Toward cross-platform electronic health record-driven phenotyping using Clinical Quality Language.
Toward cross-platform electronic health record-driven phenotyping using Clinical Quality Language.
复制标题
DOI：
10.1002/lrh2.10233
复制
发表时间：
2020-10
影响因子：
3.1
通讯作者：
Rasmussen LV
中科院分区：
文献类型：
--
作者：
Brandt PS;Kiefer RC;Pacheco JA;Adekkanattu P;Sholle ET;Ahmad FS;Xu J;Xu Z;Ancker JS;Wang F;Luo Y;Jiang G;Pathak J;Rasmussen LV
电子健康记录（EHR）驱动的表型分析是从EHR数据生成生物医学知识的关键第一步。尽管最近取得了进展，但目前的表型分型方法是手动的，耗时的，容易出错的，并且是平台特异性的。这导致了重复工作，不同系统和机构的结果差异很大，而且不可扩展或移植。在这项工作中，我们研究了新生的临床质量语言（CQL）如何解决这些问题，并实现高通量，跨平台表型分析。我们选择了一个经过临床验证的心力衰竭（HF）表型定义，并将其转换为CQL，然后开发了一个CQL执行引擎，以与观察性健康数据科学和信息学（OHDSI）平台集成。我们在两个大型学术医学中心，西北医学和威尔康奈尔医学执行表型定义，并进行结果验证（n = 100），以确定精度和召回。我们还使用相同的基础数据集对两个不同的数据平台OHDSI和快速医疗互操作性资源（FHIR）执行了相同的表型定义，并比较了结果。CQL的表达能力足以表示HF表型定义，包括布尔和聚合运算符，以及数据元素之间的时态关系。语言设计还使自定义执行引擎的实现相对容易，两个站点的结果验证显示，精确度和召回率都是100%。跨平台执行导致两个数据平台生成相同的患者队列。CQL支持任意复杂表型定义的表示，我们的执行引擎实现展示了对两个广泛使用的临床数据平台的跨平台执行。因此，该语言有可能帮助解决当前EHR驱动的表型和学习卫生系统规模的可移植性的局限性。
Electronic health record (EHR)‐driven phenotyping is a critical first step in generating biomedical knowledge from EHR data. Despite recent progress, current phenotyping approaches are manual, time‐consuming, error‐prone, and platform‐specific. This results in duplication of effort and highly variable results across systems and institutions, and is not scalable or portable. In this work, we investigate how the nascent Clinical Quality Language (CQL) can address these issues and enable high‐throughput, cross‐platform phenotyping. We selected a clinically validated heart failure (HF) phenotype definition and translated it into CQL, then developed a CQL execution engine to integrate with the Observational Health Data Sciences and Informatics (OHDSI) platform. We executed the phenotype definition at two large academic medical centers, Northwestern Medicine and Weill Cornell Medicine, and conducted results verification (n = 100) to determine precision and recall. We additionally executed the same phenotype definition against two different data platforms, OHDSI and Fast Healthcare Interoperability Resources (FHIR), using the same underlying dataset and compared the results. CQL is expressive enough to represent the HF phenotype definition, including Boolean and aggregate operators, and temporal relationships between data elements. The language design also enabled the implementation of a custom execution engine with relative ease, and results verification at both sites revealed that precision and recall were both 100%. Cross‐platform execution resulted in identical patient cohorts generated by both data platforms. CQL supports the representation of arbitrarily complex phenotype definitions, and our execution engine implementation demonstrated cross‐platform execution against two widely used clinical data platforms. The language thus has the potential to help address current limitations with portability in EHR‐driven phenotyping and scale in learning health systems.
登录
查看更多内容
DOI：
10.1136/amiajnl-2011-000456
发表时间：
2012-03-01
影响因子：
6.4
作者：
Peissig, Peggy L.;Rasmussen, Luke V.;Starren, Justin B.
通讯作者：
Starren, Justin B.
DOI：
10.1136/amiajnl-2012-000896
发表时间：
2013-06-01
影响因子：
6.4
作者：
Newton, Katherine M.;Peissig, Peggy L.;Denny, Joshua C.
通讯作者：
Denny, Joshua C.
DOI：
10.1146/annurev-biodatasci-080917-013315
发表时间：
2018-01-01
期刊：
ANNUAL REVIEW OF BIOMEDICAL DATA SCIENCE, VOL 1
影响因子：
--
作者：
Banda, Juan M.;Seneviratne, Martin;Shah, Nigam H.
通讯作者：
Shah, Nigam H.
DOI：
10.1136/jamia.2009.000893
发表时间：
2010-03-01
影响因子：
6.4
作者：
Murphy, Shawn N.;Weber, Griffin;Kohane, Isaac
通讯作者：
Kohane, Isaac
影响因子：
2.1
作者：
Hong, Na;Wen, Andrew;Jiang, Guoqian
通讯作者：
Jiang, Guoqian