本文在以下e-collection /主题问题:

2022年主题问题:健康自然语言处理和应用程序(芯片)(27) 机器学习(1073) 决策支持的卫生专业人员(785) 临床信息和决策(975) 电子健康记录(816) 临床信息学(600)

发表在在10卷,没有12(2022):12月

本文的预印本(早期版本)是可用的https://preprints.www.mybigtv.com/preprint/37833,第一次出版。
实现机器学习的管道进行临床实践:开发和验证研究

实现机器学习的管道进行临床实践:开发和验证研究

实现机器学习的管道进行临床实践:开发和验证研究

本文的作者:

劳拉J Kanbar1 作者Orcid形象; 本杰明Wissel2 作者Orcid形象; Yizhao倪2、3 作者Orcid形象; 内森Pajor1、2、3 作者Orcid形象; 特蕾西的时候3、4 作者Orcid形象; 约翰Pestian2、3 作者Orcid形象; 朱迪斯·W Dexheimer2、3、5 作者Orcid形象
文章 作者 (1)引用的 Tweetations (11) 指标

    原始论文

    1分工肺药,辛辛那提儿童医院医学中心,辛辛那提,哦,美国

    2生物医学信息学,辛辛那提儿童医院医学中心,辛辛那提,哦,美国

    3辛辛那提大学医学院的儿科学系,辛辛那提,哦,美国

    4神经学部门,辛辛那提儿童医院医学中心,辛辛那提,哦,美国

    5急诊医学,辛辛那提儿童医院医学中心,辛辛那提,哦,美国

    通讯作者:

    朱迪斯•W Dexheimer博士学位

    生物医学信息学分工

    辛辛那提儿童医院医疗中心

    伯内特大道3333号

    辛辛那提,哦,45229

    美国

    电话:1 5138032962

    电子邮件:judith.dexheimer@cchmc.org


    背景:人工智能(AI)技术,如机器学习,自然语言处理,有可能提供新的见解复杂的健康数据。虽然强大,但这些算法很少直接从实验研究转向临床护理的实施。

    摘要目的:我们旨在描述成功的关键组件开发和集成两种人工智能技术为基础的临床实践研究管道。

    方法:结果,我们总结了方法和关键知识与实现下列两个系统实现在一个大型的,三级护理儿童医院:(1)癫痫手术候选人身份(或癫痫ID)在一个动态神经诊所;和(2)一个自动化临床试验资格过滤网(发动)实时识别儿科急诊病人进行研究。

    结果:癫痫ID系统执行以及执照神经病学家确定手术候选人(敏感性71%,阳性预测值为77%)。发动系统协调员筛选时间降低了12.9%。每个项目的成功很大程度上是依赖于机器学习专家之间的合作研究和业务信息技术专业人员,纵向临床提供商的支持,和机构领导。

    结论:这些项目展示小说机器学习建议和提供者之间的交互作用在临床护理。我们部署提供无缝的、实时的集成人工智能技术来提供决策支持和改善病人的护理。

    地中海JMIR通知2022;10 (12):e37833

    doi: 10.2196/37833

    关键字

    电子健康记录; 自然语言处理; 癫痫; 临床决策支持; 机器学习; 急诊医学; 人工智能


    健康数据的疯狂增长,人工智能(AI)技术,如机器学习和自然语言处理(NLP),提供一个强大的方法来提取有意义的关联从大数据集1]。应用机器学习影响深远,包括病人的识别、计算机视觉、语音识别、网络搜索,发现表型(2- - - - - -9]。

    电子健康记录(EHR)捕捉数据有关临床遇到,但多达30% -50%的这些数据只能在自由文本(10]。因此,一个特别理解医疗数据包括NLP有价值的手段。NLP的技术将自由文本分析和统计方法纳入计算机算法来获得语言特性(例如,医生的诊断)从人类语言输入11]。临床护理和研究可以受益于使用这种非结构化文本信息(12,13]。NLP已经用于监视、不良事件检测(14- - - - - -18),药物识别(19从放射学报告[],提取的数据20.- - - - - -22]。NLP也成功应用于评估临床记录和提供建议的临床决策支持(CDS)工具(23]。

