电子健康记录（EHR）系统中用于持续学习的数据管理

《ACM Transactions on Internet Technology》：Data management for continuous learning in EHR systems

电子健康记录数据分析流程优化研究，提出基于SMART BEAR和BDA引擎的数据标准化与融合处理方法，通过评估插补算法维持特征分布与关联性，应用于心血管疾病和轻度抑郁预测，并探讨临床验证与决策支持系统联动机制。

　　

摘要

为了全面了解患者的健康状况，必须将高级分析技术应用于电子健康记录（EHR）系统收集的数据。然而，管理和整理这些数据需要精心设计的工作流程。虽然数字化和标准化能够实现持续的健康监测，但数据缺失值和技术问题可能会影响数据的一致性和时效性。在本文中，我们提出了一种工作流程，该流程利用SMART BEAR基础设施和大数据分析（BDA）引擎的功能来统一和协调数据点。通过评估不同的插补算法并选择一种能够保持特征分布和相关性与原始数据相似的算法，我们的工作流程提高了数据的质量。我们将这一工作流程应用于SMART BEAR存储库中的一部分数据，并考察了其对预测心血管疾病和轻度抑郁等健康状况的影响。我们还讨论了SMART BEAR项目中临床医生进行模型验证的可能性、决策支持系统中后续操作的传输方式以及所需数据点数量的估算。