Samenvatting van Clinical Data Mining Services

De klinische gegevens kan worden verkregen uit diverse bronnen, zoals file medische transcriptie en elektronische medische dossiers (EMR). Kunnen we een nieuwe klinische database die grote hoeveelheden van de patiënt informatie en medische omstandigheden met behulp van deze twee bronnen te verzamelen? Relaties en patronen in deze data kunnen nieuwe medische kennis bieden.

Belang van Clinical Data Mining

1. In 2010 meer dan 30 miljoen mensen werden behandeld voor dodelijke ziektes. Kanker en hart-en vaatziekten zijn er weinig. Identificatie van de vroege tekenen van kanker en hart-en vaatziekten is mogelijk en kan duizenden levens redden. Analyse van een database van duizenden patiënten kunnen waardevolle informatie over mogelijke oorzaken, de aard van de progressie, etc. te verschaffen, kan systemen die de ziekte zou identificeren bij de eerste tekenen van actie leidt tot tijdige behandeling en preventie technieken te ontwikkelen helpen.

2. Elk jaar nieuwe richtlijnen over het gebruik en de dosering van de verschillende drugs. Soms geven richtlijnen een aantal drugs in combinatie gebruikt kunnen bijwerkingen veroorzaken. Het meest recente voorbeeld van:

8 juni 2011, de FDA kwam met nieuwe richtlijnen voor het gebruik van simvastatine, in het bijzonder specifieke combinaties van geneesmiddelen die nu worden gedefinieerd als "tegens" om elke dosis . simvastatine

Met behulp van deze kennis, wij patiënten die deze geneesmiddelen oneens

De klinische benadering van data mining.

De data mining proces wordt opgedeeld in vier fasen: i) het verzamelen van informatie ii) voorafgaand aan de behandeling iii) Data-analyse iv) Toepassing van kennis
Clinical Data Mining

1. Gegevensverzameling: de klinische gegevens van de patiënt worden opgeslagen in twee verschillende formaten. i) medische transcriptie bestand (met 25-30% van de informatie) ii), DME (in 75-80% van de informatie). In deze fase elke patiënt informatie over het bestand getranscribeerd en EMR toegewezen.

2. Pre-behandeling: Voor een exacte kracht van de analysator, de input document Clinical Document Architecture (CDA) is. Dus in de pre-processing ingang documenten worden omgezet in CDA-formaat.

3. Gegevensanalyse: voorbewerkte data geanalyseerd in gestructureerde vorm uniek. Hier is de ontkenning, SNOMED codes, Rx Norm codes ICD-9 codes, metingen; doseringen van medicatie, allergieën en roken worden gedetecteerd.

4. KT: Het gebruik van deze kennis, hebben we een nieuwe database en het opvragen van de database kan nuttig zijn bij het medisch onderzoek en de verbetering van de gezondheid van de patiënt
Het proces van het systematisch en automatisch te zijn.. In deze studie, een "data preparaat framework genaamd" model datavoorbereiding. In het voorgestelde model, de gegevens van de brongegevens een vlakke tafel verificatie specialist een dataset kan worden geschikt voor verdere machine learning gemaakt.

De validatie van het voorgestelde model, een aantal experimenten. , Machine learning, prestaties, receiver operating characteristic curve met behulp van het gebied om de klinische relevantie van de gekozen variabelen beoordeeld door artsen om twee soorten metingen evalueren werden beoordeeld als prestatie-indicatoren.

De resultaten tonen significante prestatieverbeteringen in elk van de drie principes preprocessing behandeling, aangegeven met beide om de juiste gegevens en heuristische regels om de werkzaamheden kan helpen verminderen vraag, en dus mogelijk te ontwikkelen. < . br>