Assessing stroke severity using electronic health record data: a machine learning approach.

تقييم شدة السكتة الدماغية باستخدام بيانات السجلات الصحية الإلكترونية: نهج قائم على التعلم الآلي.

Clicks: 364
ID: 85149
2020
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Emerging

Ranked #17 of 65 articles by views in BMC medical informatics and decision making

Most read Least read

Bar heights use a square-root scale.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Stroke severity is an important predictor of patient outcomes and is commonly measured with the National Institutes of Health Stroke Scale (NIHSS) scores. Because these scores are often recorded as free text in physician reports, structured real-world evidence databases seldom include the severity. The aim of this study was to use machine learning models to impute NIHSS scores for all patients with newly diagnosed stroke from multi-institution electronic health record (EHR) data.NIHSS scores available in the Optum© de-identified Integrated Claims-Clinical dataset were extracted from physician notes by applying natural language processing (NLP) methods. The cohort analyzed in the study consists of the 7149 patients with an inpatient or emergency room diagnosis of ischemic stroke, hemorrhagic stroke, or transient ischemic attack and a corresponding NLP-extracted NIHSS score. A subset of these patients (n = 1033, 14%) were held out for independent validation of model performance and the remaining patients (n = 6116, 86%) were used for training the model. Several machine learning models were evaluated, and parameters optimized using cross-validation on the training set. The model with optimal performance, a random forest model, was ultimately evaluated on the holdout set.Leveraging machine learning we identified the main factors in electronic health record data for assessing stroke severity, including death within the same month as stroke occurrence, length of hospital stay following stroke occurrence, aphagia/dysphagia diagnosis, hemiplegia diagnosis, and whether a patient was discharged to home or self-care. Comparing the imputed NIHSS scores to the NLP-extracted NIHSS scores on the holdout data set yielded an R (coefficient of determination) of 0.57, an R (Pearson correlation coefficient) of 0.76, and a root-mean-squared error of 4.5.Machine learning models built on EHR data can be used to determine proxies for stroke severity. This enables severity to be incorporated in studies of stroke patient outcomes using administrative and EHR databases.
تعد شدة السكتة الدماغية مؤشرًا تنبؤيًا مهمًا لمآلات المرضى، وتُقاس عادةً بدرجات مقياس السكتة الدماغية التابع لمعاهد الصحة الوطنية (NIHSS). ونظرًا لأن هذه الدرجات تُسجل غالبًا في شكل نصوص حرة في تقارير الأطباء، فإن قواعد بيانات الأدلة الواقعية المهيكلة نادرًا ما تتضمن قياس الشدة. كان الهدف من هذه الدراسة هو استخدام نماذج تعلم الآلة لتقدير درجات مقياس NIHSS لجميع المرضى المشخصين حديثًا بالسكتة الدماغية استنادًا إلى بيانات السجلات الصحية الإلكترونية (EHR) متعددة المؤسسات. استُخرجت درجات مقياس NIHSS المتاحة في مجموعة بيانات Optum© المتكاملة للمطالبات والبيانات السريرية والمجردة من الهوية من ملاحظات الأطباء عبر تطبيق أساليب معالجة اللغات الطبيعية (NLP). وتألفت الأتراب الخاضعة للتحليل في الدراسة من 7149 مريضًا لديهم تشخيص في قسم التنويم الداخلي أو غرف الطوارئ بإصابتهم بسكتة دماغية إقفارية، أو سكتة دماغية نزفية، أو نوبة إقفارية عابرة، مع وجود درجة مقابلة لمقياس NIHSS مستخرجة عبر معالجة اللغات الطبيعية. حُجبت مجموعة فرعية من هؤلاء المرضى (العدد = 1033، 14%) لإجراء تحقق مستقل من أداء النموذج، بينما استُخدم بقية المرضى (العدد = 6116، 86%) لتدريب النموذج. كما جرى تقييم العديد من نماذج تعلم الآلة، وتحسين معاملاتها باستخدام التحقق المتبادل على مجموعة التدريب. وفي النهاية، قُيّم النموذج ذو الأداء الأمثل، وهو نموذج الغابة العشوائية (random forest)، على مجموعة التحقق المحجوبة. وبالاستفادة من تعلم الآلة، حددنا العوامل الرئيسية في بيانات السجلات الصحية الإلكترونية لتقييم شدة السكتة الدماغية، والتي شملت: الوفاة خلال نفس شهر حدوث السكتة، ومدة الإقامة في المستشفى عقب حدوث السكتة، وتشخيص تعذر البلع/عسر البلع، وتشخيص الشلل النصفي، وما إذا كان قد تقرر خروج المريض إلى المنزل أو للرعاية الذاتية. وأسفرت مقارنة درجات مقياس NIHSS المقدرة بالدرجات المستخرجة عبر معالجة اللغات الطبيعية في مجموعة البيانات المحجوبة عن معامل تحديد (R) قدره 0.57، ومعامل ارتباط بيرسون (R) قدره 0.76، وجذر متوسط مربعات الخطأ قدره 4.5. يمكن استخدام نماذج تعلم الآلة المبنية على بيانات السجلات الصحية الإلكترونية لتحديد مؤشرات تقريبية لشدة السكتة الدماغية؛ مما يتيح إدراج شدة المرض في دراسات مآلات مرضى السكتة الدماغية بالاعتماد على قواعد البيانات الإدارية وقواعد بيانات السجلات الصحية الإلكترونية.
Reference Key
kogan2020assessingbmc Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Emily Kogan, Kathryn Twyman, Jesse Heap, Dejan Milentijevic, Jennifer H Lin, Mark Alberts
Are you one of these authors? Claim your profile
Journal BMC medical informatics and decision making
Year 2020
DOI
10.1186/s12911-019-1010-x
URL
Keywords
real-world evidence database outcomes research

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.