    这些光盘工具可以改变用户的行为;然而,为了确保成功实现,用户参与cd设计是至关重要的(24- - - - - -30.]。信用违约掉期工具使用AI和NLP技术依然少可实现直接进入实时临床护理与长期成功31日- - - - - -34]。这些人工智能管道的原因集成在一个临床医疗系统是具有挑战性的是,它需要配合如下:(1)关键利益相关者和预期的最终用户的信用违约掉期工具;(2)生物医学信息学专业人士设计人工智能;(3)研究信息技术(IT)专业人士设计光盘工具与利益相关者;和(4)运营IT专业人员负责维护、正常运行时间和EHR集成(35]。

    在这项工作中,我们报告的主要修改实现提高两个基于人工智能技术的开发和实时集成管道使用NLP三级儿童保健机构。这些修改导致的成功部署和持续利用这些管道。


    客观的

    我们的案例研究的目的是创建功能基于人工智能技术的cd工具有效地研究设置并将它们集成到临床工作流不牺牲护理质量、临床护理交付的速度,和劳动力的需求。

    设置和参与者

    辛辛那提儿童医院医学中心是一个大型三级保健中心每年有超过120万病人接触。它有一个大癫痫诊所(每年超过6400病人和12000癫痫访问)和大量的癫痫手术病例每年(50)。分工的儿科急诊医学监督5迫切关心和2急诊(EDs)和每年170000人次的普查。ED雇用了8全日制临床研究协调员(crc)招收患者在临床研究访问。

    案例1:自动化癫痫干预措施

    背景

    第一个案例研究旨在促进早期手术治疗难治性癫痫患者,因为它已经被证明可以改善认知结果,心理健康和生活质量36),以及增加质量调整生命年(37)在一个相对安全的手术对病人(38]。国家指导方针,继续衰弱的患者癫痫发作后2个或更多的抗癫痫药物应考虑足够的试验那些将要动手术评价推荐(39]。从第一次发作的时候,平均而言,病人接受手术后癫痫7年来在儿科和20年的成年人40,41]。只有0.5% -1.5%的患者接受了手术后2年内完成临床手术候选资格标准(42]。事实上,提高手术的使用已被证明是困难的(42因为这个高度专业化的但重要的临床知识在临床护理并不普及。

    方法

    语料库的音符从诊断为癫痫患者发作免费或有resective癫痫手术被用来设计NLP的特性。生成的NLP为每个病人手术候选人分数,分数越高表明手术参选的可能性更高和更低的分数表明癫痫的可能性更大自由。接下来,朴素贝叶斯、支持向量机和随机森林模型开发使用回顾性数据描述在以前的工作43]。图1描述了系统管道从输入数据到输出的建议。

    确保NLP系统将被接受的建议付诸实践,我们通过比较验证了该算法的分类对比手工从epileptologists标签2]。实现为临床护理之前,我们前瞻性评估系统1年在临床测试的准确性(44]。

    ‎
    图1所示。癫痫外科管道架构。从左到右:一系列的Oracle PL / SQL查询提取癫痫患者数据和导出在CSV格式的元安装服务器。数据分为以下三组:患者手术,患者控制发作的病人,未知的结果。特征提取模块(即“培训功能”)分析了自由文本笔记和出口机器可读的SVM光格式的特征向量。手术和控制发作病人功能发送到分类器训练模块训练支持向量机模型。未知的病人功能被送入决赛训练分类器,输出每个病人的手术候选人得分。所有患者未知的结果,他们的分数然后加载到癫痫手术软件(ESS)数据库。得分最高的病人被送到一个史诗般的web服务产生的收文篮消息提醒。所有的病人和他们的笔记都可以查看和搜索在ESS的web应用程序。 This entire process is run on a weekly basis, to continually incorporate new electronic health record data into the algorithm training.
    把这个图

    案例2:自动化临床试验资格过滤网(发动)

    背景

    第二个案例研究旨在识别参与者可能满足临床试验招募合格标准。在当前的实践中,crc的医院和医生做试验资格筛选手动(45]。为患者提供临床访问期间,筛选理想情况下尽早在访问,这样符合条件的候选人可以走近招生没有延长住院时间。然而,考虑到大量的数据记录在电子医疗纪录,是劳动密集型的员工筛选相关的信息,尤其是在一个单一的访问的时间框架。因此,自动筛选,确定符合条件的患者试验临床研究基于EHR信息承诺极大的好处。

