ترجمه فارسی مقاله مدل‌های گرافیکی احتمالی برای ارزیابی کاربرد دسته‌های کد ICD مبتنی بر داده در سپسیس کودکان

چکیده

Electronic health records (EHRs) are digitalized medical charts and the standard method of clinical data collection. They have emerged as valuable sources of data for outcomes research, offering vast repositories of patient information for analysis. Definitions for pediatric sepsis diagnosis are ambiguous, resulting in delayed diagnosis and treatment, highlighting the need for precise and efficient patient categorizing techniques. Nevertheless, the use of EHRs in research poses challenges. EHRs, although originally created to document patient encounters, are now primarily used to satisfy billing requirements. As a result, EHR data may lack granularity, potentially leading to misclassification and incomplete representation of patient conditions. We compared data-driven ICD code categories to chart review using probabilistic graphical models (PGMs) due to their ability to handle uncertainty and incorporate prior knowledge. Overall, this paper demonstrates the potential of using PGMs to address these challenges and improve the analysis of ICD codes for sepsis outcomes research.

چکیده به فارسی (ترجمه ماشینی)

سوابق بهداشت الکترونیکی (EHR) نمودارهای پزشکی دیجیتالی و روش استاندارد جمع آوری داده های بالینی هستند.آنها به عنوان منابع ارزشمند داده برای تحقیقات نتایج ظاهر شده اند و مخازن گسترده ای از اطلاعات بیمار را برای تجزیه و تحلیل ارائه می دهند.تعاریف مربوط به تشخیص سپسیس کودکان مبهم است ، در نتیجه تشخیص و درمان تأخیر ، نیاز به تکنیک های دقیق و کارآمد طبقه بندی بیمار را برجسته می کند.با این وجود ، استفاده از EHR در تحقیقات چالش هایی را ایجاد می کند.EHRS ، اگرچه در ابتدا برای مستند سازی برخوردهای بیمار ایجاد شده است ، اما اکنون در درجه اول برای برآورده کردن الزامات صورتحساب استفاده می شود.در نتیجه ، داده های EHR ممکن است فاقد دانه بندی ، به طور بالقوه منجر به طبقه بندی نادرست و بازنمایی ناقص از شرایط بیمار شود.ما دسته بندی های کد ICD مبتنی بر داده را برای بررسی نمودار با استفاده از مدلهای گرافیکی احتمالی (PGM) به دلیل توانایی آنها در رسیدگی به عدم اطمینان و ترکیب دانش قبلی مقایسه کردیم.به طور کلی ، این مقاله پتانسیل استفاده از PGM ها را برای پرداختن به این چالش ها و بهبود تجزیه و تحلیل کدهای ICD برای تحقیقات نتایج سپسیس نشان می دهد.