Hybrid collaborative filtering methods for recommending search terms to clinicians.
Hybrid collaborative filtering methods for recommending search terms to clinicians.
复制标题
DOI：
10.1016/j.jbi.2020.103635
复制
发表时间：
2021-01
影响因子：
4.5
通讯作者：
Ning X
中科院分区：
文献类型：
--
作者：
Ren Z;Peng B;Schleyer TK;Ning X
随着电子健康记录（EHR）的日益广泛使用，临床医生经常在高效且有效地检索相关患者信息以达到诊断方面受到挑战。虽然使用内置于EHR中的搜索功能可能比浏览大量患者记录更有用，但搜索类似患者的相同或相似信息是繁琐和重复的。为了应对这一挑战，迫切需要建立有效的推荐系统，可以准确地向临床医生推荐搜索词。在这项研究中，我们开发了一种混合协同过滤模型，以推荐特定患者的临床医生的搜索条件。该模型利用了患者的临床遭遇和在此期间进行的搜索的信息。为了生成建议，该模型使用以下检索词：（1）与为患者记录的ICD代码频繁共现，以及（2）与最近的检索词高度相关。在模型的一个变体（医疗保健混合协同过滤方法，或HCFMH）中，我们仅使用分配给患者的最新ICD代码，而在另一个变体（基于同现模式的HCFMH，或cpHCFMH）中，所有ICD代码。我们已经进行了全面的实验，以评估所提出的模型。这些实验表明，我们的模型优于国家的最先进的基线方法的前N个搜索词推荐不同的数据集。
With increasing and extensive use of electronic health records (EHR), clinicians are often challenged in retrieving relevant patient information efficiently and effectively to arrive at a diagnosis. While using the search function built into an EHR can be more useful than browsing in a voluminous patient record, it is cumbersome and repetitive to search for the same or similar information on similar patients. To address this challenge, there is a critical need to build effective recommender systems that can recommend search terms to clinicians accurately. In this study, we developed a hybrid collaborative filtering model to recommend search terms for a specific patient to a clinician. The model draws on information from patients’ clinical encounters and the searches that were performed during them. To generate recommendations, the model uses search terms which are (1) frequently co-occurring with the ICD codes recorded for the patient and (2) highly relevant to the most recent search terms. In one variation of the model (Hybrid Collaborative Filtering Method for Healthcare, or HCFMH), we use only the most recent ICD codes assigned to the patient, and in the other (Co-occurrence Pattern based HCFMH, or cpHCFMH), all ICD codes. We have conducted comprehensive experiments to evaluate the proposed model. These experiments demonstrate that our model outperforms state-of-the-art baseline methods for top-N search term recommendation on different data sets.
登录
查看更多内容
影响因子：
8.8
作者：
Bobadilla, Jesus;Ortega, Fernando;Bernal, Jesus
通讯作者：
Bernal, Jesus
影响因子：
13.8
作者：
Mazur, Lukasz M.;Mosaly, Prithima R.;Marks, Lawrence
通讯作者：
Marks, Lawrence
影响因子：
13.8
作者：
Ruppel, Halley;Bhardwaj, Aashish;Liu, Vincent X.
通讯作者：
Liu, Vincent X.
影响因子：
6
作者：
Yang, Xiwang;Guo, Yang;Steck, Harald
通讯作者：
Steck, Harald
影响因子：
--
作者：
Ross, M K;Wei, W;Ohno-Machado, L
通讯作者：
Ohno-Machado, L