电子病历数据库(electronic health records,EHRs)的出现为大样本临床队列研究提供了低成本、高效率的愿景和机遇,但利用EHRs开展临床研究仍然存在误区和挑战。本文回归流行病学的本质,通过实例探讨EHRs的特征,EHRs中可获得的信息与临...电子病历数据库(electronic health records,EHRs)的出现为大样本临床队列研究提供了低成本、高效率的愿景和机遇,但利用EHRs开展临床研究仍然存在误区和挑战。本文回归流行病学的本质,通过实例探讨EHRs的特征,EHRs中可获得的信息与临床研究中暴露变量、结局变量及协变量之间的对应关系,如何利用EHRs进行患病率及发病率估计、开展疗效和政策评价以及在临床研究中对选择偏倚、混杂偏倚尤其是未测量混杂偏倚的控制等,旨在促进EHRs与临床研究的整合,提高临床研究的效率及质量。展开更多
目的:构建基于人工智能的高血压性脑出血医疗文本信息自动识别系统,快速识别和分析患者临床信息,高效地输出正确的诊疗方案。方法:基于国内外最新高血压性脑出血诊疗指南,经多位高年资神经外科医生和专业人工智能团队共同讨论,构建基于...目的:构建基于人工智能的高血压性脑出血医疗文本信息自动识别系统,快速识别和分析患者临床信息,高效地输出正确的诊疗方案。方法:基于国内外最新高血压性脑出血诊疗指南,经多位高年资神经外科医生和专业人工智能团队共同讨论,构建基于语言表征模型和专家模块的高血压性脑出血医疗文本信息自动识别及决策系统(即H系统)。随后将收集到的高血压性脑出血病例分为训练集、测试集和验证集,以数据库中病例的真实治疗方案为金标准,先总体评价H系统的准确性,再将其与神经外科医生进行对比,分析H系统的判读效率。结果:在测试集中,H系统所输出的治疗方案的准确率为94.0%(91.5%~96.5%),特异度为91.8%(86.3%~97.3%),灵敏度为95.5%(89.3%~98.2%),曲线下面积(area under the curve,AUC)值为0.936(0.922~0.950)(P=0.000);在验证集中,H系统所输出的治疗方案的准确率为93.3%(89.5%~97.1%),特异度为89.9%(83.4%~96.4%),灵敏度为95.8%(92.3%~99.3%),AUC值为0.928(0.891~0.966)(P=0.000)。在处理同样的70例病例时,H系统用时(334.60±4.46)s,而神经外科医生用时(12 550.28±95.45)s;在50 min内,H系统处理的病例数为(383±3)例,而神经外科医生处理的病例数为(11±4)例。结论:本研究所构建的H系统能够对高血压性脑出血患者的急诊病例进行自动识别和分析,并快速输出准确的诊疗方案,可协助医生对高血压脑出血进行急诊诊疗。展开更多
近日,《Health Policy》杂志发表了题为“The primary-secondary care interface：Does provision of more services in primary care reduce referrals to medical specialists？”的文章,研究发现,在初级卫生保健机构中卫生服务的提...近日,《Health Policy》杂志发表了题为“The primary-secondary care interface：Does provision of more services in primary care reduce referrals to medical specialists？”的文章,研究发现,在初级卫生保健机构中卫生服务的提供数量与转诊率之间没有必然的联系。该研究在电子病历数据库中抽取了2006—2010年651 089名患者的数据,采用多元Logistic回归进行分析,以明确初级卫生保健服务提供的数量与转诊率之间的关系。展开更多
文摘电子病历数据库(electronic health records,EHRs)的出现为大样本临床队列研究提供了低成本、高效率的愿景和机遇,但利用EHRs开展临床研究仍然存在误区和挑战。本文回归流行病学的本质,通过实例探讨EHRs的特征,EHRs中可获得的信息与临床研究中暴露变量、结局变量及协变量之间的对应关系,如何利用EHRs进行患病率及发病率估计、开展疗效和政策评价以及在临床研究中对选择偏倚、混杂偏倚尤其是未测量混杂偏倚的控制等,旨在促进EHRs与临床研究的整合,提高临床研究的效率及质量。
文摘目的:构建基于人工智能的高血压性脑出血医疗文本信息自动识别系统,快速识别和分析患者临床信息,高效地输出正确的诊疗方案。方法:基于国内外最新高血压性脑出血诊疗指南,经多位高年资神经外科医生和专业人工智能团队共同讨论,构建基于语言表征模型和专家模块的高血压性脑出血医疗文本信息自动识别及决策系统(即H系统)。随后将收集到的高血压性脑出血病例分为训练集、测试集和验证集,以数据库中病例的真实治疗方案为金标准,先总体评价H系统的准确性,再将其与神经外科医生进行对比,分析H系统的判读效率。结果:在测试集中,H系统所输出的治疗方案的准确率为94.0%(91.5%~96.5%),特异度为91.8%(86.3%~97.3%),灵敏度为95.5%(89.3%~98.2%),曲线下面积(area under the curve,AUC)值为0.936(0.922~0.950)(P=0.000);在验证集中,H系统所输出的治疗方案的准确率为93.3%(89.5%~97.1%),特异度为89.9%(83.4%~96.4%),灵敏度为95.8%(92.3%~99.3%),AUC值为0.928(0.891~0.966)(P=0.000)。在处理同样的70例病例时,H系统用时(334.60±4.46)s,而神经外科医生用时(12 550.28±95.45)s;在50 min内,H系统处理的病例数为(383±3)例,而神经外科医生处理的病例数为(11±4)例。结论:本研究所构建的H系统能够对高血压性脑出血患者的急诊病例进行自动识别和分析,并快速输出准确的诊疗方案,可协助医生对高血压脑出血进行急诊诊疗。
文摘近日,《Health Policy》杂志发表了题为“The primary-secondary care interface：Does provision of more services in primary care reduce referrals to medical specialists？”的文章,研究发现,在初级卫生保健机构中卫生服务的提供数量与转诊率之间没有必然的联系。该研究在电子病历数据库中抽取了2006—2010年651 089名患者的数据,采用多元Logistic回归进行分析,以明确初级卫生保健服务提供的数量与转诊率之间的关系。
