Developing and Validating Electronic Medical Record Based Case Definitions for Liver Diseases and Comorbidities
Notice bibliographique
Résumé
ABSTRACTObjectiveChina has collected high volume of electronic health record (EMR) data. The rich information in EMR data could be used for health services research. The first challenge is developing methods for extracting study variables. Our study aimed to develop and validate data extraction methods for defining clinical conditions. ApproachThe EMRs were from Beijing You-An Hospital, a leading liver diseases specialized teaching hospital affiliated with Capital Medical University in China. We developed EMR based case definitions for extracting common liver diseases and comorbidities in Charlson and Elixhauser comorbidity algorithms. We developed the EMR case definitions based on the fundamental EMR structure and clinical expertise. To determine validity of the EMR case definitions, we calculated the sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV) for each case definition based on the “gold standard”: randomly selected 450 charts review conducted by two hepatologists. The agreement between the two reviewers was assessed by kappa value. ResultsIn total, 69,864 EMRs for adult patients with liver disease admitted between 2010 and 2015 were included in this study. Among these patients, we identified 13,763 (19.7%) PLC, 18,654 (26.7%) Hepatitis B Virus (HBV), 4681 (6.7%) Hepatitis C Virus (HCV), 18,933 (27.1%) cirrhosis, 7,964 (11.4%) diabetes, 8,523 (12.2%) hypertension, 3,283 (4.7%) Fluid and Electrolyte Disorder (FED), 3,563 (5.1%) renal disease and 1,258 (1.8%) Cerebrovascular Disease (CEVD). Between the two reviewers, the Kappa values fell between 0.65 and 1.00. Of the 450 EMRs reviewed, the two reviewers identified 95 (21.1%) PLC, 197 (43.8%) HBV, 40 (8.9%) HCV, 146 (32.4%) cirrhosis, 39 (8.7%) diabetes, 45 (10.0%) hypertension, 25 (5.6%) FED, 26 (5.8%) renal disease and 8 (1.8%) CEVD. Compared to chart review, the sensitivity, specificity, PPV and NPV of the algorithms for above conditions are respectively: (PLC) 100%, 99.44%, 97.94%, 100%; (HBV) 61.93%, 99.21%, 98.39%, 76.99%; (HCV) 72.50%, 99.51%, 93.55%, 97.37%; (cirrhosis) 78.77%, 98.36%, 95.83%, 90.61%; (diabetes) 97.44%, 98.05%, 82.61%, 99.75%; (hypertension) 95.00%, 99.72%, 97.44%, 99.45%; (FED) 71.43%, 100.00%, 100.00%, 99.09%; (renal disease) 96.15% 100.00% 100.00% 99.76%; (CEVD) 100.00%, 99.77%, 88.89%, 100.00%. ConclusionOur EMR case definitions of above conditions had high validity and could be applied to extract clinical variables including major liver diseases and comorbidities from Chinese EMR. This extracting method could be modified slightly for extracting other medical conditions from Chinese EMRs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,104 | 0,234 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».