    方法

    促进参与者识别,我们开发了一个机器学习NLP-based system-ACTES [23,46)——分析结构化数据和非结构化叙事指出自动确定患者是否适合临床试验登记。发展,我们评价历史trial-patient招生决策在儿科ED和电子健康档案中提取数据包括临床指出,被crc一般了。然后,我们定制的自然语言处理和机器学习算法基于trial-patient数据。发动是集成到机构工作流支持实时病人筛查在我们最近的研究(44];系统开发之前报道的细节(46]。

    实现策略

    我们假设成功实现人工智能的解决方案依赖于5个关键步骤,如下:

    1. 行业标准的集成软件实施相关的网站。具体来说,系统需要适应使用行业标准软件库。
    2. 自动化流程的访问电子健康档案数据。系统需要与EHR提取输入数据,没有人工干预。
    3. 鼓励用户反馈告知AI的最终设计方案。
    4. 集成人工智能解决方案的典型临床工作流。
    5. 业绩评估和定期维护继续评估人工智能解决方案的效用。

    建筑人工智能技术后,我们使用这五个策略来实现人工智能解决方案促进成功的部署工具。


    后创建和验证算法的研究背景,我们实现了这两个人工智能解决方案NLP管道。管道都遵循一个循序渐进的过程,从EHR提取数据,处理它,并提供建议的形式自动发出的警报,可以研究系统EHR实时(史诗系统)。要做到这一点,研究系统必须修改融入临床工作流程,如本节所述。

    行业标准软件

    审查结束后20个不同的库管理NLP管道,这是决定Java NLP库LingPipe [47)可用于特征提取和预处理,并从scikit-learn LIBSVM的Python实现(48)可用于分类器(49]。发动的NLP组件是建立在临床的文本分析和知识提取系统50),机器学习组件是用Java编写的(甲骨文公司)。

    自动化电子健康档案数据访问

    癫痫的干预AI, Oracle PL / SQL查询的EHR关系数据库被用来提取患者数据。发动,rest和SOAP web服务开发提取电子健康档案数据,如人口、药物订单,和临床实时记录,存储在一个Oracle SQL数据库。交互式网络仪表盘是可视化开发的crc的推荐和接收反馈。

    用户反馈告知最终的设计

    人工智能解决方案的设计和集成来自最终用户的反馈。癫痫和发动全集是由人工注释指出病人的提供者。在算法设计和实现过程中,提供者包含在最终构建和集成。首先,生物医学信息学小组跟踪供应商对工作流的观察。第二,生物医学信息学小组参加临床会议,包括教师、员工、和临床研究协调员至少10个小时获得反馈,确保设计是合适的。第三,模型设计共享至少3的会议,讨论的过程与人工智能交互使用和解决方案的形式一个cd的工具。在这种情况下,信用违约互换工具可以提供一个警告,提供商咨询在他们喜欢的预警方法(例如,电子邮件或短信提醒)。在这两种人工智能技术,供应商能够直接与机器学习的建议如下:

    • 在癫痫外科干预,这些结果显示在临床护理建议外科咨询,和产生的后续行动建议反馈到应用程序来提高性能。
    • 发动,临床研究协调员的入境资格是用来帮助训练,提高分类器。此外,发动评估和改进可用性和满意度的提供者和被发现易于使用和学习。

    融入临床工作流

    人工智能技术都集成到临床工作流支持临床实践。对难治性癫痫患者和即将到来的访问中,提前手术资格评估。病人被列为潜在手术候选人,EHR收文篮消息被发送到提供者他们将看到通过web服务。

    我们集成发动到crc的工作流支持实时病人筛查(51]。系统跑不断在安全,健康保险流通与责任法案(HIPAA)兼容的服务器中提取结构化和非结构化EHR当前ED患者的数据。对于每一个临床试验,排名列表的患者推荐的系统,连同他们的人口统计学和临床信息,显示在仪表板crc可用。在10分钟刷新的信息增量,以适应实时更新。考虑到推荐患者作为临床试验的潜在参与者,crc执行额外的EHR筛选确认候选人的资格。当一个合格的候选人被确认,crc靠近他或她负责招生按照标准临床工作流。

