{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,15]]，“日期-时间”：“2024-06-15T09:18:50Z”，“时间戳”：1718443130581}，“参考-计数”：89，“出版商”：“Springer Science and Business Media LLC”我”：“2018-05-08T00:00:00Z”，“timestamp”：1525737600000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0”}，{“start”：{“date-parts”：[[2018,5,8]]，“date-time”：“2018-05-08T00:00:00Z”，“timetamp”：153573760000}，\\/creativecommons.org\/licenses\/by\/4.0“}]，”content-domain“：{“domain”：[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[”npj Digital Med“]，“abstract”：“摘要<\/jats:title>利用电子健康记录（EHR）数据进行预测建模有望推动个性化医疗并提高医疗质量。构建预测统计模型通常需要从标准化EHR数据中提取精心策划的预测变量，这是一个劳动密集型过程，会丢弃每个患者记录中的绝大多数信息。我们建议基于快速医疗互操作性资源（FHIR）格式表示2019年患者的完整原始EHR记录。我们证明，使用这种表示法的深度学习方法能够准确预测来自多个中心的多个医疗事件，而无需特定地点的数据协调。我们使用来自两个美国学术医疗中心的未经确认的EHR数据验证了我们的方法，其中216221名成人患者至少住院24小时。在我们建议的顺序格式中，这一卷EHR数据展开为总计46864534945个数据点，包括临床笔记。深度学习模型在预测住院死亡率（受试者-操作员曲线[AUROC]下的面积跨站点0.93\u20130.94）、30天计划外再次入院（AUROC 0.75\u20130.76）、延长住院时间（AUROC0.85\u2013 0.86）、，以及所有患者的最终出院诊断（加权平均AUROC 0.90）。这些模型在所有情况下都优于传统的临床应用预测模型。我们相信，这种方法可以用于为各种临床场景创建准确和可扩展的预测。在特定预测的案例研究中，我们证明了神经网络可以用于识别患者图表中的相关信息<\/jats:p>“，”DOI“：”10.1038\/s41746-018-0029-1“，”type“：”journal-article“，”created“：{”date-parts“：[[2018,5,4]]，”date-time“：”2018-05-04T13:43:25Z“，”timestamp“：1525441405000}，”update-policy“：“http://\/dx.DOI.org\/10007\/springer_crossmark_policy”，“source”：“Crossref”，”is-referenced-by-count“：1414，“标题”：[“使用电子健康记录“]，”前缀“：”10.1038“，”卷“：”1“，”作者“：[{”ORCID“：”http://\/ORCID.org\/00000-0001-5750-5016“，”authenticated-ORCID“：false，”给定“：”Alvin“，”family“：”Rajkomar“，”sequence“：”first“，”affiliation“：[]}，”{“给定”：“Eyal”，“family”：“Oren”，“sequence”：“additional”，“afliation”：[]{“”给定“：”Kai“，”family“：”Chen“，”sequence“：”additional“，”affiliation“：[]}，”{“given”：”Andrew M.“，”家庭“：”Dai“，“sequence”：“additional”，“affiliance”：”affidiation“：”Nissan“，”家族“：”Hajaj“，”family“：”Liu“，”sequence“：”additional“，”affiliation“：[]}，{”given“：”Xiaobing“，”family“：”Liu“，”sequence“：从属关系“：[]}，{”给定“：”Hector“，”family“：”Yee“，”sequence“：”additional“，”affiliation“：[]}，”{“given”：“Kun”，“family”：“Zhang”，“sequence”：“additional”，“affiliance”：[]{，”given“：”Yi“，”家人“：”Zhang“，”序列“：”additional“”，“从属关系”：[]}，“givent”：“Gerardo”，“家庭”：“Flores”，“序列”：“additional”、“affidiation”：[[]}，”givin“Gavin E.“，”family“：”Duggan“，”sequence“：”additional“，”affiliation“：[]}，{“given”：“Jamie”，“family”：“Irvine”，“sequence”：“additional”，“affiliance”：[]neneneep，{”given“：”Quoc“，”family“：”Le“，“segment”：“附加”，“filiation”：[]}，}“giving”：“Kurt”，“家族”：“Litsch”，“序列”：“额外”，“atriation”：[]}“隶属关系”：[]}，{“给定”：Justin“，”family“：”Tansuwan“，“sequence”：”additional“，”affiliation“：[]}，{”given“：”De“，”家人“：”Wang“，”sequence“：”additive“，”filiation”：[]{“given”：“James”，“family”：“Wexler”，“segment”：“additional”，“affiliance”：[]}，“givent”：“Jimbo”，“家庭”：“Wilson”，“序列”：“additional”、“affidiation”：[]}、{“给定”：“Dana”“，”family“：”Ludwig“，”sequence“：”additional“，”affiliation“：[]}，{“given”：“Samuel L.”，“family”：“Volchenboum”，“sequence”：“additional”，“affiliance”：[]{“给定”：“Katherine”，“家族”：“Chou”，”sequence“：”additional“：”附加“，”affiliation“：[]}，{“给定”：“Nigam H.”，“家族”：“Shah”，“sequence”：“additional”，“affiliance”：[]{“given”：“Atul J.”，”family“：”Butte“，”sequence“：”additional“，”affiliationation“：[]}，”given“：”Michael D.“从属关系”：[]}，{“给定”：“Greg S.”