og mønstre i disse dataene vil kunne gi ny medisinsk kunnskap.

Viktigheten av Clinical Data Mining

1. I 2010 over 30 millioner mennesker ble behandlet for livstruende sykdommer. Kreft og hjertesykdom er få. Identifisering av tidlige tegn på kreft og hjertesykdom er mulig og kan redde tusenvis av liv. Analyse av en database med tusenvis av pasienter kan gi verdifull informasjon om mulige årsaker, natur progresjon, etc., kan bidra til systemer som ville identifisere sykdommen ved første tegn på tiltak for å utvikle fører til rettidig behandling og forebygging teknikker.

2. Hvert år vedtatt nye retningslinjer for bruk og dosering av ulike rusmidler. Noen ganger retningslinjene gir en rekke medikamenter som brukes i kombinasjon kan gi bivirkninger. Det nyeste eksempelet på at:

8 juni 2011, FDA kom ut med nye retningslinjer for bruk av simvastatin, særlig spesifikke kombinasjoner av legemidler som er nå definert som "cons" hver dose . simvastatin

Ved hjelp av denne kunnskapen, vi pasienter som bruker disse stoffene til å være uenig

Klinisk tilnærming til data mining.

data mining prosessen er delt inn i fire faser: i) innsamling av informasjon ii) før behandling iii) Dataanalyse iv) anvendelse av kunnskap
Clinical Data Mining

1. Datainnsamling: kliniske data for en pasient er lagret i to forskjellige formater. i) Medisinsk transkripsjons fil (inneholdende fra 25 til 30% av informasjonen) ii), DME (i 75-80% av informasjonen). I denne fasen, hver pasient informasjon om filen transkribert og EPJ kartlagt.

2. Forbehandling: For en nøyaktig kraft av analysatoren, er inngangsdokumentet Clinical Document Architecture (CDA). Så i de pre-prosessering inngangs dokumenter vil bli konvertert til CDA format.

3. Dataanalyse: pre-behandlede data blir analysert i et strukturert format unik. Her er en negasjon, SNOMED koder, Rx Norm koder, ICD-9 koder, målinger; doser av medisiner, allergier og røyking blir oppdaget.

4. KT: Bruken av denne kunnskapen, har vi en ny database, og spørre databasen kan være nyttig i medisinsk forskning og forbedre helsen til pasienten
Prosessen med systematisk og automatisk å være.. I denne studien en "data forberedelse rammeverk som heter" modell for data forberedelse. I den foreslåtte modellen, data fra kildedataene i et flatt bord verifisering spesialist, et datasett kan gjøres egnet for videre maskinlæring.

valideringen av den foreslåtte modellen, en rekke eksperimenter. , Machine læring, ytelse, mottaker opererer karakteristikk bruker området til den kliniske relevansen av de valgte variablene vurdert av leger til å vurdere to typer målinger ble evaluert som ytelsesindikatorer.

Resultatene viser betydelige ytelsesforbedringer i hver av de tre prinsippene forbehandling behandling, vist ved begge typer til riktige data og heuristiske regler for å lede arbeidet kan bidra til å redusere etterspørselen, og dermed gjøre det mulig å utvikle. < . br>