Data Mining EMRs Kann Bad Drug Reactions Detect

NJIT Assistenzprofessor Mei Liu , PhD, ein Informatiker , hat vor kurzem in einer neuen Studie gezeigt, dass elektronische Patientenakten können vorher validieren berichteten Nebenwirkungen und Bericht neue.

" Vergleichende Analyse der Pharmakovigilanz Methoden in der Erkennung von unerwünschten Arzneimittelwirkungen von Electronic Medical Records " ( Journal of American Medical Informatics Verband, Mai 2013 ) untersucht die Verwendung von rückwirkenden Medikamente Bestellungen und stationäre Laborergebnisse in die Patientenakten dokumentiert, um Nebenwirkungen zu identifizieren. Zwölf Jahre von Daten von der Vanderbilt University Medical Center wurden von Liu und ein Forschungsteam untersucht. Die Forscher korreliert abnormale Laborwerte mit spezifischen Droge-Leitungen durch den Vergleich der Ergebnisse einer Arzneimittel- exponierten Gruppe und eine abgestimmte unbelichteten Gruppe .

" Arzneimittelsicherheit verlangt, dass jedes Medikament während der gesamten Markt Leben als Früherkennung von unerwünschten Arzneimittelwirkungen können Warnungen, die Patienten Schaden zu verhindern führen überwacht werden ", sagte Liu . "Vor kurzem elektronische Patientenakten ( EMR ) wurden als wertvolle Ressource zur Erfassung schlecht Wirkungen hervorgegangen . "

Liu, ein Informatiker , kürzlich mit NJIT . Sie nutzt fortschrittliche Informatik Ansätze zur Gesundheitsversorgung zu verbessern , mit dem langfristigen Forschungs Ziel der Entwicklung von Data-Mining- Methoden, um die klinische Wissen aus EMRs aufzudecken , um die Qualität, Sicherheit, Effizienz und Effektivität der Gesundheitsversorgung zu verbessern.

" EMRs haben eine beispiellose Ressource für Beobachtungsstudien erstellt , da sie nicht nur detaillierte Informationen zum Patienten , aber auch große Mengen an Längs klinischen Daten enthalten ", sagte sie . Trotz der Versprechen der EMR als Forschungsinstrument , existieren Herausforderungen für große Beobachtungsstudien . Viel relevanten klinischen Informationen sind in narrative Text eingebettet und mehrere Faktoren zusammenwirken, um das Zeichnen spezifische Schlussfolgerungen aus EMR Daten schwieriger als Daten gesammelt, um gezielt beantworten Forschungshypothesen . Daher ist es wünschenswert, eine effektive und effiziente numerische Methoden zur Minen EMR Daten für die Durchführung von groß angelegten beobachtende Forschung zu entwickeln.

Unerwünschte Arzneimittelwirkungen (UAW) zum Beispiel, ist eine der Hauptursachen für das Scheitern in der Medikamentenentwicklung. Und schwere ADRs, die unentdeckt bleiben, bis der Post-Marketing-Phase eines Arzneimittels führen oft zu Morbidität des Patienten, wie zahlreiche Drogen Auszahlungen veranschaulicht. Derzeit ist sie führenden drei Projekte gleichzeitig zu untersuchen ADRs aus verschiedenen Blickwinkeln. Erstens soll sie zu ADRs von den chemischen, biologischen und phänotypischen Eigenschaften von Medikamenten vorherzusagen. Zweitens benutzt sie Labor- und retrospektive Medikamente Auftragsdaten aus EMR zu ADRs ermitteln. Drittens wird sie erkunden die Verwendung von natürlichen Sprachverarbeitungstechniken, um unerwünschte Ereignisse aus den Erzähl Notizen in EMR durch Assoziation Bergbau zu extrahieren und zu korrelieren diese Ereignisse mit Medikamenten. Sie ist auch an anderen Data Mining-Aufgaben für die klinische Informatik, wie Drogen Wiederverwendung (dh Anwendung von bekannten Arzneimitteln, neue Krankheiten). Sie ist auch daran interessiert, Patientenakten, um Vorhersagemodelle für Krankheiten wie Diabetes und Krebs zu bauen.