Key points are not available for this paper at this time.
ZIEL: Enorme Mengen an Gesundheitsdaten werden durch die großflächige Einführung elektronischer Gesundheitsakten zunehmend zugänglich. In dieser Arbeit werden strukturierte und unstrukturierte (textuelle) Daten kombiniert, um klinische Diagnosen und Prozedurencodes (insbesondere ICD-9-CM) den Patientenaufenthalten zuzuordnen. Wir untersuchen, ob die Integration dieser heterogenen Datentypen die Vorhersagestärke im Vergleich zur isolierten Verwendung der Datentypen verbessert. METHODEN: Zwei separate Ansätze zur Datenintegration wurden bewertet. Die frühe Datenintegration kombiniert Merkmale mehrerer Quellen innerhalb eines einzelnen Modells, während die späte Datenintegration ein separates Modell pro Datenquelle erlernt und diese Vorhersagen mit einem Meta-Learner kombiniert. Dies wird anhand von Datenquellen und klinischen Codes aus einem breiten Spektrum medizinischer Fachrichtungen bewertet.ERGEBNISSE: Im Vergleich zur besten einzelnen Vorhersagequelle führt die späte Datenintegration zu Verbesserungen der Vorhersagekraft (z.B. erhöhte Gesamt-F-Maß von 30,6% auf 38,3% für die International Classification of Diseases, Ninth Revision, Clinical Modification (ICD-9-CM) Diagnosen), während die frühe Datenintegration weniger konsistent ist. Die Vorhersagestärke variiert stark zwischen medizinischen Fachrichtungen, sowohl für ICD-9-CM Diagnosen als auch für Prozedurencodes.DISKUSSION: Strukturierten Daten bieten ergänzende Informationen zu unstrukturierten Daten (und umgekehrt) zur Vorhersage von ICD-9-CM Codes. Dies kann am effektivsten durch den vorgeschlagenen Ansatz der späten Datenintegration erfasst werden.SCHLUSSFOLGERUNGEN: Wir haben gezeigt, dass Modelle, die mehrere Quellen elektronischer Gesundheitsakten verwenden, systematisch bessere Ergebnisse erzielen als Modelle, die Datenquellen isoliert verwenden, bei der Vorhersage von ICD-9-CM Codes über ein breites Spektrum medizinischer Fachrichtungen.
Scheurwegs et al. (Do,) untersuchten diese Frage.