Information Extraction from EMRs to Predict Readmission following Acute Myocardial Infarction

项目总结： -- 医院已迅速采用电子病历系统(EMR)作为医院的日常医疗管理和报告系统。 病人的医疗保健和利用。尽管他们在急诊医生中收集了最全面的医疗数据，但他们可能还没有实现他们的目标。 有可能对医院的质量管理措施进行例行的监督，有可能对医院的绩效进行衡量，也有可能对医院的绩效进行评估。 患者安全的监测。急诊核磁共振系统用于患者的安全监测系统，以及用于预测性医疗分析的系统还没有被广泛使用。 未得到充分利用，特别是对于急性心肌梗死(AMI)。这种未得到充分利用的原因包括数据的碎片化。 进入和存储，在完成结构化的油田方面缺乏合规性，以获得更高质量的报告，以及更多的资源。 非结构化信息在其叙述性报告中进行了描述。我们将提出建议，以帮助开发一种更强大的、自动化的网络监控工具包。 内置了两个独立的EMR，并在多个EMR中具有外部数据验证功能。我们将不会将这些丰富的数据信息锁定。 在临床笔记中，使用结构化的医疗数据记录，以进一步量化急性心肌梗死后患者再入院的主要风险风险，而不是直接从新的EMR中进行验证。 并展示了其在所有机构之间的良好可移植性，以取代其他非EMR。我们的总体可移植性假说表明，除了增加结构化的基础上，我们还没有增加其他机构。 来自第一个EMR的变量和一个NLP派生的变量，将不会提高我们预测30天后从AMI重新入院的能力。 我们将对这一假设进行评估，方法是将相关的数据变量映射到通用的数据信息和模型，以及开发数据和数据。 验证用于AMI的预测模型，创建模型，并验证用于生成可预测模型的可移植模型工具包。 从未来几年的多名急救人员中选出以下几个具体的目标：(1)评估潜在的急性心肌梗死的风险和危险因素，以便在未来30天内重新入院。 从AMI到建立一个通用的信息模型，使用结构化的电子病历变量和从电子邮件中提取数据的新颖的电子病历变量。 电子病历文本；;(2)计划使用注册中心的数据，为美国急性心肌梗死患者在每个医疗地点30天内重新入院建立一个最优的医疗预测模型。 从非结构化的EMR和文本中提取变量，并对每个变量进行交叉验证。 另一家医疗机构的模型；;(3)需要验证其自动医疗监控工具包(REX)的可移植性，以确保其他三家医疗设备制造商的可移植性。 这项研究是一项具有重大意义的研究成果，它将进一步提高我们进一步识别面临30天再入院风险的急性心肌梗死患者的能力。 在再入院事件发生前，首次确定重新入院原因的风险评估和可操作的医疗干预措施。 提供一个经过验证的便携式智能监控工具包。我们的研究团队非常创新，因为它扩大了NLP智能工具的广泛使用范围。 为了挖掘新的变量，以前只能通过手工提取数据(例如，社会风险和因素)来获得数据，因此开发了一种新的数据挖掘方法。 在两个独立的EMR上并行构建了可通用的测试和可移植的测试工具包，并在多个EMR中进行了外部测试验证。 我们还将从目前的单中心模式转变为双中心模式、并行发展模式和交叉模式。 验证的方法是允许使用新颖的数据信息和评估方法，并允许在数据和表示方法之间存在系统性的差异。 这两家机构正在调整和调整我们最新的便携医疗工具包，我们将大幅推进生物医学和信息学。 工具和开发工具，使我们能够更好地为急性心肌梗死患者执行风险评估报告，从而使我们能够更好地改善临床护理和医疗服务。 改善了患者的预后。

Project Summary     Hospitals have rapidly adopted the use of electronic medical records (EMR) for routine management and reporting of  patient health care utilization. In spite of the comprehensive data collected in EMRs, they have not realized their  potential for conducting routine surveillance of quality measures, for measuring hospital performance, or for  surveillance of patient safety. The use of EMRs for patient safety surveillance and for predictive analytics has been  underutilized especially for acute myocardial infarction (AMI). Reasons for this underuse include fragmentation of data  entry and storage, poor compliance in completing structured fields for quality reporting, and the abundance of  unstructured information described in narrative notes. We propose to develop a robust automated surveillance toolkit  built in two independent EMRs with external validation in multiple EMRs.  We will combine the rich information locked  in clinical notes with structured data to quantify the risk for readmission after an AMI directly from the EMR, validate,  and demonstrate its portability across institutions to other EMRs. Our overall hypothesis is that adding structured  variables from the EMR with NLP-­derived variables will improve our ability to predict 30-­day readmission from AMI.  We will evaluate this hypothesis by mapping relevant variables to common information models, developing and  validating prediction models for AMI, and creating and validating a portable toolkit for generating predictive models  from multiple EMRs in the following specific aims: 1) To evaluate potential AMI risk factors for 30-­day readmission  from AMI to a common information model using structured EMR variables and novel NLP variables extracted from  EMR text;; 2) To develop an optimal prediction model for 30-­day readmission from AMI at each site using registry data,  structured EMR, and novel social NLP variables extracted from unstructured EMR text and to cross-­validate each  model at another institution;; 3) To validate an automated surveillance toolkit (ReX) for portability to three other EMRs.  This research is significant in that it will improve our ability to identify AMI patients at risk of 30-­day readmission,  identify risk for causes of readmission for actionable intervention before readmission occurs, and for the first time  provide a validated portable surveillance toolkit. Our research is innovative, because it expands the use of NLP tools  to novel variables previously only obtained through manual extraction (e.g., social risk factors) and develops a  generalizable and portable toolkit built in parallel on two independent EMRs with external validation in multiple EMRs.  We will shift the paradigm from current single-­center approaches to a 2-­center parallel development and cross-­ validation method allowing for novel information evaluation and systematic differences in data representation between  the two institutions and adapting our portable toolkit accordingly. We will significantly advance biomedical informatics  tool development and our ability to perform risk assessment for AMI patients, enabling improved clinical care and  improved patient outcomes.