，“家族“：”Corrado“，”sequence“：”additional“，”affiliation“：[]}，{”given“：”Jeffrey“，”family“：”Dean“，”sequence“:”additionable“，”abfiliation”：[]{]，”member“：”297“，”published-on-line“：{”date-parts“：[[2018,5,8]]}“，“reference”：[{“key”：“29_CR1”，“unstructured”：“数字世界：推动医疗数据增长。网址：https:\/\/www.emc.com/analyst-report\/digital-universe-healthcare-vertical-report-ar.pdf（2017年2月23日访问）。“}，{”key“：”29_CR2“，”doi-asserted-by“：”publisher“，”first-page“：”1609“，”doi“：”10.1056\/NEJMp1613224“，”volume“：“376”“，”author“：”RB Parikh“，”year“：”2017“，”unstructured“：”Parikh，R.B.，Schwartz，J.S.&Navathe，A.S.Beyond genes and molecules-A precision delivery initiation for precision medicision。《新英格兰医学杂志》376，1609\u20131612（2017）。“，”新闻标题“：”N.Engl。J.Med.“}，{”key“：“29_CR3”，”doi-asserted-by“：”publisher“，”first page“：”651“，”doi“：”10.1001\/jama.2015.19417“，”volume“：：”315“，”author“：”RB Parikh“，”year“：”2016“，”unstructured“：”Parikh，R.B.，Kakad，M.&Bates，D.W.将预测分析融入高价值护理：精准交付的曙光。jama 315，651\u2013652（2016）。“，”journal-title“：“”JAMA“}，{”key“：”29_CR4“，”doi-asserted-by“：”publisher“，”first page“：“1123”，”doi“：”10.1377\/hlthaff.2014.0041“，”volume“：：”33“，”author“：”DW Bates“，”year“：”2014“，”unstructured“：”Bates，D.W.，Saria，S.，Ohno-Machado，L.，Shah，A.&Escobar，G。医疗保健大数据：使用分析来识别和管理高风险和高成本患者。卫生事务。331123\u20131131（2014）。”，“期刊标题”：“健康事务。“}，{”key“：”29_CR5“，”doi-asserted-by“：”publisher“，”first-page“：”1163“，”doi“：”10.1377\/hlthaff.2014.0053“，“volume”：“33”，“author”：“HM Krumholz”，“year”：“2014”，“unstructured”：“Krum霍尔茨，H.M.医学大数据和新知识：学习卫生系统所需的思维、培训和工具。《卫生事务》33，1163\u20131170（2014）。”，“journal-title“：”卫生事务。“}，{”key“：”29_CR6“，”doi-asserted-by“：”publisher“，”first-page“：”2229“，”doi“：”10.1056\/NEJMsb1503104“，”volume“：“372”，”author“：”JL Jameson“，”year“：”2015“，”unstructured“：”Jameson，J.L.&Longo，D.L.Precision medicine--个人化，有问题，有前途。《新英格兰医学杂志》372，2229\u20132234（2015）。“，”journal-title“：”N.Engl.医学杂志“}，{”键“：”29_CR7“，”doi-asserted-by“：”publisher“，”first page“：”198“，“doi”：“10.1093\/jamia\/ocw042”，“volume”：“24”，“author”：“BA Goldstein”，“year”：“2017”，“unstructured”：“Goldsten，B.A.，Navar，A.M.，Pencina，M.J.&Ioanidis，J.P.A.。利用电子健康记录数据开发风险预测模型的机遇和挑战：系统综述。《美国医学杂志》。协会24，198\u2013208（2017）。”，“期刊标题”：“美国医学杂志。Assoc.“｝，｛“key”：“29_CR8”，“非结构化”：“Press，G.清理大数据：调查显示，清理大数据是最耗时、最不愉快的数据科学任务。福布斯（2016）。可在以下网址获取：https:\/\/www.Forbes.com\sites\/gilpress\/2016\/03\/23\/数据准备最耗时、最不愉快的数据科学任务调查显示\/（2017年10月22日访问）。”｝，｛“key”：“29_CR9”，“非结构化”：“Lohr，S.对于大数据科学家来说，2018Janitor Work2019是获得洞察力的关键障碍。（《纽约时报》，2014年）。“}，{”key“：”29_CR10“，”doi-asserted-by“：”publisher“，”doi“：”10.1371\/journal.pone.0110274“，”volume“：“9”，“author”：“BJ Drew”，“year”：“2014”，“unstructured”：“Drew，B.J.et al。深入了解生理监测设备的警报疲劳问题：对连续重症监护病房患者的综合观察研究。《公共科学图书馆·综合》9，e110274（2014）。“，”journal-title“：”PLoS ONE“}，{“key”：“29_CR11”，“doi-asserted-by”：“publisher”，“first page”：”1199“，”doi“：”10.1001\/jama.2014.710“，”volume“：”311“，”author“：”V Chopra“，”year“：”2014“，”unstructured“：”Chopra，V.&McMahon，L.F.Jr.为患者安全重新设计医院警报：警报：警报和潜在危险。jama 311199\u20131200（2014）。“，”journal-title“：”JAMA“}，{“key”：“29_CR12”，“doi-asserted-by”：“publisher”，“first-page”：“1629”，“doi”：“10.1056\/NEJMoa1415236”，“volume”：”372“，“author”：“KM Kaukonen”，“year”：“2015”，“unstructured”：“考科宁，K.-M.，Bailey，M.，Pilcher，D.，Cooper，D.J.&Bellomo，R.，严重脓毒症定义中的全身炎症反应综合征标准。英国。Med.3721629\u20131638（2015）。“，”journal-title“：”北英语。J.Med.“}，{”key“：”29_CR13“，”doi-asserted-by“：”publisher“，”first page“：“436”，”doi“：”10.1038\/nature14539“，”volume“:”521“，”author“：”Y LeCun“，”year“：”2015“，”unstructured“：”LeCun，Y.