روش‌های آمار و یادگیری ماشین برای داده‌های پرونده الکترونیکی سلامت: از استخراج داده تا تحلیل داده ۲۰۲۰
Statistics and Machine Learning Methods for EHR Data: From Data Extraction to Data Analytics 2020

استفاده از داده‌های پرونده الکترونیکی سلامت (EHR) / پرونده الکترونیکی پزشکی (EMR) در تحقیقات، بیش از پیش رایج شده است. با این حال، تجزیه و تحلیل این نوع داده‌ها، به دلیل نحوه جمع‌آوری، پردازش و نوع سؤالاتی که می‌توان به آن‌ها پاسخ داد، پیچیدگی‌های منحصربه‌فرد بسیاری دارد. این کتاب، بسیاری از موضوعات مهم مرتبط با استفاده از داده‌های EHR/EMR را برای تحقیقات پوشش می‌دهد، از جمله استخراج داده‌ها، پاک‌سازی، پردازش، تجزیه و تحلیل، استنباط و پیش‌بینی‌ها، که بر اساس سال‌ها تجربه عملی نویسندگان است. این کتاب، با دقت، مدل‌ها و رویکردهای آماری استاندارد را با روش‌های یادگیری ماشین و یادگیری عمیق ارزیابی و مقایسه می‌کند و نتایج مقایسه‌ای بی‌طرفانه از این روش‌ها را در پیش‌بینی نتایج بالینی بر اساس داده‌های EHR گزارش می‌دهد.

ویژگی‌های کلیدی:

* بر اساس تجربه دست اول مشارکت‌کنندگان پروژه‌های تحقیقاتی چند رشته‌ای EHR نوشته شده است که شامل روش‌ها و رویکردهایی از آمار، محاسبات، انفورماتیک، علم داده و حوزه‌های بالینی/همه‌گیرشناسی است.

* تجربه دقیق در مورد استخراج، پاک‌سازی و آماده‌سازی داده‌های EHR را مستند می‌کند.

* دیدگاهی گسترده از رویکردهای آماری و مدل‌های پیش‌بینی یادگیری ماشین برای مقابله با چالش‌ها و محدودیت‌های داده‌های EHR ارائه می‌دهد.

* چرخه کامل تجزیه و تحلیل داده‌های EHR را در نظر می‌گیرد.

استفاده از تجزیه و تحلیل EHR/EMR نیازمند همکاری نزدیک بین آمارشناسان، متخصصان انفورماتیک، دانشمندان داده و محققان بالینی/همه‌گیرشناسی است. این کتاب منعکس کننده آن دیدگاه چند رشته‌ای است.

The use of Electronic Health Records (EHR)/Electronic Medical Records (EMR) data is becoming more prevalent for research. However, analysis of this type of data has many unique complications due to how they are collected, processed and types of questions that can be answered. This book covers many important topics related to using EHR/EMR data for research including data extraction, cleaning, processing, analysis, inference, and predictions based on many years of practical experience of the authors. The book carefully evaluates and compares the standard statistical models and approaches with those of machine learning and deep learning methods and reports the unbiased comparison results for these methods in predicting clinical outcomes based on the EHR data.

Key Features:

• Written based on hands-on experience of contributors from multidisciplinary EHR research projects, which include methods and approaches from statistics, computing, informatics, data science and clinical/epidemiological domains.
• Documents the detailed experience on EHR data extraction, cleaning and preparation
• Provides a broad view of statistical approaches and machine learning prediction models to deal with the challenges and limitations of EHR data.
• Considers the complete cycle of EHR data analysis.

The use of EHR/EMR analysis requires close collaborations between statisticians, informaticians, data scientists and clinical/epidemiological investigators. This book reflects that multidisciplinary perspective.