    绩效评估

    癫痫AI技术上线4月12日,2016年,作为EHR的发布周期的一部分和每周运行。星期天,系统列车在笔记已经发作的患者免费1年或以前resective癫痫手术。这个训练分类器评价其他未知的癫痫患者至少有一个去年内发作,但没有那些将要动手术的评估。因此,训练和测试病人的表每周更新一次。系统执行以及执照神经病学家确定手术候选人(敏感性71%,阳性预测值为77%)和额外的培训和提高,确定手术候选人比神经病学家(2]。作为正在进行的算法开发的一部分,手术史的患者的数量包括在训练集从102增加患者4月10日,2016年,2019年10月6日,195名患者。

    发动病人识别系统上线10月1日2017年。发动了前瞻性评估使用时间与动作研究,定量评估登记,后评估可用性调查收集的crc (52]。工效研究期间,一个观察者监控活动的CRC从事在30秒的增量2小时。每个活动所花费的时间与之前使用的发动。本研究重复每月4个月,这是分布在crc和转变。的实现发动后,crc花了12.9% (P<措施)更少的时间在电子筛选[52]。入学评估的量化评估的患者数量检查,患者接触的数量,和病人登记的数量。发动的使用显著提高筛查患者的数量对于大多数试验和改进接近病人的数量,登记患者,与2 7试验统计学意义(52]。最后,从系统可用性调查结果和额外的每月分析了开放式的问题来提高发动(52]。

    维护

    癫痫系统操作超过90%的时间在第一个150周。在这一次,问题是解决生物医学信息学研究和生产的人员。有10个更改的NLP的管道系统和6错误执行脚本。问题提取病人笔记EHR的延迟运行NLP系统的最大原因,发生12 150(8%)周。

    杂项调整了发动工具在试点阶段(2017 - 2018),以适应CRC的需要。发动也因为更新3次重大更新机构EHR系统和实时数据提取的web服务。更新的制度EHR系统和研究环境引起多个系统故障评估期间中断小于2的52例(4%)周的操作。


    主要结果

    这项工作突出的主要修改信用违约互换工具的集成和部署的研究制定临床实践。我们成功地添加了基于ai技术以下2临床工作流不同机构:一个自动化癫痫外科手术工具和自动化临床试验资格过滤网(发动)系统。在整个过程中,我们认为成功的这些工具融入临床护理需要适应行业标准,自动化的数据访问、逻辑融入临床工作流程和持续的用户反馈。

    这项工作有几个重要的优点。我们实现了小说,自动化机器学习工具以有形的方式提供决策支持机构。这些工具都能很好的接受和识别合格的流线型的临床护理病人的手术或临床试验。我们的经验与这些工具的部署同意建议由川et al (53)成功实现cd的工具。我们的cd工具实现了实时提供支持自然点在临床工作流程,以免干扰或扩展护理的时间表。与他们的研究结果一样,我们的cd自动工具使用可用的电子健康档案数据,在可能的情况下,确保临床有效的可伸缩性和可用性。在我们的例子中,我们添加了一个额外的层的测试,我们实现了我们的cd工具在平行于本地化临床临床护理测试精度完全部署之前,允许继续微调的cd工具之前,成为临床工作流程的一部分。

    评价的偏见

    我们评估潜在的偏见的工具以确保cd建议不受种族差异的影响。癫痫手术候选人建议背后的AI技术评估偏差的病人人口,社会经济特征和语言(54]。病人的种族、性别和主要语言没有偏见AI的手术候选人分数(P>。35for all).

