Extracting Social Determinants of Health from Inpatient Electronic Medical Records
Notice bibliographique
Résumé
ObjectiveSocial determinants of health (SDOH) have been shown to be important predictors of health outcomes. Here we assess how best to extract SDOH variables from inpatient electronic medical record (EMR) data. ApproachFour social determinants were targeted: patient language barriers, employment status, education, and whether the patient lives alone. Inpatients aged 18 and older with records in the Calgary-wide EMR system were studied. Algorithms were developed on January 2019 hospital admissions (n=8,999), and validated on January 2018 hospital admissions (n=8,839). SDOH documented as structured data, which can be easily queried, were compared against those extracted from unstructured free-text notes. ResultsMore than twice as many patients had an unstructured note documenting a language barrier than in the structured data; 12% of patients indicated by notes to be living alone had a partner in their structured marital status. The Positive Predictive Value (PPV) of the elements extracted from notes was high, at 99% (95% CI 94.0%-100.0%) for language barriers, 98% (95% CI 92.6%-99.9%) for living alone, 96% (95% CI 89.8%-98.8%) for unemployment, and 88% (95% CI 80.0%-93.1%) for retirement. ConclusionsIt is possible to extract SDOH elements from free text notes with high PPV. SDOH documentation was largely missing in structured data, and sometimes misleading. ImplicationsFree text notes can be a fruitful source of information for projects using SDOH variables, such as machine learning/AI or health services research, and can offer insights not available from the structured data elements.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».