NeuroDiscovery AI database: Comprehensive EHR dataset for Neurology
Notice bibliographique
Résumé
Abstract Purpose The NeuroDiscovery AI database is a comprehensive real-world data (RWD) repository containing de-identified electronic health record (EHR) data from U.S.-based neurology outpatient clinics. The structured data encompasses sociodemographic details, clinical examinations, social, medical, and lifestyle histories, International Classification of Diseases (ICD-9/ICD-10) diagnoses, and prescribed medications. Additionally, the database integrates neuroimaging data and laboratory results, providing a robust resource for clinical research. This paper describes a subset of the NeuroDiscovery AI dataset and outlines the processes involved in its development. Participants As of October 15, 2024, the dataset includes EHR data from 355,791 patients, of whom 40.72% are male. Over 40.06% of the patients are aged 60 or older, spanning across 14,797 distinct diagnosis codes. The data represents more than 15 years of longitudinal patient information, with 26.87% of patients classified as active (defined as having had clinical encounters within the last 18 months). The median follow-up duration for active patients is 19.54 months. Limitation The large sample size, rigorous data processing, and robust data security of the NeuroDiscovery AI dataset are key strengths, enabling comprehensive studies on disease progression, treatment responses, and long-term outcomes in neurology. The dataset aligns closely with published demographic trends for various neurological conditions, including a female predominance in migraines, multiple sclerosis, and vertigo, with slight variations in age and gender distribution for conditions such as ALS. However, challenges remain, including missing data and data heterogeneity. Ongoing efforts to expand and diversify the dataset aim to improve its applicability and representativeness. Future plan The NeuroDiscovery AI dataset will expand by incorporating data from more providers and improving diversity, aiming to become one of the largest neurology-focused datasets. The platform will continue to evolve into a comprehensive analytical tool, integrating cohort building and data interrogation functionalities to streamline clinical workflows. These enhancements will enable faster, more accurate decision-making, and future efforts will focus on identifying key trends in neurological conditions and patient outcomes.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,016 |
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 ».