Implicit bias of encoded variables: frameworks for addressing structured bias in EHR-GWAS data.
Implicit bias of encoded variables: frameworks for addressing structured bias in EHR-GWAS data.
复制标题
编码变量的隐式偏差：解决EHR-GWAS数据中结构化偏差的框架。
DOI：
10.1093/hmg/ddaa192
复制
发表时间：
2020-09-30
影响因子：
3.5
通讯作者：
Huckins LM
中科院分区：
文献类型：
--
作者：
Dueñas HR;Seah C;Johnson JS;Huckins LM
全基因组关联研究的“发现”阶段需要积累大量同质的队列。为了获得临床上有用的见解，我们现在必须考虑在我们的诊所，并通过扩展，在我们的医疗记录中的疾病的介绍。大规模使用电子健康记录（EHR）数据可以帮助以可扩展的方式了解表型，并结合终身和全表型组背景。然而，扩展分析以纳入EHR和基于生物库的分析将需要仔细考虑表型定义。发生在系统之外的判断和临床决策不可避免地包含一定程度的偏见，并被编码在EHR数据中。任何假设无偏倚变量的表型表征算法都会产生复合偏倚结论。在这里，我们讨论并说明了EHR分析中固有的潜在偏差，这些偏差如何随着时间的推移而复合，并提出了大规模表型分析的框架，以最大限度地减少和揭示编码偏差。
The ‘discovery’ stage of genome-wide association studies required amassing large, homogeneous cohorts. In order to attain clinically useful insights, we must now consider the presentation of disease within our clinics and, by extension, within our medical records. Large-scale use of electronic health record (EHR) data can help to understand phenotypes in a scalable manner, incorporating lifelong and whole-phenome context. However, extending analyses to incorporate EHR and biobank-based analyses will require careful consideration of phenotype definition. Judgements and clinical decisions that occur ‘outside’ the system inevitably contain some degree of bias and become encoded in EHR data. Any algorithmic approach to phenotypic characterization that assumes non-biased variables will generate compounded biased conclusions. Here, we discuss and illustrate potential biases inherent within EHR analyses, how these may be compounded across time and suggest frameworks for large-scale phenotypic analysis to minimize and uncover encoded bias.
登录
查看更多内容
影响因子：
6.8
作者：
Corfield EC;Yang Y;Martin NG;Nyholt DR
通讯作者：
Nyholt DR
DOI：
10.1126/science.aal4043
发表时间：
2018-03-16
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
Bastarache L;Hughey JJ;Hebbring S;Marlo J;Zhao W;Ho WT;Van Driest SL;McGregor TL;Mosley JD;Wells QS;Temple M;Ramirez AH;Carroll R;Osterman T;Edwards T;Ruderfer D;Velez Edwards DR;Hamid R;Cogan J;Glazer A;Wei WQ;Feng Q;Brilliant M;Zhao ZJ;Cox NJ;Roden DM;Denny JC
通讯作者：
Denny JC
影响因子：
4.7
作者：
Beggiato, Anita;Peyre, Hugo;Delorme, Richard
通讯作者：
Delorme, Richard
影响因子：
--
作者：
Gara, Michael A.;Vega, William A.;Strakowski, Stephen M.
通讯作者：
Strakowski, Stephen M.
影响因子：
16.6
作者：
Duncan, L.;Shen, H.;Domingue, B.
通讯作者：
Domingue, B.