Presenting and sharing clinical data using the eTRIKS Standards Master Tree for tranSMART.
Presenting and sharing clinical data using the eTRIKS Standards Master Tree for tranSMART.
复制标题
使用Etriks标准介绍和共享临床数据，用于Transmart。
DOI：
10.1093/bioinformatics/bty809
复制
发表时间：
2019-05-01
期刊：
影响因子：
--
通讯作者：
Schneider R
中科院分区：
文献类型：
--
作者：
Barbosa-Silva A;Bratfalean D;Gu W;Satagopam V;Houston P;Becnel LB;Eifes S;Richard F;Tielmann A;Herzinger S;Rege K;Balling R;Peeters P;Schneider R
标准化和语义对齐一直被认为是临床研究中数据集成的主要挑战之一。CDISC SDTM临床数据标准通过指导性主本体树被纳入到TranSMART i2b2中，这对数据集之间的数据共享、可视化和探索的有效性产生了积极的影响并提供了支持。我们在这里提供了将SDTM变量组织到TranSMART i2b2树中的模式，并提供了一个脚本和测试数据集来举例说明映射策略。ETRIKS主树的概念是通过使用为4名患者生成的虚拟数据来演示的，包括16个SDTM临床领域。我们描述了如何使用正确的访问名称和数据标签来帮助集成每个患者的多个读数，并避免在运行TranSMART加载例程时出现ETL崩溃。ETRIKS主树软件包和测试数据集在https://doi.org/10.5281/zenodo.1009098上公开提供，在https://public.etriks.org/transmart/datasetExplorer/上的eTRIKS-主树分支下有一个功能演示安装，在那里可以可视化讨论的示例。
Standardization and semantic alignment have been considered one of the major challenges for data integration in clinical research. The inclusion of the CDISC SDTM clinical data standard into the tranSMART i2b2 via a guiding master ontology tree positively impacts and supports the efficacy of data sharing, visualization and exploration across datasets. We present here a schema for the organization of SDTM variables into the tranSMART i2b2 tree along with a script and test dataset to exemplify the mapping strategy. The eTRIKS master tree concept is demonstrated by making use of fictitious data generated for four patients, including 16 SDTM clinical domains. We describe how the usage of correct visit names and data labels can help to integrate multiple readouts per patient and avoid ETL crashes when running a tranSMART loading routine. The eTRIKS Master Tree package and test datasets are publicly available at https://doi.org/10.5281/zenodo.1009098 and a functional demo installation at https://public.etriks.org/transmart/datasetExplorer/ under eTRIKS—Master Tree branch, where the discussed examples can be visualized.
登录
查看更多内容
影响因子：
9.8
作者：
Wilkinson MD;Dumontier M;Aalbersberg IJ;Appleton G;Axton M;Baak A;Blomberg N;Boiten JW;da Silva Santos LB;Bourne PE;Bouwman J;Brookes AJ;Clark T;Crosas M;Dillo I;Dumon O;Edmunds S;Evelo CT;Finkers R;Gonzalez-Beltran A;Gray AJ;Groth P;Goble C;Grethe JS;Heringa J;'t Hoen PA;Hooft R;Kuhn T;Kok R;Kok J;Lusher SJ;Martone ME;Mons A;Packer AL;Persson B;Rocca-Serra P;Roos M;van Schaik R;Sansone SA;Schultes E;Sengstag T;Slater T;Strawn G;Swertz MA;Thompson M;van der Lei J;van Mulligen E;Velterop J;Waagmeester A;Wittenburg P;Wolstencroft K;Zhao J;Mons B
通讯作者：
Mons B
转化医学数据的整合和可视化，以更好地理解人类疾病。
影响因子：
4.6
作者：
Satagopam V;Gu W;Eifes S;Gawron P;Ostaszewski M;Gebel S;Barbosa-Silva A;Balling R;Schneider R
通讯作者：
Schneider R
影响因子：
8.8
作者：
Watson, Michael S.
通讯作者：
Watson, Michael S.
影响因子：
4.5
作者：
Yamamoto, Keiichi;Ota, Keiko;Shintani, Ayumi
通讯作者：
Shintani, Ayumi
影响因子：
9.5
作者：
Dunn W Jr;Burgun A;Krebs MO;Rance B
通讯作者：
Rance B