    注意事项和限制

    几个问题应考虑在研究工具的实现实时临床设置。与大多数记录系统、EHR系统需要定期升级和bug修复。这需要持续保持管道运营的支持。EHR算法提取和管道特征应该放在EHR升级队列每次升级周期以确保他们的评价。以解决这个问题,资源运营和研究应该拨出,以确保一致的系统集成与临床实践。

    成功部署和继续使用这些系统还需要密切合作与涉众嵌在各自的临床系统。这种合作至关重要研究输出允许无缝集成的日常临床实践。没有输入有效的终端用户,很难完全理解当前进程,需求,以及限制相关的工作流和数据,以便优化预测。

    结论

    制定、开发和实时实现所需的两个人工智能解决方案在临床设置cd的开发工具和管道使用公共行业标准项目和现有的EHR web接口集成之前。在我们的工作中,我们发现一个cd工具的成功很大程度上是依赖于机器学习专家之间的合作,研究合作者,和操作IT专业人员。此外,纵向临床支持供应商和机构的领导是必要的部署cd的持续维护工具和仔细考虑它的长期使用。

    确认

    作者要感谢神经病学提供者,急诊医学提供者和辛辛那提儿童医院医学中心生物医学信息学的员工提供无数的反馈和支持。

    这项工作是支持内部资金从辛辛那提儿童医院医学中心,国家医学图书馆(5 r01lm011124-03)和卫生保健研究和质量(1 r21hs024977-01)。BW的工作得到了露丝l . Kirschstein博士前的个别国家研究服务奖(5 f31ns115447-02)。

    的利益冲突

    摩根大通和TG手术候选人的鉴定报告一个专利使用自然语言处理,授权给辛辛那提儿童医院医学中心和专利未决处理临床文本与特定领域的扩散激活方法,授权给辛辛那提儿童医院医疗中心。