，Bengio，Y.&Hinton，G.Deep learning.Nature 521，436\u2013444（2015）.“，”journal-title“：”Nature“}”，{“key”：“29_CR14”，“非结构化”：“Frome，A.等人。DeViSE：一个深度的视觉-语义嵌入模型。神经信息处理系统进展26（eds Burges，C.J.C.，Bottou，L.，Welling，M.，Ghahramani，Z.&Weinberger，K.Q.），第2121\u20132129页（Curran Associates，Inc.Red Hook，NY，2013）。“}，{”key“：”29_CR15“，”doi-asserted-by“：”publisher“，”first-pages“：”2402“，”doi“：”10.1001\/jama.2016.17216“，”volume“：“316”，“author”：“V Gulshan”，”year“：”2016“，”unstructured“：”Gulshan，V.等人。视网膜眼底照片中糖尿病视网膜病变检测的深度学习算法的开发与验证。jama 316，2402\u20132410（2016）。“，”journal-title“：”JAMA“}，{“key”：“29_CR16”，“unstructured”：“Wu，Y.等人。Google\u2019s神经机器翻译系统：弥合人类和机器翻译之间的鸿沟。arXi\n v[cs.CL]（2016）。”}，“key“：”29_CR17“，“unsructured“：”Dai，A.M.&Le，Q.v。半监督序列学习。《神经信息处理系统进展》28（eds Cortes，C.，Lawrence，N.D.，Lee，D.D.，Sugiyama，M.&Garnett，R.），第3079\u20133087页（Curran Associates，Inc.Red Hook，NY，2015）。“}，{”key“：“29_CR18”，”doi-asserted-by“：”publisher“，”first page“：”1798“，”doi“：”10.1109\/TPAMI.2013.50“，”volume“：：”35“，”author“：”Y Bengio“，”year“：”2013“，”unstructured“：”Bengio，Y.，Courville，A.&Vincent，P.表示学习：回顾与新视角。IEEE.Trans.Pattern Anal.Mach.Intell.35，1798\u20131828（2013）。“，”journal-title“：”电气与电子工程师协会。事务处理。模式分析。机器。智力。“}，{”key“：”29_CR19“，”doi-asserted-by“：”publisher“，”first page“：“652”，”doi“：”10.1056\/NEJM196803212781204“，“volume”：“278”，“author”：“LL Weed”，“year”：“1968”，”unstructured“：”Weed，L.L.指导和教学的医疗记录。《新英格兰医学杂志》。278，652\u2013657（1968）。，{“key”：“29_CR20”，“doi-asserted-by”：“publisher“，”first page“：”2174“，”DOI“：”10.1377\/hlthaff.2015.0992“，”volume“：“34”，”author“：”J Adler-Milstein“，”year“：”2015“，”unstructured“：”Adler-Milstein，J.等人，《美国医院采用电子健康记录：继续进步，但挑战依然存在》。卫生事务。342174\u20132180（2015）。“，”journal-title“：”卫生事务。“}，{”key“：”29_CR21“，”doi-asserted-by“：”publisher“，”first-page“：”S27“，”doi“：”10.1086\/51159“，”volume“：“44”，”author“：”LA Mandell“，”year“：”2007“，”unstructured“：”Mandell，L.A.等人。美国传染病学会\/美国胸科学会关于成人社区获得性肺炎管理的共识指南。临床。感染。数字化信息系统。44，S27\u2013S72（2007）。增刊2“，“期刊标题”：“临床。感染。数字化信息系统。“}，{”key“：”29_CR22“，”doi-asserted-by“：”publisher“，”doi“：”10.1136\/bmjresp-2015-000091“，”volume“：“2”，“author”：“WS-Lim”，“year”：“2015”，“unstructured”：“Lim，W.S.，Smith，D.L.，Wise，M.P.&Welham，S.A。英国胸科学会社区获得的肺炎指南和NICE肺炎指南：它们如何结合在一起。BMJ公开回应。第2号决议，e00091（2015）。“，”journal-title“：”BMJ Open Respir。研究“}，{”key“：”29_CR23“，”doi-asserted-by“：”publisher“，”first-page“：”368“，”doi“：”10.1097\/CCM.0000000001571“，”volume“：“44”，”author“：”MM Churpek“，”year“：”2016“，”unstructured“：”Churpeck，M.等。机器学习方法与传统回归的多中心比较，用于预测病房的临床恶化。评论。小心。Med.44，368\u2013374（2016）。，“新闻标题”：“关键护理。医学“}，{”key“：”29_CR24“，”doi-asserted-by“：”publisher“，”first page“：“2562”，”doi“：”10.1097\/CCM.0b013e318259007b“，”volume“：：”40“，”author“：”MD Howell“，”year“：”2012“，”unstructured“：”Howell，M.D.等人。基于主要药物的快速反应系统的持续有效性。Crit.Care.Med.40，2562\u20132568（2012）。“，”journal-title“：“Crit.Care.Med.”}，｛“key”：“29_CR25”，“doi asserted by”：“publisher”，“first page”：“247”，“doi”：“10.1016\/j.jpi.2015.10.0009”，“volume”：“58”，“author”：“H Sun”，“year”：“2015”，“nonstructured”：“Sun，H.et al.用于临床研究的EHR数据的语义处理。j.Biomed.Inform.582047\u2013259（2015）。”，“journal title”：“j.Biomed.Inform.”｝，｛“key”：“29_CR26”，doi asserted by”：“出版商”，“首页”：“e147”，“DOI”：“10.1136\/amiajnl-2012-000896”，“卷”：“20”，“作者”：“KM Newton”，“年份”：“2013”，“非结构化”：“Newton，K.M.等人。基于电子病历的表型算法验证：从eMERGE网络中吸取的结果和教训。J.Am.Med.Inform.Assoc.20，e147\u2013e154（2013）。”