SNOMED CT-Based Standardized e-Clinical Pathways for Enabling Big Data Analytics in Healthcare
Notice bibliographique
Résumé
Automation of healthcare facilities represents a challenging task of streamlining a highly information-intensive sector. Modern healthcare processes produce large amounts of data that have great potential for health policymakers and data science researchers. However, a considerable portion of such data is not captured in electronic format and hidden inside the paperwork. A major source of missing data in healthcare is paper-based clinical pathways (CPs). CPs are healthcare plans that detail the interventions for the treatment of patients, and thus are the primary source for healthcare data. However, most CPs are used as paper-based documents and not fully automated. A key contribution towards the full automation of CPs is their proper computer modeling and encoding their data with international clinical terminologies. We present in this research an ontology-based CP automation model in which CP data are standardized with SNOMED CT, thus enabling machine learning algorithms to be applied to CP-based datasets. CPs automated under this model contribute significantly to reducing data missingness problems, enabling detailed statistical analyses on CP data, and improving the results of data analytics algorithms. Our experimental results on predicting the Length of Stay (LOS) of stroke patients using a dataset resulting from an e-clinical pathway demonstrate improved prediction results compared with LOS prediction using traditional EHR-based datasets. Fully automated CPs enrich medical datasets with more CP data and open new opportunities for machine learning algorithms to show their full potential in improving healthcare, reducing costs, and increasing patient satisfaction.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».