    1. Rajkomar,院长J,小羽。机器学习医学。郑传经地中海J 2019 4月04;380 (14):1347 - 1358。(CrossRef]
    2. 科恩KB、玻璃B,他一一嗯,Holland-Bouley K, Standridge S, R, et al。方法论的问题在预测小儿癫痫手术候选人通过自然语言处理和机器学习。生物医学通知见解2016年5月22日;8:BII.S38308。(CrossRef]
    3. 科恩Matykiewicz P K,荷兰KD,朱丽恩助教,Standridge SM, Verspoor公里,et al .癫痫手术的早期识别候选人使用自然语言处理。2013发表于:学报2013生物医学研讨会自然语言处理;8月8日;保加利亚索非亚,1 - 9页。
    4. 张X,金正日J,帕兹再保险公司老皮特,帕兹,施拉格JD。预测急诊住院基于自然语言处理和神经网络。方法正地中海2017年10月26日,56 (5):377 - 389。(CrossRef][Medline]
    5. 吴曾Z, H, Y,香港Z自然语言处理技术在生物信息学的调查。第一版的数学方法杂志2015;2015:674296 - 674210 (免费的全文][CrossRef][Medline]
    6. 江Milea D,纳贾尔RP, Z, Ting D, Vasseneix C,徐X, et al。人工智能检测视神经乳头水肿眼眼底照片。N地中海拉米2020年4月30日;382 (18):1687 - 1695。(CrossRef]
    7. 彭Gulshan V, L, Coram M, Stumpe MC,吴D, Narayanaswamy, et al .深入学习算法的开发和验证检测糖尿病视网膜病变视网膜眼底照片。《美国医学会杂志》2016年12月13日,316 (22):2402 - 2410。(CrossRef][Medline]
    8. Tomašev N, Glorot X, Rae JW Zielinski M, Askham H, Saraiva, et al .临床适用的方法连续预测未来的急性肾损伤。大自然2019年8月31日,572 (7767):116 - 119 (免费的全文][CrossRef][Medline]
    9. Esteva A、B Kuprel诺沃亚RA, Ko J,不要SM,布劳恩,et al . Dermatologist-level皮肤癌与深层神经网络分类。大自然2017年1月25日,542 (7639):115 - 118。(CrossRef]
    10. 希克斯j .索赔数据的潜在支持医疗保健质量的测量。兰德公司。2003。URL:https://www.rand.org/pubs/rgs_dissertations/RGSD171.html[2022-11-17]访问
    11. Hirschberg J,曼宁CD。先进的自然语言处理。科学2015年7月17日,349 (6245):261 - 266。(CrossRef][Medline]
    12. 梅尔顿GB, Hripcsak g .自动检测放电使用自然语言处理不良事件的总结。J是通知协会2005年7月01;12 (4):448 - 457。(CrossRef]
    13. Murff HJ FitzHenry F, Matheny我绅士N,科特KL, Crimin K, et al。术后并发症的自动识别在电子病历使用自然语言处理。《美国医学会杂志》2011年8月24日,306 (8):848 - 855。(CrossRef][Medline]
    14. 贝茨DW,埃文斯RS, Murff H,斯泰森毡帽PD, Pizziferri L, Hripcsak g .检测不良事件使用信息技术。J是通知协会2003年3月01;(2):115 - 128 (免费的全文][CrossRef][Medline]
    15. Petratos GN,金正日Y,埃文斯RS,威廉姆斯SD,加德纳RM。比较计算机药物不良事件监测系统的有效性提高住院病人的临床决策支持。:通知2017 12月16日,01 (03):293 - 303。(CrossRef]
    16. Tinoco,埃文斯RS, sta CJ,劳埃德·摩根富林明,罗斯柴尔德JM, Haug PJ。比较电脑为不良事件监测和手工图审查。J是通知协会2011年7月01;18 (4):491 - 497 (免费的全文][CrossRef][Medline]
    17. 康威M,道林约,查普曼WW。使用首席投诉综合征监测:回顾主诉在北美建立分类器。J生物医学通知2013年8月,46 (4):734 - 743 (免费的全文][CrossRef][Medline]
    18. 你们Y,徐F,瓦格纳M, Espino榉,李问:流感检测从急诊报告使用自然语言处理和贝叶斯网络分类器。J是通知协会2014年9月01;(5):815 - 823 (免费的全文][CrossRef][Medline]
    19. Savova g·奥尔森我,墨菲SP, Cafourek六世,沙发FJ, Goetz MP, et al。自动发现乳腺癌的内分泌治疗药物治疗模式在电子医疗记录。J是通知协会2012年6月1日,19 (e1): e83-e89 [免费的全文][CrossRef][Medline]
    20. 都柏林的年代,鲍德温E,沃克RL,克里斯滕森LM, Haug PJ,杰克逊ML,等。自然语言处理确定肺炎从放射学报告。Pharmacoepidemiol药物Saf 2013年8月1日,22 (8):834 - 841 (免费的全文][CrossRef][Medline]
