XiaoMi-AI文件搜索系统
World File Search System病历
评估电子病历中社会人口统计学信息的捕获，以告知临床决策
越来越需要记录电子医学收入中的社会人口统计学因素，以生产代表性的医学研究，并为潜在的脆弱人群进行专注的研究。这项工作的目的是评估家庭医师电子病历的内容，并表征社会人口统计学特征的记录质量。报告了每个社会人口统计学特征的描述性统计数据。分析了社会人口统计学数据的完整性与各种诊所，电子病历供应商和医师特征之间的关联。监督的机器学习模型用于确定数据库中所有18岁以上所有成年患者的每个特征的不存在或存在。与其他变量相比，婚姻状况（51.0％）和职业（47.2％）的文件明显更高。种族（1.4％），性方向（2.5％）和性别认同（0.8％）的文档率最低，缺失率为97.5％或更高。供应商类型的相关性分析表明，供应商之间的婚姻和职业信息的可用性存在显着差异（χ2> 6.0，p <0.05）。诊所之间的文档变异性表明，大多数特征表现出较高的完整性差异，其职业差异最高（中值：47.2，四分位间距：60.6％）和婚姻状况（中位数：45.6，interquartile：45.6，Quartile：59.7％）。最后，自医师毕业以来几年，医生性行为，以及医生是否是外国人，与加拿大医学毕业生是否与文档的出生地点，公民身份，职业和电子病历中的教育有关。我们的发现表明，在卫生保健环境中为社会人口统计学信息实施更好的文档策略至关重要。要提高完整性，医疗保健系统应监控，鼓励，执行或激励社会人口统计学数据收集标准。
将电子病历与急诊室记录合并，以使用急诊科患者的机器学习预测结果
收集EMR从NTUH ED收集2013年至2017年之间的深度学习模型。采用分层矢量化器（HVEC）模型来提取患者信息并预测严重程度，包括入院后7天内的ICU入院和死亡率，并在入院急诊患者后30天内再入院。使用Text2Node将医疗记录的文本医学概念嵌入到模型中，并将所有医疗概念代码的分布式表示形式计算为128维向量。
计算机化病历系统 (CPRS) 用户指南
· 订购复杂门诊用药增加了适应症步骤 · 订购连续门诊输液订单捕获和适应症 · 订购连续门诊输液订单步骤以适应症 · 订购间歇门诊输液捕获和适应症 · 订购间歇门诊输液增加了适应症步骤 · 订购门诊用药简单剂量捕获和适应症 · 订购门诊用药简单剂量增加了适应症步骤 · 订购门诊用药复杂剂量增加了适应症捕获 · 订购门诊用药复杂剂量增加了适应症步骤 · 适应症添加到记录非 VA 药物 · 连续输液订单捕获和适应症 · 连续输液订单步骤以适应症 · 间歇输液订单捕获和适应症 · 间歇输液订单捕获和适应症
电子病历采用模型（EMRAM）
定义：电子病历采用模型（EMRAM） - 是一个八阶段模型，从零阶段（最不成熟）到七个（最成熟）。在每个阶段，组织都需要展示纸张的进步和最终删除，更高的使用和合规统计数据以及对自动化和临床决策支持的越来越依赖。基础设施采用模型（INFRAM） - 八个阶段的INFRAM衡量医疗机构在五个领域的IT基础设施的成熟度：移动性，安全性，协作，协作，运输和数据中心。
pmfl：针对异构任务的部分元元学习及其在现实世界病历上的应用
摘要 - 填充的机器学习是一种多功能且灵活的工具，可利用来自不同来源的分布式数据，尤其是当通信技术迅速发展并且可以在移动设备上收集空前的数据时。联合学习方法不仅利用了数据，还利用网络中所有设备的计算能力来实现更有效的模型培训。然而，尽管大多数传统的联合学习方法在同质数据和任务中都很好地工作，但将方法调整为杂项数据和任务分布既具有挑战性。此限制限制了联邦学习在现实世界中，尤其是在医疗环境中的应用。受到元学习的基本观念的启发，在本研究中，我们提出了一种新算法，该算法是联合学习和元学习的整合，以解决这个问题。此外，由于模型概括的转移学习的优势，我们通过引入部分参数共享以平衡全球和本地学习来进一步改善算法。我们将此方法命名为部分元元学习（PMFL）。最后，我们将算法将其应用于两个医疗数据集。我们表明，我们的算法可以获得最快的训练速度，并在处理异质医疗数据集时获得最佳性能。源代码可在https://github.com/destiny301/pmfl上找到。索引术语 - 填写学习，学习，转移学习，医学，自然语言处理