，“期刊标题”：“J.Am.Med.Inform.Assoc.”}，{“key”：“29_CR27”，“unstructured”：“OHDSI.OMOP common data model.Observational health data sciences and informations.网址：https:\/\/www.OHDSI.org\/data-standardization\/the-common-data-model\/（2018年1月23日访问）。”}：“10.1093”，“jamia”，“volume”：“23”，“author”：“JC Mandel”，“year”：“2016”，“unstructured”：“Mandel，J.C.，Kreda，D.A.，Mandl，K.D.，Kohane，I.S.&Ramoni，R.B.SMART on FHIR：一个基于标准的、可互操作的电子健康记录应用程序平台。《美国医学杂志》，Assoc.23，899\u2013908（2016）。”，“期刊标题”：“美国医学杂志。通知。协会“}，{”key“：”29_CR29“，”doi-asserted-by“：”publisher“，”doi“：”10.1038\/srep26094“，”volume“：“6”，”author“：”R Miotto“，”year“：”2016“，”unstructured“：”Miotto，R.，Li，L.，Kidd，B.A.&Dudley，J.T.Deep patient:一种无监督的代表，用于预测电子健康记录中患者的未来。Sci.Rep.6，26094（2016）。“，”新闻标题“：”科学。代表“}，{“key”：“29_CR30”，“unstructured”：“Lipton，Z.C.，Kale，D.C.，Elkan，C.&Wetzel，R.学习使用LSTM递归神经网络进行诊断。arXiv[cs.LG]（2015）。”}，“key“：”29_CR31“，“unsructuredkey“：”29_CR32“，”unstructured“：”Choi，E.，Bahadori，M.T.，Schuetz，A.，Stewart，W.F.&Sun，J.AI医生：通过递归神经网络预测临床事件。第一届医疗保健机器学习会议论文集，第56卷（编辑：F.Doshi-Velez，J.Fackler，D.Kale和B.Wallace，J.Wiens）301\u2013318（PMLR，加利福尼亚州洛杉矶，2016）。“}，{”key“：”29_CR33“，”unstructured“：”Suresh，H.等人，使用深度网络进行临床干预预测和理解。arXiv[cs.LG]（PMLR，加州洛杉矶，美国，2017）。“}”，{“key”：“29_CR34”，“unstructure”：“Razavian，N.，Marcus，J.&Sontag，D。通过纵向实验室测试对疾病发病进行多任务预测。在第一届医疗保健机器学习会议论文集中，（编辑F.Doshi-Velez，J.Fackler，D.Kale和B.Wallace，J.Wiens）第56卷，第73\u2013100页（PMLR，加利福尼亚州洛杉矶，2016）。“}，{“key”：“29_CR35”，“unstructured”：“Che，Z.，Purushotham，S.，Cho，K.，Sontag，D.&Liu，Y.缺失值多元时间序列的递归神经网络。arXiv[cs.LG]（2016）。”}，“key“：”29_CR36“，”doi-asserted-by“：”publisher“，”doi“：”10.1038\/sdata.2016.35“，”volume“：“3”，“author”：“AEW Johnson”，“year”：“2016”，“非结构化”：“A.E.约翰逊。W.等人，MIMIC-III，一个免费访问的危重病护理数据库。科学。数据3160035（2016）。“，”新闻标题“：”科学。Data“}，{”key“：”29_CR37“，”unstructured“：”Harutyunyan，H.，Khachatrian，H.、Kale，D.C.和Galstyan，A.使用临床时间序列数据进行多任务学习和基准测试。arXiv[stat.ML]（2017）。“}”，{“key”：“29_CR38”，“unstructure”：“”重症监护医学学会。危重病护理统计。网址：http://www.sccm.org\/Communications\/Pages\/CriticalCareStats.aspx（2018年1月25日访问）。}，{“key”：“29_CR39”，“unstructured”：“美国医院协会。美国医院速查，2018年。网址：https:\/\/www.aha.org\/statistics\/fast-facts-us-hospicals（2018年1月25日访问）。“}，{”key“：”29_CR40“，”doi-asserted-by“：”crossref“，”unstructured“：”Shickel，B.，Tighe，P.，Bihorac，A.&Rashidi，P.Deep EHR:电子健康记录（EHR）分析深度学习技术最新进展调查。arXiv[cs.LG]（2017）。“，”doi“：”10.1109\/JBHI.2017.2767063“}”，{“key”：“29_CR41”，“doi-assert-by”：“publisher”，“first page”：”205“，“DOI”：“10.1097”，“00006199-198707000-00002”，“volume”：“36”，“author”：“N Bergstrom”，“year”：“1987”，“unstructured”：“Bergstron，N.，Braden，B.J.，Laguzza，A.&Holman，V.预测压疮风险的Braden量表。努斯。第36号决议，205\u2013210（1987）。“，”新闻标题“：”努斯。研究“}，{”key“：”29_CR42“，”doi-asserted-by“：”publisher“，”first-page“：”455“，”doi“：”10.1136\/amiajnl-2013-001790“，”volume“：“21”，”author“：”YP Tabak“，”year“：”2014“，”unstructured“：”Tabak，Y.P.，Sun，X.，Nunez，C.M.&Johannes，R.S。使用电子健康记录数据开发住院患者死亡率预测模型：急性实验室死亡率风险评分（ALaRMS）。《美国医学杂志》。助理21455\u2013463（2014）。《美国医学杂志》。Assoc.“}，{”key“：”29_CR43“，”doi-asserted-by“：”publisher“，”first page“：“473”，”doi“：”10.1002\/jhm.2568“，”volume”：“11”，”author“：”OK Nguyen“，”year“：”2016“，”unstructured“：”Nguyeen，O.K.等人。使用整个住院期间的电子健康记录数据预测所有原因的再入院：模型开发和比较。J.Hosp。Med.11，473\u2013480（2016）。“，”journal-title“：”J.Hosp.Med.“}，{”key“：”29_CR44“，”doi-asserted-by“：”publisher“，”first-page“：”739“，”doi“：”10.1097\/MLR.0b013e3181e359f3“，”volume“：“48”，”author“：”V Liu“，”year“：”2010“，”unstructured“：”Liu，V.