Autor/autores:
Craig Colling, Mizanur Khondoker, Rashmi Patel...(et.al)
Investigamos hasta qué punto los datos registrados rutinariamente en el registro electrónico de salud (EHR) predicen los resultados de los servicios prioritarios y si las herramientas de procesamiento del lenguaje natural mejoran las predicciones. Evaluamos tres resultados de alta prioridad: duración del paciente hospitalizado, reingreso después de la atención ho...
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
Investigamos hasta qué punto los datos registrados rutinariamente en el registro electrónico de salud (EHR) predicen los resultados de los servicios prioritarios y si las herramientas de procesamiento del lenguaje natural mejoran las predicciones. Evaluamos tres resultados de alta prioridad: duración del paciente hospitalizado, reingreso después de la atención hospitalaria y alto costo del servicio después de la primera presentación.
Utilizamos datos obtenidos de una base de datos clínica derivada del EHR de un gran proveedor de servicios de salud mental en el Reino Unido. Combinamos datos estructurados con datos derivados de texto relacionados con declaraciones de diagnóstico, medicación y sintomatología psiquiátrica. Los predictores de los tres resultados clínicos diferentes se modelaron mediante regresión logística con el rendimiento evaluado en función de un conjunto de validación para derivar áreas bajo las curvas características operativas del receptor.
En las muestras de validación, los modelos completos (utilizando todos los datos disponibles) alcanzaron áreas bajo las curvas características operativas del receptor entre 0. 59 y 0. 85 (duración del paciente interno 0. 63, reingreso 0. 59, uso de servicio alto 0. 85). Agregar datos derivados del procesamiento del lenguaje natural a los modelos aumentó la varianza explicada en todos los escenarios clínicos (aumento observado en r2 = 12–46%).
Los datos de EHR ofrecen el potencial de mejorar las predicciones clínicas de rutina al utilizar datos previamente inaccesibles. De nuestros escenarios, la predicción del alto uso del servicio después de la presentación inicial logró el mayor rendimiento.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.cambridge.org/
