临床大数据挖掘 PPT.pptxVIP

临床大数据挖掘;背景;全面推进健康中国建设：把保障人民健康放在优先发展的战略位置，……为人民提供全方位全生命期健康服务。

——《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》;精准医学

根据患者特征进行疾病预防和诊疗

对不同疾病易感性

疾病的发生及预后

对特定治疗的反应;GoogleFluTrends：检索词;临床数据;临床数据;临床数据;临床数据;TauxeW.Nature2015,527(7578):S102-S103;古埃及;~1000;1894;1975;1990、1995;1990、1995;2000;2000;2002;分类;数据挖掘：方法进展;2020~;研究范例

;研究范例

结构化数据;GilbertT,etal.Lancet.2018,391(10132):1775-1782;背景：老龄患者的衰弱风险评分;背景;三个主要步骤来建立和验证该评分体系;三个主要步骤来建立和验证该评分体系

能否根据ICD-10编码和资源消耗识别出具有衰弱特征的老年患者

用ICD-10编码构建评分???统来表征上述具有衰弱特征的患者人群

测试构建的医院衰弱风险评分能否预测急诊入院后的不良结局，以及是否和其他临床使用的衰弱工具识别出来的患者相似;方法和结果：;方法和结果：;方法和结果：;方法和结果：;GilbertT,etal.Lancet.2018,391(10132):1775-1782;;方法和结果：;;;步骤二：

用ICD-10编码构建评分系统来表征上述具有衰弱特征的患者人群

风险分层：

因变量：是否属于“衰弱”这个聚类（二分类变量）

自变量：ICD-10编码（二分类变量；在衰弱组患病率高于非衰弱组2倍及以上的诊断);GilbertT,etal.Lancet.2018,391(10132):1775-1782;;步骤二：

用ICD-10编码构建评分系统来表征上述具有衰弱特征的患者人群

风险分层：

因变量：是否属于“衰弱”这个聚类（二分类变量）

自变量：ICD-10编码（二分类变量；在衰弱组患病率高于非衰弱组2倍及以上的诊断)

Logistic回归:是否为衰弱的聚类类别（因变量）、ICD-10诊断（自变量）;步骤二：

用ICD-10编码构建评分系统来表征上述具有衰弱特征的患者人群

风险分层：

因变量：是否属于“衰弱”这个聚类（二分类变量）

自变量：ICD-10编码（二分类变量；在衰弱组患病率高于非衰弱组2倍及以上的诊断)

Logistic回归:是否为衰弱的聚类类别（因变量）、ICD-10诊断（自变量）

惩罚系数：处理自变量间的自相关性;步骤二：

用ICD-10编码构建评分系统来表征上述具有衰弱特征的患者人群

风险分层：

因变量：是否属于“衰弱”这个聚类（二分类变量）

自变量：ICD-10编码（二分类变量；在衰弱组患病率高于非衰弱组2倍及以上的诊断)

Logistic回归:是否为衰弱的聚类类别（因变量）、ICD-10诊断（自变量）

惩罚系数：处理自变量间的自相关性

模型评价：cstatistic;步骤二：

用ICD-10编码构建评分系统来表征上述具有衰弱特征的患者人群

风险分层：

因变量：是否属于“衰弱”这个聚类（二分类变量）

自变量：ICD-10编码（二分类变量；在衰弱组患病率高于非衰弱组2倍及以上的诊断)

Logistic回归:是否为衰弱的聚类类别（因变量）、ICD-10诊断（自变量）

惩罚系数：处理自变量间的自相关性

模型评价：cstatistic

医院衰弱风险评分

低、中、高风险(5,5~15,15);步骤三：

测试构建的医院衰弱风险评分

验证：

全国数据（2014.4~2015.3）

Logistic回归:指标：30天死亡率,是否发生长时间住院(10天),出院30天内急诊再入院（校正：年龄,年龄,社会经济学指标,住院病史,Charlson共病指数,医院）;与最低风险评分组的患者比较（n=429762,42·4%),最高风险评分组患者（n=202718,20·0%）的30天死亡率(OR1·71,95%CI1·68–1·75)、长时间住院（OR6·03,95%CI5·92–6·10）和30天再入院率（OR1·48,95%CI1·46–1·50）风险升高。;;研究范例

非结构化数据;LiangH.etal.NatMed.2019,25(3):433-438;背景：临床诊断思维;背景：临床诊断思维;方法和结果：;方法和结果：;方法和结果：NLP模型建立;;方法和结果：分级多分类诊断模型;方法和结果：分级多分类诊断模型;方法和结果