    21. 艾尔PL, Froehling D, Wahner-Roedler D, Trusko B,威尔士G,马H, et al . NLP-based识别自由文本放射性肺炎病例的报告。AMIA物质协会Proc 2008 11月06:172 - 176 (免费的全文][Medline]
    22. 男性弗里德曼C,艾德森PO,奥斯汀JHM西米洛JJ,约翰逊某人一个通用的自然语言文本处理器临床放射学。J是通知协会1994年3月01;1 (2):161 - 174免费的全文][CrossRef][Medline]
    23. Deleger L, Brodzinski H,翟H,李问,Lingren T,柯肯特尔,et al。开发和评估一个自动化阑尾炎急诊儿科患者的危险分层算法。J是通知协会2013年12月01;20 (e2): e212-e220 [免费的全文][CrossRef][Medline]
    24. Branch-Elliman W, Strymish J, Kudesia V,罗森AK,古普塔k自然语言处理实时catheter-associated尿路感染监测:试点实施试验的结果。感染控制Hosp论文2015年9月26日,36 (9):1004 - 1010。(CrossRef][Medline]
    25. Tso GJ,你西南,Oshiro C,马丁斯,Ashcraft M,袁千瓦,et al .自动化指南临床决策支持:知识工程和实现。AMIA物质协会Proc 2016:1189 2016; 1198免费的全文][Medline]
    26. 克莱恩我,首脑MM,胫骨j .临床实施个性化的精密医学药物基因组学:障碍和解决方案。J制药Sci 2017年9月,106 (9):2368 - 2379。(CrossRef][Medline]
    27. Kilsdonk E, Peute LW,雅斯贝尔斯微波加工。影响因素实现的成功部分临床决策支持系统:系统回顾和差距分析。Int J地中海通知2017年12月,98:56 - 64。(CrossRef][Medline]
    28. 卡斯蒂略RS,科勒曼a考虑对于一个成功的临床决策支持系统。第一版通知孕育2013年7月,31 (7):319 - 26;测试327 - 8。(CrossRef][Medline]
    29. 加戈AX, Adhikari NKJ,麦当劳H, Rosas-Arellano MP,审视PJ,伊恩J, et al。计算机临床决策支持系统对从业者的影响性能和病人结果:系统回顾。《美国医学会杂志》2005年3月9日,293 (10):1223 - 1238。(CrossRef][Medline]
    30. 赖特,灰JS,亚伦年代,人工智能,Hickman TT, Wiesen摩根富林明,等。防止故障的最佳实践在临床决策支持基于规则的警告和提醒:德尔福的一项研究的结果。Int J地中海通知2018年10月;118:78 - 85 (免费的全文][CrossRef][Medline]
    31. 艾布拉姆博士拉文PT、桦木M,沙N,民间JC。关键试验的一个自治基于ai诊断系统检测糖尿病视网膜病变在初级保健办公室。NPJ数字地中海2018年8月28日,1 (1):39免费的全文][CrossRef][Medline]
    32. Hollon TC, Pandian B, Adapa AR,乌里亚E,拯救AV,节日SSS, et al。接近实时的术中诊断脑肿瘤利用受激拉曼组织学和深层神经网络。Nat地中海2020年1月,26 (1):52-58 [免费的全文][CrossRef][Medline]
    33. Titano JJ, Badgeley M, Schefflein J,疼痛,苏,尹浩然,Cai。自动化deep-neural-network监测急性颅图像的神经活动。Nat地中海2018年9月13日,24日(9):1337 - 1341。(CrossRef][Medline]
    34. 王P,刘X, Berzin T, Glissen布朗J,刘P,周C,等。影响腺瘤的深度学习计算机辅助检测系统检测在结肠镜检查(CADe-DB试验):一项双盲随机研究。《柳叶刀》杂志2020年4月,5 (4):343 - 351免费的全文][CrossRef]
    35. 班纳特Trinkley KE,卡恩毫克,TD,格拉斯哥再保险公司Haugen H,花王DP,等。结合实际实现强劲和可持续发展在临床决策支持模型与最佳实践设计:实现科学的方法。J地中海互联网Res 2020 10月29日,22 (10):e19676 [免费的全文][CrossRef][Medline]
    36. 恩格尔J,麦克德莫特MP, Wiebe年代,Langfitt JT,斯特恩JM,杜瓦年代,早期随机外科癫痫试验(ERSET)研究小组。耐药颞叶癫痫早期手术治疗:一项随机试验。《美国医学会杂志》2012年3月7日,307 (9):922 - 930免费的全文][CrossRef][Medline]
    37. 崔H,出售RL, Lenert L, Muennig P,古德曼RR, Gilliam FG, et al .癫痫手术pharmacoresistant颞叶癫痫:决策分析。《美国医学会杂志》2008年12月03;300 (21):2497 - 2505。(CrossRef][Medline]
    38. 恩格尔J, Wiebe年代,法国J,斯珀林M,威廉姆森P,斯宾塞D,等。实践参数:颞叶癫痫局部皮层切除术。Epilepsia 2003年6月,44 (6):741 - 751 (免费的全文][CrossRef][Medline]
    39. 交叉JH Jayakar P Nordli D, Delalande O, Duchowny M,维塞尔HG国际抗癫痫联盟‚专门委员会对小儿癫痫手术,NeurosurgeryPaediatrics佣金。提出推荐和评价标准的儿童癫痫手术:小儿癫痫手术的专门委员会的建议。Epilepsia 2006年6月,47 (6):952 - 959 (免费的全文][CrossRef][Medline]