，Kipnis，P.，Gould，M.K.&Escobar，G.J.“。住院时间预测：通过使用自动化实验室和共病变量进行改善。医疗保健48，739\u2013744（2010）。”，“期刊标题”：“Med.Care”}，｛“key”：“29_CR45”，“doi asserted by”：“publisher”，“首页”：“418”，“doi”：“10.1016\/j.jpi.2014.08.006”，“volume”：“52”，“author”：“C Walsh”，“year”：“2014”，“nonstructured”：“Walsh，C.&Hripcsak，G。数据来源、队列选择和结果定义对30天住院再入院风险预测模型的影响。J.生物识别。通知。52，418\u2013426（2014）。，“新闻标题”：“J.Biomed。通知。“}，{”key“：”29_CR46“，”doi-asserted-by“：”publisher“，”first page“：“297”，“doi”：“10.1016\/j.resuscitation.2011.08.022”，“volume”：“83”，“author”：“j Kellett”，“year”：“2012”，“unstructured”：“Kellett，j.&Kim，A.缩写VialpacTM早期预警评分（ViEWS）的验证连续75419次入院加拿大地区医院。《复苏》83，297\u2013302（2012）。“，”journal-title“：”Resuscitation“}，{”key“：”29_CR47“，”doi-asserted-by“：”publisher“，”first page“：“232”，“doi”：“10.1097\/MLR.0b013e3181589bb6”，“volume”：“46”，“author”：“GJ Escobar”，“year”：“2008”，“unstructured”：“Escobar，G.J.et al.使用自动化住院、门诊和实验室数据库调整医院住院患者死亡率的风险。Med。小心。46，232\u2013239（2008）。“，”新闻标题“：”医疗保健。“}，{”key“：”29_CR48“，”doi-asserted-by“：”publisher“，”first page“：“551”，”doi“：”10.1503\/cmaj.091117“，“volume”：“182”，“author”：“C van Walraven”，”year“：”2010“，”unstructured“：”van Walraven，C.等人。从医院出院到社区后，预测早期死亡或计划外再入院的指数的推导和验证。CMAJ 182，551\u2013557（2010）。“，”journal-title“：”CMAJ“}，{“key”：“29_CR49”，“doi-asserted-by”：“publisher”，“doi”：“10.1186\/s12913-015-0889-x”，“volume”：”15“，”author“：”H Yamana“，”year“：”2015“，”unstructured“：”Yamana，H.，Matsui，H.、Fushimi，K.和Yasunaga，H。住院患者基于程序的严重程度指数：使用管理数据库进行开发和验证。BMC健康服务。第15号决议，第261号决议（2015年）。“，”journal-title“：”BMC Health Serv。研究“}，{”key“：”29_CR50“，”doi-asserted-by“：”publisher“，”first-page“：”69“，”doi“：”10.1177\/0272989X08323297“，”volume“：“29”，”author“：”M-Pine“，”year“：”2009“，”unstructured“：”Pine，M.et al.Modifying ICD-9-CM coding of secondary diagnostics to improvide rist adjustment of invest Decis.Making 29，69\u201381（2009）.“，”journal-title“：”医学博士。Making“}，{”key“：”29_CR51“，”doi-asserted-by“：”publisher“，”first-page“：”465“，”doi“：”10.1016\/j.resuscitation.2012.016“，”volume“：“84”，“author”：“GB Smith”，“year”：“2013”，“unstructured”：“Smith，G.B.，Prytherch，D.R.，Meredith，P.，Schmidt，P.E.&Featherstone，P.I.国家早期预警评分的能力（NEWS）区分有早期心脏骤停、意外重症监护病房入院和死亡风险的患者。《复苏》84，465\u2013470（2013）。“，”journal-title“：”Resuscitation“}，{”key“：”29_CR52“，”doi-asserted-by“：”publisher“，”first-page“：”688“，”doi“：”10.1016\/j.amjmed.2016.02.037“，”volume“：“129”，”author“：”HS Khurana“，”year“：”2016“，”unstructured“：”Khurana，H.S.et al.电子病历实时自动采样预测医院死亡率.Am.j。Med.129，688\u2013698.e2（2016）。“，”journal-title“：”Am.J.Med.“}，{”key“：”29_CR53“，”doi-asserted-by“：”publisher“，”首页“：”837“，”doi“：”10.1016\/J.jbi.2013.06.011“，”volume“：“46”，”author“：”MJ Rothman“，”year“：”2013“，”unstructured“：”Rothman，M.J.，Rothman。I.&Beals，J.第四版使用电子病历持续测量患者病情的开发和验证。J.生物识别。通知。46，837\u2013848（2013）。”，“期刊标题”：“J.Biomed。通知。“}，{”key“：”29_CR54“，”doi-asserted-by“：”publisher“，”first page“：“116”，”doi“：”10.1002\/jhm.2132“，“volume”：“9”，“author”：“GD Finlay”，“year”：“2014”，“unstructured”：“Finlay，G.D.，Rothman，M.J.&Smith，R.A。测量修改后的预警评分和罗斯曼指数：在预警系统中使用电子病历的优势。《医院医学杂志》9，116\u2013119（2014）。“，”journal-title“：”J.Hosp.Med.“}，{”key“：”29_CR55“，”doi-asserted-by“：”publisher“，”first-page“：”451“，”doi“：”10.1016\/J.ejim.2012.01.005“，”volume“：“23”，”author“：”A Zapatero“，”year“：”2012“，”unstructured“：”Zapatero，A.等人。内科病房再入院的预测模型。欧洲医学杂志。