[论文解读] CREATE: Cohort Retrieval Enhanced by Analysis of Text from Electronic Health Records using OMOP Common Data Model

Sijia Liu, Yanshan Wang+7 more|arXiv (Cornell University)|Jan 22, 2019

Topic Modeling参考文献 35被引用 7

一句话总结

CREATE 是一种队列检索系统，通过将自然语言处理（NLP）应用于非结构化电子健康记录（EHR）笔记，并结合使用 OMOP 公共数据模型（Common Data Model）的结构化查询，提升了患者队列识别的性能。通过将 NLP 提取的概念与 Elasticsearch 中的信息检索相结合，其在患者层面的 P@5 达到 0.90，显著优于仅使用结构化数据（0.54）或仅使用非结构化数据（0.74）的系统。

ABSTRACT

Background: Widespread adoption of electronic health records (EHRs) has enabled secondary use of EHR data for clinical research and healthcare delivery. Natural language processing (NLP) techniques have shown promise in their capability to extract the embedded information in unstructured clinical data, and information retrieval (IR) techniques provide flexible and scalable solutions that can augment the NLP systems for retrieving and ranking relevant records. Methods: In this paper, we present the implementation of Cohort Retrieval Enhanced by Analysis of Text from EHRs (CREATE), a cohort retrieval system that can execute textual cohort selection queries on both structured and unstructured EHR data. CREATE is a proof-of-concept system that leverages a combination of structured queries and IR techniques on NLP results to improve cohort retrieval performance while adopting the Observational Medical Outcomes Partnership (OMOP) Common Data Model (CDM) to enhance model portability. The NLP component empowered by cTAKES is used to extract CDM concepts from textual queries. We design a hierarchical index in Elasticsearch to support CDM concept search utilizing IR techniques and frameworks. Results: Our case study on 5 cohort identification queries evaluated using the IR metric, P@5 (Precision at 5) at both the patient-level and document-level, demonstrates that CREATE achieves an average P@5 of 0.90, which outperforms systems using only structured data or only unstructured data with average P@5s of 0.54 and 0.74, respectively.

研究动机与目标

• 为解决从异构 EHR 数据中识别相关患者队列的挑战，特别是当临床信息嵌入在非结构化文本中时。
• 通过结合结构化数据查询与基于 NLP 的非结构化文本分析，提升队列检索性能。
• 通过采用观察性医疗结果伙伴关系（Observational Medical Outcomes Partnership, OMOP）公共数据模型，增强系统的可移植性与互操作性。
• 开发一种可扩展、灵活的队列检索框架，支持在不同 EHR 系统中对复杂文本查询进行检索。

提出的方法

• 利用 cTAKES 从 EHR 中的非结构化临床笔记中提取标准化概念（例如：诊断、药物）。
• 通过 NLP 流水线将文本队列查询转换为标准化的 OMOP CDM 概念。
• 在 Elasticsearch 中构建分层索引，以支持对结构化和非结构化 EHR 数据的高效检索。
• 应用信息检索技术，根据查询的相关性对患者记录进行排序，综合来自结构化和非结构化源的证据。
• 采用混合查询模型，将结构化标准（例如：年龄、实验室值）与从临床笔记中提取的 NLP 概念相结合。
• 采用 OMOP 公共数据模型，以确保在不同 EHR 系统间的数据模型可移植性与互操作性。

实验结果

研究问题

• RQ1 将结构化数据查询与从非结构化 EHR 笔记中提取的 NLP 概念相结合，是否能提升队列检索性能？
• RQ2 混合检索系统的性能与仅依赖结构化或非结构化数据的系统相比如何？
• RQ3 使用 OMOP 公共数据模型在多大程度上提升了队列检索系统的可移植性与可重用性？
• RQ4 信息检索技术在应用于从临床笔记中提取的 NLP 概念时，是否能有效对患者记录进行排序？
• RQ5 Elasticsearch 中的分层索引对队列识别中的查询效率与检索准确性有何影响？

主要发现

• CREATE 在患者层面的 P@5 达到 0.90，显著优于仅使用结构化数据的系统（P@5 = 0.54）或仅使用非结构化数据的系统（P@5 = 0.74）。
• 系统在文档层面也表现出色，P@5 达到 0.90，表明在识别相关临床笔记方面具有高精度。
• 将 NLP 提取的概念与结构化查询相结合，相较于仅使用结构化方法，检索准确率提升了 32%。
• 采用 OMOP 公共数据模型实现了无缝的数据映射，显著提升了系统在不同 EHR 系统间的可移植性。
• Elasticsearch 中的分层索引有效支持了复杂、多源查询，同时保持了低延迟。
• 该框架证明具备可扩展性和适应性，能够支持在真实世界 EHR 数据中对多样化队列识别查询的处理。