    40. 崔H, Carlino R,海曼G,豪泽佤邦,Gilliam FG。评估期间癫痫前颞叶癫痫手术在过去的二十年。癫痫Res 2009年10月,86 (2):224 - 227 (免费的全文][CrossRef][Medline]
    41. 关颖珊P, Schachter SC,布罗迪乔丹。耐药性癫痫。郑传经地中海J 2011 9月08年;365 (10):919 - 926。(CrossRef]
    42. 加西亚Englot DJ,欧阳D, PA,巴巴罗NM, Chang EF。癫痫手术趋势在美国,1990 - 2008。神经学2012年3月21日,78 (16):1200 - 1206。(CrossRef]
    43. Tsochantaridis我,霍夫曼T,托尔斯滕J,阿尔金y相互依存和结构化输出支持向量机的学习空间。21国际会议:《机器学习。2004发表于:ICML ' 04;7月4 - 8;加拿大亚伯达省的班夫,。(CrossRef]
    44. 格劳瑟格林尼Wissel BD,嗯,助教,Holland-Bouley KD,曼格诺英尺,Santel D, et al。未来的机器学习模型的验证,使用提供者指出识别候选resective癫痫手术。Epilepsia 2020年1月29日,61 (1):39-48 [免费的全文][CrossRef][Medline]
    45. Embi PJ,佩恩PRO。临床研究信息:挑战、机遇和定义为一个新兴的领域。哈福2009年5月01;16 (3):316 - 327。(CrossRef]
    46. 倪Y, Kennebeck年代,Dexheimer JW, McAneney厘米,唐H, Lingren T, et al .自动化临床试验资格试销:增加病人识别的效率在急诊科临床试验。J是通知协会2015年1月,22 (1):166 - 178 (免费的全文][CrossRef][Medline]
    47. 鲍德温B, Dayanidhi k自然语言处理与Java和LingPipe食谱。英国伯明翰:Packt出版有限公司;2014年。
    48. Pedregosa F, G Varoquaux, Gramfort,米歇尔V,蒂里翁B, Grisel O, et al . Scikit-learn:机器学习在Python中。J马赫学习Res 12:2825 2011; 2830年。(CrossRef]
    49. 约阿希姆·t·文本分类支持向量机:学习许多相关特性。:海德堡激飞柏林;1998发表于:机器学习:ecml - 98;1998;柏林,海德堡p。137 - 142。(CrossRef]
    50. Savova GK Masanz JJ, Ogren PV,郑J,孙年代,Kipper-Schuler KC, et al .梅奥临床文本分析和知识提取系统(cTAKES):建筑、评价和应用程序组件。J是通知协会2010;17 (5):507 - 513 (免费的全文][CrossRef][Medline]
    51. Dexheimer JW,唐H, Kachelmeyer Hounchell M, Kennebeck年代,Solti我,等。时间与动作研究的儿科急诊临床试验资格筛选。Pediatr紧急情况保健2019;12月35 (12):868 - 873 (免费的全文][CrossRef][Medline]
    52. 倪Y,贝穆德斯M, Kennebeck年代,Liddy-Hicks年代,Dexheimer j .实时自动病人筛查系统临床试验资格在紧急部门:设计和评估。JMIR地中海通知2019年7月24日,7 (3):e14185 [免费的全文][CrossRef][Medline]
    53. 川K,胡莉CA、红晶石EA Lobach DF。改善临床实践使用临床决策支持系统:系统回顾试验确定成功的关键特性。BMJ 2005 4月2;330 (7494):765免费的全文][CrossRef][Medline]
    54. 格劳瑟格林尼Wissel BD,嗯,助教,曼格诺英尺,Santel D, Pestian JP等。调查偏差的癫痫机器学习算法训练医生的笔记。Epilepsia 2019年9月23日,60 (9):e93-e98 [免费的全文][CrossRef][Medline]

    ‎
    发动:自动化临床试验资格筛选器
    人工智能:人工智能
    cd:临床决策支持
    儿童权利公约:临床研究协调员
    艾德:急诊科
    电子健康档案:电子健康记录
    它:信息技术
    NLP:自然语言处理

    由T郝编辑;提交08.03.22;周一Keniston同行评议,H G Nneji;评论作者11.07.22;修订版本收到01.09.22;接受19.09.22;发表16.12.22

    版权

    ©劳拉J Kanbar,本杰明·Wissel Yizhao倪,Nathan Pajor,特蕾西的时候,约翰•Pestian朱迪斯·W Dexheimer。最初发表在JMIR医学信息学(https://medinform.www.mybigtv.com), 16.12.2022。

    这是一个开放分布式根据条知识共享归属许可(https://creativecommons.org/licenses/by/4.0/),它允许无限制的使用、分配、和繁殖在任何媒介,提供原工作,首次出版于JMIR医学信息学是正确引用。完整的书目信息,原始发布在https://medinform.www.mybigtv.com/上的链接,以及这个版权和许可信息必须包括在内。
    Baidu
    map