23，451\u2013456（2012）.“，”日记标题“：”欧洲期刊实习生。医学“}，{”key“：”29_CR56“，”doi-asserted-by“：”publisher“，”first page“：“19”，”doi“：”10.1007\/s10729-014-9278-y“，”volume“：‘18’，”author“：”I Shams“，”year“：”2015“，”unstructured“：”Shams，I.，Ajorlou，S.&Yang，K。一种预测分析方法，用于减少心力衰竭、急性心肌梗死、肺炎或慢性阻塞性肺病患者30天可避免的再次入院。医疗保健。管理。科学。2013年8月18日、19日34（2015年）。“，”journal-title“：”卫生保健。管理。科学。“}，{”key“：”29_CR57“，”doi-asserted-by“：”publisher“，”first-page“：”46“，”doi“：”10.1177\/1460458213501095“，”volume“：“21”，”author“：”E Tsui“，”year“：”2013“，”unstructured“：”Tsui，E.，Au，S.Y.，Wong，C.P.，Cheung，A.&Lam，P.“。开发一个自动模型，预测老年人在指数医院就诊后一个月内紧急入院的风险：香港经验。健康信息。J.21，46\u201356（2013）。“，”journal-title“：”健康信息。J.“}，{”key“：”29_CR58“，”doi-asserted-by“：”publisher“，”first-page“：”219“，”doi“：”10.5210\/ojphi.v5i2.4726“，”volume“：“5”，”author“：”SA Choudhry“，”year“：”2013“，”unstructured“：”Choudhary，S.A.等人。公私合作开发并从外部验证了30天医院再入院风险预测模型。在线J。公共卫生信息。5, 219 (2013).”，“journal-title”：“在线J.公共卫生信息。}，{“key”：“29_CR59”，“doi-asserted-by”：“crossref”，“unstructured”：“Caruana，R.等人。医疗保健智能模型：预测肺炎风险和医院30天再入院。第21届ACM SIGKDD国际知识发现和数据挖掘会议论文集，第1721\u20131730页。http:\/\/doi.acm.org/10.1145\/2783258.2788613（澳大利亚新南威尔士州悉尼acm，2015）。“，”DOI“：”10.1145\/2783258.2788613“}，{”key“：”29_CR60“，”DOI-asserted-by“：”publisher“，”first page“：“636”，“DOI”：“10.1002\/jhm.2595”，“volume”：“11”，“author”：“O Tonkikh”，“year”：“2016”，“unstructured”：“Tonkik，O.et al.急性住院和再入院风险识别前后的功能状态.J.Hosp.Med.11，636\u2013641（2016）.”，“”journal-title“：”J.Hosp.Med.“}，{”key“：”29_CR61“，”doi-asserted-by“：”publisher“，”first page“：“1068”，“doi”：“10.1016\/J.hlc.2015.04.168”，“volume”：“24”，“author”：“V Betihavas”，“year”：“2015”，“unstructured”：“Betihavs，V.et al。确定慢性心力衰竭成人计划外心血管再入院的绝对风险预测模型。心肺循环。241068\u20131073（2015）。，“journal-title”：“心肺循环。“}，{”key“：”29_CR62“，”doi-asserted-by“：”publisher“，”first-page“：”175“，“doi”：“10.1016\/j.cgh.2010.08.017”，“volume”：“9”，“author”：“TL Whitlock”，“year”：“2011”，“unstructured”：“Whitlock，T.L.等人。预测急性胰腺炎患者出院后30天内再次入院的评分系统。临床。胃肠病学。肝素。9175\u2013180（2011年）。测验e18.“，”新闻标题“：”临床。胃肠病学。肝素。“}，{”key“：”29_CR63“，”doi-asserted-by“：”publisher“，”first-page“：”1449“，”doi“：”10.1111\/j.1475-6773.2004.00298.x“，”volume“：“39”，”author“：”EA Coleman“，”year“：”2004“，”unstructured“：”Coleman，E.A.，Min，S.-j.，Chomiak，A.&Kramer，A.M。院后护理过渡：模式、并发症和风险识别。卫生服务。第391449\u20131465号决议（2004年）。“，”journal-title“：”卫生服务。研究“}，{”key“：”29_CR64“，”doi-asserted-by“：”publisher“，”first page“：“562”，”doi“：”10.1177\/0194599813500023“，”volume“：：”149“，“author”：”EM Graboyes“，”year“：”2013“，”unstructured“：”Graboyees，E.M.，Liou，T.-N.，Kallogjeri，D.，Nussenbaum，B.&Diaz，J.A。耳鼻喉科患者计划外再次入院的危险因素。耳鼻咽喉科。《头颈外科》149，562\u2013571（2013）。“，”新闻标题“：”Otolaryngol。头颈外科“}，{“key”：“29_CR65”，“doi asserted by”：“publisher”，“first page”：“272”，“doi”：“10.1136\/amiajnl-2013-002151”，“volume”：“21”，“author”：“D He”，“year”：“2014”，“nonstructured”：“He，D.，Mathews，S.C.，Kalloo，A.N.&Hutfles，S.挖掘高维行政索赔数据来预测早期医院再次入院。J.Am.Med。通知。协会21，272\u2013279（2014）。《美国医学杂志》。Assoc.“}，{”key“：”29_CR66“，”doi-asserted-by“：”publisher“，”first page“：“229”，”doi“：”10.1016\/j.jbi.2015.05.016“，”volume“:”56“，”author“：”j Futoma“，”year“：”2015“，”unstructured“：”Futoma，j.，Morris，j.&Lucas，j..预测早期医院再入院的模型比较。j.Biomed.Inform.56，229\u2013238（2015）。“，”journal-title“：”j。生物识别。通知。“}，{”key“：”29_CR67“，”doi-asserted-by“：”publisher“，”first page“：“632”，”doi“：”10.1001\/jamaintermed.2013.3023“，”volume“：。医疗患者可能避免的30天医院再入院：预测模型的推导和验证。