[论文解读] Mining Electronic Health Records: A Survey

Pranjul Yadav, Michael Steinbach+2 more|arXiv (Cornell University)|Feb 9, 2017

Machine Learning in Healthcare参考文献 219被引用 10

一句话总结

本综述全面概述了电子健康记录（EHR）数据挖掘技术，解决了数据异质性、缺失值和时间动态性等挑战。它整合了数据挖掘、生物统计学和流行病学的方法，以支持临床预测、假设生成和人群健康管理，强调可信赖、可解释的模型以实现真实世界临床应用。

ABSTRACT

The continuously increasing cost of the US healthcare system has received significant attention. Central to the ideas aimed at curbing this trend is the use of technology, in the form of the mandate to implement electronic health records (EHRs). EHRs consist of patient information such as demographics, medications, laboratory test results, diagnosis codes and procedures. Mining EHRs could lead to improvement in patient health management as EHRs contain detailed information related to disease prognosis for large patient populations. In this manuscript, we provide a structured and comprehensive overview of data mining techniques for modeling EHR data. We first provide a detailed understanding of the major application areas to which EHR mining has been applied and then discuss the nature of EHR data and its accompanying challenges. Next, we describe major approaches used for EHR mining, the metrics associated with EHRs, and the various study designs. With this foundation, we then provide a systematic and methodological organization of existing data mining techniques used to model EHRs and discuss ideas for future research. We conclude this survey with a comprehensive summary of clinical data mining applications of EHR data, as illustrated in the online supplement.

研究动机与目标

• 为应对美国医疗成本持续上升背景下对高效、数据驱动型医疗解决方案的日益增长的需求。
• 识别并系统化整理EHR数据带来的独特挑战，包括异质性、缺失性、删失和时间动态性。
• 通过整合流行病学和临床决策支持的方法，弥合数据挖掘、生物统计学与临床研究之间的差距。
• 推动可信赖、可解释模型的发展，以支持临床决策和人群健康管理。
• 将EHR数据挖掘定位为传统临床试验在假设生成和结果分析方面的互补、可扩展的替代方案。

提出的方法

• 系统性分类EHR数据类型，包括结构化数据（诊断、检验结果）和非结构化数据（临床记录），以及纵向元素。
• 回顾核心数据挖掘技术，如交叉验证、留一法验证，以及针对纵向EHR数据的时间建模方法。
• 整合生物统计学方法，如生存分析和因果推断，以处理删失数据和混杂变量。
• 强调模型可解释性和生理合理性，以确保临床可信度和长期有效性。
• 提出一个与临床研究工作流程对齐的EHR挖掘框架，涵盖从问题定义到模型验证的全过程。
• 突出新兴需求，如多模态数据融合（例如基因组学、可穿戴设备数据）以及针对异质EHR数据源的改进数据表示方法。

实验结果

研究问题

• RQ1 如何调整数据挖掘技术以应对EHR数据的独特特征，如缺失性、异质性和时间稀疏性？
• RQ2 在支持临床预测和人群健康分析方面，建模纵向EHR数据的最有效方法是什么？
• RQ3 EHR数据挖掘在生成高质量、可测试假设方面，如何与随机对照试验互补？
• RQ4 可解释性和生理合理性在确保机器学习模型在EHR数据上可信和临床采纳方面发挥什么作用？
• RQ5 如何将生物统计学和流行病学的技术整合到EHR数据挖掘中，以提升模型有效性和因果推断能力？

主要发现

• EHR数据挖掘支持对患者人群的大规模、纵向分析，可在大规模范围内实现假设生成和临床决策支持。
• 尽管EHR数据丰富，但其异质性、缺失值、删失和非均匀数据采集间隔仍带来显著挑战。
• 基于非生理学基础预测因子的模型存在过时风险，如谷歌流感趋势因用户行为变化而失败所证明的那样。
• 可解释且符合生理学原理的模型对于临床信任和长期有效性至关重要，尤其是在高风险医疗应用场景中。
• 将生物统计学方法（如生存分析和因果推断）整合到EHR数据挖掘中，可增强模型的稳健性和临床相关性。
• 数据挖掘、生物统计学与临床研究的融合为实现可扩展、基于证据的人群健康管理与医疗交付改进提供了可行路径。