Opsummering af kliniske data Mining Services

Kliniske data kan fås fra forskellige kilder, såsom fil medicinsk transskription og elektroniske patientjournaler (EMR). Kan vi få en ny klinisk database, at store mængder af patientinformation og medicinske tilstande ved hjælp af disse to kilder ophobes? Relationer og mønstre i disse data kunne give ny medicinsk viden.

Betydningen for Klinisk datamining

1. I 2010 over 30 millioner mennesker blev behandlet for dødelige sygdomme. Kræft og hjertesygdomme er få. Identifikation af tidlige tegn på kræft og hjertesygdomme er muligt og kan redde tusindvis af menneskeliv. Analyse af en database med tusindvis af patienterne kan give værdifulde oplysninger om mulige årsager, arten af ​​progression mv kan hjælpe systemer, der ville identificere sygdommen på det første tegn på en indsats for at udvikle fører til rettidig behandling og forebyggelse teknikker.

2. Hvert år udstedt nye retningslinjer for brug og dosering af forskellige lægemidler. Sommetider retningslinjer giver en række lægemidler, der anvendes i kombination kan frembringe bivirkninger. Det seneste eksempel på, at:

8 Jun 2011, FDA kom ud med nye retningslinjer for brugen af ​​simvastatin, især specifikke kombinationer af lægemidler, der nu er defineret som "ulemper" til hver dosis af . simvastatin

Ved hjælp af denne viden, vi patienter, der tager disse lægemidler til at være uenig

Klinisk tilgang til data mining:.

De data mining processen er opdelt i fire faser: i) indsamling af oplysninger ii) før behandling iii) Dataanalyse iv) Anvendelse af viden
Clinical Data Mining

1. Dataindsamling: de kliniske data for en patient er lagret i to forskellige formater. i) medicinsk transskription fil (indeholdende fra 25 til 30% af oplysningerne) ii), DME (i 75-80% af information). I denne fase, hver patient oplysninger om filen transskriberet og EMR kortlagt.

2. Forbehandling: For en nøjagtig magt analysator, inputdokumentet Klinisk Document Arkitektur (CDA) er. Så i den præ-behandling input dokumenter vil blive konverteret til CDA-format.

3. Dataanalyse: pre-behandlede data analyseres i et struktureret format unikt. Her er negationen, SNOMED koder, Rx Norm koder, ICD-9-koder, målinger; doser af medicin, allergi og rygning er opdaget.

4. KT: Brugen af ​​denne viden, har vi en ny database, og forespørge databasen kan være nyttigt i medicinsk forskning og forbedre sundheden for patienten
Processen med systematisk og automatisk at være.. I denne undersøgelse, en "præparat datasystemer kaldet" model til forberedelse af data. I den foreslåede model, data fra kildedata i en flad tabel verifikation specialist, en datasæt kan gøres egnet til yderligere maskine læring.

validering af den foreslåede model, en række forsøg. , Machine læring, performance, receiver opererer karakteristisk kurve ved hjælp af området til den kliniske relevans af de udvalgte variable vurderet af læger til at vurdere to typer af målinger blev vurderet som resultatindikatorer.

Resultaterne viser betydelige præstationsforbedringer i hver af de tre principper forbehandlingsfasen behandling, der angives med begge typer til de rigtige data og heuristiske regler for at lede arbejdet kan bidrage til at mindske efterspørgslen, og dermed gøre det muligt at udvikle. < . br>