Improving Detection of Hospital Adverse Events Using Machine Learning on Real-World Narrative EMR Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ObjectiveAdministrative data often underrepresents hospital adverse events (AEs) due to limitations in International Classification of Diseases (ICD) coding. By leveraging electronic medical records (EMRs), we aim to mitigate these discrepancies and enhance the precision of healthcare surveillance and performance evaluations. To this end, we have developed a machine learning (ML)-based approach that utilizes EMR text data to detect common AEs. MethodsWe sampled adult admissions from four Calgary hospitals (2017 - 2022). Registered nurses assessed charts for 17 AEs, and the results were used as reference standard. We compared two AE detection methods: the standard ICD-based method following Canadian guidelines, and our ML algorithm applied to EMR narratives. Sensitivity, positive predictive value (PPV), negative predictive value (NPV), and specificity for both methods were calculated and compared against the reference standard. ResultsWe analyzed 9,566 patients, of whom 1,506 were identified with AEs. Of the 17 AEs, the sensitivity in ICD-coded data ranged from 0-37%, and in EMRs, it was between 75-100%. Both showed low PPV (0-50% ICD vs.1-34% EMR). ICD data had high specificity ranging from 99-100% and NPV (99%-100%), while EMRs had specificity between 68-94% and an NPV of 100%. Conclusion and ImplicationsML significantly enhances sensitivity for AE detection compared to ICD-10-CA coding, despite both methods experiencing low PPV due to imbalances in EMR data. This marked improvement in sensitivity highlights ML's potential to transform AE surveillance and reporting, promising significant advancements in patient safety and healthcare quality by enabling more accurate and comprehensive identification of AEs.
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.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| Science ouverte | 0,004 | 0,002 |
| 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 découle