印度一家大眼科医院的电子病历与纸质记录的环境影响：生命周期评估研究
背景：全球医疗保健提供者正在迅速采用电子病历（EMR）系统，以取代纸质记录保存系统。尽管EMR有很多好处，但与医疗记录相关的环境排放尚不清楚。鉴于需要紧急气候行动，了解EMR的碳足迹将有助于使其采用和使用。目标：我们旨在估算和比较与纸质病历保存相关的环境排放及其在印度南部的高量眼保健设施中的替代EMR系统。方法：我们根据ISO（国际标准化组织）14040标准进行了生命周期评估方法，并提供了眼保健设施提供的主要数据。纸质记录保存系统上的数据包括2016年纸张和写作用具的生产，使用和处置。EMR系统于2018年在此地点采用。有关EMR系统的数据包括分配的资本设备（例如计算机和路由器）的分配生产和处置；生产，使用和处置纸张和撰写餐具等消耗品；以及运行EMR系统所需的电力。我们排除了建造的基础架构和冷却载荷（例如建筑物和通风）来自两个系统。我们使用灵敏度分析来模拟实践变化和数据不确定性和蒙特卡洛评估的影响，以在统计上比较有或没有可再生电源的2个系统。节能EMR设备结果：发现该位置的EMR系统的温室气体（GHG）比其纸情况医疗记录系统（195,000千克二氧化碳等效物[CO 2 E]或每年20,800千克CO 2 E或患者相比，每个患者每年的二氧化碳等效物[CO 2 E]或0.361 kg CO 2 E。然而，灵敏度分析表明，电源的效果是确定哪些记录保存系统发射更少的温室气体的主要因素。研究医院从可再生能源（例如太阳能或风能而不是印度电网）中获取所有电力，则其EMR排放量将降至24,900千克CO 2 E（每位患者0.046千克CO 2 E），这是一种与纸记录保存系统相当的水平。
教育和电子病历及基因组网络，使用多基因风险评分进行大规模临床试验的挑战和经验教训
多基因风险评分 (PRS) 可以识别出患常见复杂疾病风险较高的个体，从而改善医疗保健。然而，在临床实践中使用 PRS 需要仔细评估患者、提供者和医疗保健系统的需求和能力。电子病历和基因组学 (eMERGE) 网络正在进行一项合作研究，该研究将向 25,000 名儿科和成人参与者返回 PRS。所有参与者都将收到一份风险报告，根据 PRS，可能将他们归类为患有 10 种疾病中的一种或多种的高风险（每种疾病约 2-10%）。研究人群包括来自种族和少数民族人群、服务不足的人群以及医疗结果较差的人群的参与者。所有 10 个 eMERGE 临床站点都进行了焦点小组、访谈和/或调查，以了解主要利益相关者（参与者、提供者和/或研究人员）的教育需求。总的来说，这些研究强调了需要一些工具来解决 PRS 的感知好处/价值、所需的教育/支持类型、可访问性以及与 PRS 相关的知识和理解。根据这些初步研究的结果，该网络协调了培训计划和正式/非正式教育资源。本文总结了 eMERGE 评估教育需求和为主要利益相关者制定教育方法的集体方法。它讨论了遇到的挑战和提供的解决方案。© 2023 美国医学遗传学和基因组学学院。由 Elsevier Inc. 出版。保留所有权利。
传感器内人工智能与电子病历融合，实现居家监测
摘要 — 本研究提出了一种人工智能 (AI) 框架，通过融合心电图 (ECG) 和患者电子病历，在发病前四小时进行实时、个性化的脓毒症预测。片上分类器结合了模拟储层计算机和人工神经网络，无需前端数据转换器或特征提取即可进行预测，与标准化功率效率为 528TOPS/W 的数字基线相比，能耗降低了 13 倍，与所有数字化 ECG 样本的射频传输相比，能耗降低了 159 倍。所提出的 AI 框架分别以 89.9% 和 92.9% 的准确率预测埃默里大学医院和 MIMIC-III 的患者数据上的脓毒症发病。所提出的框架是非侵入性的，不需要实验室测试，因此适合在家监测。
