Information Extraction from EMRs to Predict Readmission following Acute Myocardial Infarction

项目摘要 医院已迅速采用电子病历（EMR）进行日常管理和报告， 患者医疗保健利用率。尽管在电子病历中收集了全面的数据，但他们还没有意识到他们的 对质量措施进行常规监督、衡量医院绩效或 监测患者安全。将EMR用于患者安全监测和预测分析， 特别是对于急性心肌梗死（AMI），使用不足的原因包括数据碎片化 输入和存储，在完成质量报告的结构化字段方面的合规性差，以及大量 叙述性注释中描述的非结构化信息。我们建议开发一个强大的自动化监控工具包 内置两个独立的EMR，在多个EMR中进行外部验证。 我们将联合收割机锁定的丰富信息 在具有结构化数据的临床记录中，直接从EMR量化AMI后再入院的风险，验证， 并展示其跨机构到其他EMR的可移植性。我们的总体假设是， 从EMR中提取的变量与NLP-100衍生的变量将提高我们预测AMI 30天再入院的能力。 我们将通过将相关变量映射到常见的信息模型来评估这一假设， 验证AMI的预测模型，并创建和验证用于生成预测模型的便携式工具包 从多个EMR中获得以下特定目标：1）评估30天再入院的潜在AMI风险因素 从AMI到使用结构化EMR变量的公共信息模型，以及从 EMR文本; 102）使用注册数据在每个站点开发30天AMI再入院的最佳预测模型， 结构化EMR，以及从非结构化EMR文本中提取的新的社会NLP变量，并对每个变量进行交叉验证 3）验证自动化监控工具包（雷克斯）是否可移植到其他三个EMR。 这项研究的意义在于它将提高我们识别30天内再入院风险的AMI患者的能力， 在再入院发生之前，以及在第一次 提供经验证的便携式监控工具包。我们的研究是创新的，因为它扩展了NLP工具的使用 对于以前仅通过手动提取获得的新变量（例如，社会风险因素）， 在两个独立的EMR上并行构建的可推广和便携式工具包，在多个EMR中进行外部验证。 我们将从目前的单中心方法转变为双中心平行开发和交叉开发的模式。 验证方法允许新的信息评估和数据表示之间的系统差异 这两个机构，并相应地调整我们的便携式工具包。我们将大大推进生物医学信息学 工具的开发和我们对AMI患者进行风险评估的能力，使临床护理得到改善， 改善患者的预后。

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.