JAMA实习生。Med.173，632\u2013638（2013）。“，”journal-title“：”JAMA实习生。医学“}，{”key“：”29_CR68“，”doi-asserted-by“：”publisher“，”first page“：“231协会“}，{“key”：“29_CR69”，“doi-asserted-by”：“publisher”，“first page”：：“1669”，“doi”：“10.1001\/jama.2016.12537”，“volume”：”316“，“author”：“HM Krumholz”，“year”：“2016”，“unstructured”：“Krum霍尔茨，H.M.，Terry，S.F.&Waldstreicher，J.数据获取、管理和用于持续学习的卫生系统。jama 316，1669\u20131670（2016）。”，“新闻标题”：“JAMA”}，{“key”：“29_CR70”，“doi-asserted-by”：“publisher”，“first-page”：“1109”，“doi”：“10.1001\/JAMA.2014.705”，“volume”：”311“，“author”：“K Grumbach”，“year”：“2014”，“unstructured”：“Grumbacch，K.，Lucey，C.R.&Claiborne Johnston，S。从学习中心向学习卫生系统的转变：学术卫生中心面临的挑战。JAMA 31111109\u20131110（2014）。“，”journal-title“：”JAMA“}，{“key”：“29_CR71”，“doi-asserted-by”：“publisher”，“first page”：”907“，”doi“：”10.1056\/NEJMp1709851“，”volume“：”377“，“author”：“JD Halamka”，“year”：“2017”，“unstructured”：“Halamca，J.D.&Tripathi，M.《HITECH时代回顾》。《新英格兰医学杂志》377，907\u2013909（2017）。”，“journal al-title“：”N.Engl.J.Med.“}，{”key“：”29_CR72“，”doi-asserted-by“：”publisher“，”first page“：”523“，”doi“：”10.1197\/jamia。M1370”，“卷”：“10”，“作者”：“DW Bates”，“年份”：“2003”，“非结构化”：“Bates，D.W.等人，有效临床决策支持的十条戒律：使循证医学实践成为现实。《美国医学杂志》。协会10，523\u2013530（2003）。《美国医学杂志》。协会“}，{”key“：“29_CR73”，”doi-asserted-by“：”publisher“，”first page“：”1216“，”doi“：”10.1056\/NEJMp1606181“，”volume“：》375“，”author“：”Z Obermeyer“，“year”：“2016”，“unstructured”：“Obermeer，Z.&Emanuel，E.J.预测未来——大数据、机器学习和临床医学。《新英格兰医学杂志》375，1216\u20131219（2016）。”，“title“：”N。英语。J.Med.“}，{”key“：”29_CR74“，”doi-asserted-by“：”crossref“，”unstructured“：”Avati，A.等.通过深度学习改善姑息治疗.arXiv[cs.CY]（2017）.“，”doi“：”10.1109\/BIBM.2017.8217669“}”，{“key”：“29_CR75”，“unstructure”：“Health Level 7”。FHIR规范主页（2017）。网址：http://\/hl7.org（2017年8月3日访问）。“}，{”key“：”29_CR76“，”doi-asserted-by“：”publisher“，”first-page“：”916“，”doi“：”10.1097\/MLR.0000000000 435“，”volume“：“53”，”author“：”GJ Escobar“，”year“：”2015“，”unstructured“：”Escobar，G.J.等人。非选择性再住院和出院后死亡率：适合实时使用的预测模型。Med.Care.53，916\u2013923（2015）。“，”新闻标题：“医疗护理。}，{“key”：“29_CR77”，“unstructured”：“2016度量更新和规范报告：医院范围内所有原因的计划外再次入院——版本5.0。耶鲁-纽黑文健康服务公司结果研究与评估中心（康涅狄格州纽黑文，2016）。“}，{”key“：”29_CR78“，”doi-asserted-by“：”publisher“，”first page“：“818”，”doi“：”10.1097\/00003246-198510000-00009“，”volume“：‘13’，”author“：”WA Knaus“，”year“：”1985“，”unstructured“：”Knaus，W.A.，Draper，E.A.，Wagner，D.P.&Zimmerman，J.E.APACHE II:A severity of disease classification system.Crit.Care Med.13，818\u2013829（1985）。“，”期刊标题：“Crit.Care Med.”}，｛“key”：“29_CR79”，“doi asserted by”：“publisher”，“first page”：“1688”，“doi”：“10.1001\/jama.2011.1515”，“volume”：“306”，“author”：“D Kansagara”，“year”：“2011”，“nonstructured”：“Kansagara，D.等人。医院再入院风险预测模型：系统综述。jama 3061688\u20131698（2011）。”，“期刊标题”：“jama”}，{“key”：“29_CR80”，“doi-asserted-by”：“publisher”，“first page”：”1735“，“doi”：“10.1162\/neco.1997.9.8.1735”，“volume”：：“9”，“author”：“S Hochreiter”，“year”：“1997”，“unstructured”：“Hochreite，S.&Schmidhuber，J.长短期记忆。神经计算。9，1735\u20131780（1997）。”，“journal title”：“Neural Compute”R81“，”doi-asserted-by“：”publisher“，“首页”：“1”，“DOI”：“10.1007\/s10462-009-9124-7”，“卷”：“33”，“作者”：“L Rokach”，“年份”：“2010”，“非结构化”：“Rokach，L.基于集成的分类器.Artif.Intell.Rev.33，1\u201339（2010）.”，“日志标题”：“Artif.Intell.Rev.”}，{“key”：“29_CR82”，“DOI-asserted-by”：“publisher”，”首页“：“517”，“DOI“：”10.1001\/jama.2017.7797“，”卷“：”18“，“author”：“F Cabitza”，“year”：“2017”，“unstructured”：“Cabitsa，F.