[论文解读] Towards a New Science of a Clinical Data Intelligence

Volker Tresp, Sonja Zillner+15 more|arXiv (Cornell University)|Nov 17, 2013

Machine Learning in Healthcare参考文献 9被引用 7

一句话总结

本文提出了一套新的临床数据智能科学框架——通过整合多样化、完整的患者病历中的大数据，实现基于证据的个性化医疗。该方法结合知识工程、从非结构化临床文本中提取信息，以及统计机器学习，旨在通过预测建模、结果分析和决策支持系统改善临床决策，重点关注减少肾移植患者的不良药物反应和药物相互作用。

ABSTRACT

In this paper we define Clinical Data Intelligence as the analysis of data generated in the clinical routine with the goal of improving patient care. We define a science of a Clinical Data Intelligence as a data analysis that permits the derivation of scientific, i.e., generalizable and reliable results. We argue that a science of a Clinical Data Intelligence is sensible in the context of a Big Data analysis, i.e., with data from many patients and with complete patient information. We discuss that Clinical Data Intelligence requires the joint efforts of knowledge engineering, information extraction (from textual and other unstructured data), and statistics and statistical machine learning. We describe some of our main results as conjectures and relate them to a recently funded research project involving two major German university hospitals.

研究动机与目标

• 建立临床大数据分析的科学基础，以获得可推广的、可靠的见解，从而改善患者照护。
• 通过建模患者信息的完整背景（包括临床报告等非结构化数据），应对临床决策的复杂性。
• 通过系统性的数据分析和决策支持，减少肾移植患者的不良药物反应和药物-药物相互作用。
• 开发集成到电子健康记录中的临床决策支持系统，以预防错误并提高患者安全。
• 在确保隐私和临床工作流程可用性的前提下，促进诊所和机构之间的数据共享。

提出的方法

• 采用多学科方法，结合知识工程、从临床文本中提取信息，以及统计机器学习。
• 使用医学本体和术语系统，真实地表示临床事实并确保语义一致性。
• 应用数据挖掘技术，识别肾移植患者中此前未知的药物-药物相互作用和不良药物反应。
• 基于全面的患者数据（包括结构化和非结构化来源）开发临床行为（如诊断、治疗）的预测模型。
• 通过临床决策支持系统将研究成果整合到电子患者记录中，提供实时、基于证据的建议。
• 利用多样化数据源，包括索赔数据、组学数据，以及论坛和社交媒体中的患者生成数据，以增强上下文信息。

实验结果

研究问题

• RQ1 如何系统性地分析临床大数据，以获得科学有效、可推广的结果，从而改善患者预后？
• RQ2 需要哪些技术和方法论框架，才能利用多样化、大规模的患者数据来建模复杂的临床决策过程？
• RQ3 如何有效提取并整合非结构化临床数据（如医生笔记和报告）到预测模型中？
• RQ4 语义数据模型和本体在确保跨异构数据源的临床事实准确表示方面发挥什么作用？
• RQ5 如何设计和实现临床决策支持系统，使其在真实世界的电子健康记录环境中具有临床可用性、安全性和有效性？

主要发现

• 在分析大规模、全面的患者数据，特别是大数据环境时，临床数据智能的科学是可行且必要的。
• 知识工程、信息提取和统计建模的整合，可实现更准确、更可靠的临床决策支持。
• 对结构良好的移植中心数据库进行系统性分析，发现肾移植患者中存在高频率的药物-药物相互作用和不良药物反应。
• 现代数据挖掘技术成功识别出此前未知的药物-药物相互作用和不良药物反应，且对患者和移植物存活率及肾功能具有可测量的影响。
• 在电子健康记录中实施临床决策支持系统，可显著减少用药错误并防止危险的药物相互作用。
• 跨诊所的数据共享在技术与流程上具有挑战性，但对最大化临床数据智能的效益至关重要，注册系统和开放创新模式正成为关键推动因素。