，Rasoini，R.&Gensini，G.F.医学中机器学习的意外后果。JAMA 18，517\u2013518（2017）。”，“journal title”：“JAMA”}，{“key”：“29_CR83”，“非结构化”：“Bahdanau，D.，Cho，K.&Bengio，Y。神经机器翻译通过联合学习对齐和翻译。arXiv[cs.CL]（2014）。“}，{”key“：”29_CR84“，”first page“：“2825”，“volume”：“12”，“author”：“F Pedregosa”，“year”：“2011”，“unstructured”：“Pedregos，F.et al.Sickit-learn:python中的机器学习。J.Mach.learn.Res.122825\u20132830（2011）。”，“journal-title”：“J.Mach.learn.Res.”“：”1063“，”doi“：”10.1001\/jama.2015.11082”，“卷”：“314”，“作者”：“MJ Pencina”，“年份”：“2015”，“非结构化”：“Pencina，M.J.&D\u2019Agostino，R.B.Sr.评估风险预测模型的判别：C统计。《美国医学会杂志》3141063\u20131064（2015）。“，”journal-title“：”JAMA“}，{“key”：“29_CR86”，“doi-asserted-by”：“publisher”，“first page”：”2052“，”doi“：”10.1097\/01.CCM.0000275267.64078.B0“，”volume“：”35“，”author“：”AA Kramer“，”year“：”2007“，”unstructured“：”Kramer，A.A.&Zimmerman，J.E.评估危重病护理中死亡率基准的校准：Hosmer-Lemeshow检验重访。Critic。Care Med.35，2052\u20132056（2007）。“，”journal-title“：”Crit.Care Med.“}，{”key“：”29_CR87“，”doi-asserted-by“：”publisher“，”doi“：”10.1186\/s13054-015-0999-1“，”volume“：“19”，”author“：”S Romero-Brufau“，”year“：”2015“，”unstructured“：”Romero-Brufau，S.，Huddleston，J.M.，Escobar，G.J.&Liebow，M。为什么C-统计数据不能提供评估预警分数的信息，以及使用什么指标。批评。Care 19，285（2015）。“，”journal-title“：”Crit.Care“}，{”key“：”29_CR88“，”unstructured“：”SciKit Learn.SiKit Learn documentation on area under the curve scores.Available at：http://\/SciKit-Learn.org\/stability\/modules\/generated\/sklearn.metrics.roc_auc_score.html（2017年8月3日访问）。“}”，{“key”：“29_CR89”，“unstructure”：“”SciKit学习。SciKit学习F1分数文档。网址：http://\/scikit-learn.org\/stable\/modules\/generated\/sklearn.metrics.f1_score.html（2017年8月3日访问）。“}]，”container-title“：[”npj Digital Medicine“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\\/www.nature.com/articles \/s41746-018-0029-1.pdf“，”content-type“：”application\/pdf“、”content-version“：”vor“、”intended-application“：”text-mining“}，”{“URL”：“https:\\//www.nature.com/articles \\s41746-01-0029-1”，“”content-type“：”text\/html“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“https:\/\/www.nature.com/articles \/s41746-018-0029-1.pdf”，“content-type”：“application\/pdf”、“content-versiion”：“vor”、“intended-application”：“similarity-checking”}，“deposed”：{“date-parts”：[2022,12,21]]，“date-time”：”2022-12-21T12:38:30Z“，“timestamp”：1671626310000}，“分数”：1，“resource“：{”primary”：{“URL”：“https:\/\/www.nature.com/articles \/s41746-018-0029-1”}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{date-parts”：[[2018,5,8]]}，“references-count”：89，“journal-issue”：{“issue”：“1”，“published-online”：{date-parts“：[[2018，12]]}}”，“alternative-id”：[“29”]，“URL”“：”http://\/dx.doi.org\/10.1038\/s41746-018-0029-1“，”关系“：{”has-review“：[{“id-type”：“doi”，“id”：“10.3410\/f.733181042.793560090”，“asserted-by”：“object”}，{“id type”：“doi”，“id”：“103410\/f.7 33181042.793560978”，“asserted-by-”：”object“}]}，“ISSN”：[“2398-6352”]，“ISSN-type”:[{”value“：”2398-63052“，”type“：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2018,5,8]]}，“assertion”：[{“value”：“2018年1月26日”，“订单“：1，”名称“：”接收“，”标签“：”已接收“，“组”：{“名称”：“文章历史”，“标签”：“论文历史”}}，{“值”：“2018年3月14日”，“订单”：2，“名称”:“已修订”，“标记”：“修订”，”组“：{”名称“:”文章历史“，”label“：”文章历史“：”Article History“，”label“：”Article History“}}，{“value”：“2018年5月8日”，“order”：4，“name”：“first_online”，“label”：“首次在线”，“group”：{“name”:“Article History”，“标签”：“Articles History”}}、{“value”：“作者声明无竞争利益。”}