用于在电子健康记录中记录不良反应的值集

摘要

目标

开发一个综合值集，用于在电子健康记录的过敏模块中记录和编码不良反应。

材料和方法

我们分析了Partners Healthcare的企业过敏知识库（PEAR）中存储的270万患者的2 471 004种不良反应。使用医学文本提取、推理和映射系统，我们处理了结构化和自由文本反应条目，并将它们映射到系统化医学术语-临床术语。我们计算了反应概念的频率，包括罕见、严重和超敏反应。我们将PEAR概念与联邦健康信息建模和标准值集以及内布拉斯加州大学医学中心数据进行了比较，然后创建了一个集成值集。

结果

我们在PEAR中确定了787个反应概念。常见反应包括：皮疹（14.0%）、荨麻疹（8.2%）、胃肠道刺激（5.5%）、瘙痒（3.2%）和过敏反应（2.5%）。我们从联邦健康信息建模与标准和内布拉斯加大学医学中心确定了另外320个概念，以解决在将这些外部资源与PEAR进行比较时由于缺失和部分匹配而造成的差距。这在我们最终的综合价值集中产生了1106个概念。在两个外部数据集中，罕见、严重和超敏反应的存在都是有限的。超敏反应约占我们数据中反应的20%。

讨论

我们使用一个卫生系统的大型数据集开发了一个用于编码不良反应的值集，该数据集由两个大型外部资源的反应丰富而成。该综合值集包括临床上重要的严重和超敏反应。

结论

这项工作提供了一个与现有数据相协调的值集，以提高电子健康记录中反应文档的一致性和准确性，为过敏和不良反应的更智能临床决策支持提供必要的构建块。

目标、背景和意义

食品、药品和诊断产品的不良反应在我们的卫生保健系统中造成了巨大的成本、发病率和死亡率。^1–3据报道，药物不良反应（ADR）影响了10%-20%的住院患者和多达25%的门诊患者。^4–6一些反应虽然罕见，但可能会危及生命；例如，中毒性表皮坏死松解症（TEN）、史蒂文斯·约翰逊综合征（SJS）、嗜酸性粒细胞增多症和全身症状综合征（DRESS）药物反应以及免疫性肝炎。在美国，据估计，每年有近1/300的住院患者死于ADR。¹在电子健康记录（EHR）中准确记录患者对药物、产品或食品的不良反应是患者安全的重要组成部分。

EHR中的过敏模块为临床医生提供了记录患者不良反应的位置。尽管这些模块使用术语“过敏”，但在过敏模块中输入的许多反应并不是免疫介导的。⁷非免疫介导的反应，如不耐受性、毒性、特异性和假性过敏反应，也可能具有重要的临床意义，经常在这里记录。事实上，据估计，只有约5%-10%的药物不良反应是过敏性的（免疫介导）。⁷一些EHR系统在过敏模块中为临床医生提供了编码选项，以将反应指示为过敏、不耐受或禁忌症，但研究发现临床医生对反应类型和分类了解甚少。⁸此外，在大多数EHR系统中，反应代码集通常由第三方内容供应商提供，并且根据供应商和/或当地术语管理的不同，可能会有很大差异。EHR系统的完善文档标准存在于某些领域，如药物，但不存在于其他领域，如过敏。⁹供应商发现这是一个问题，一家医疗机构可能使用87个编码来编码过敏反应，另一家可能使用12个编码。^9,10

用于编码不良反应的标准值集通过提供一系列代码来改进一致的数据捕获、临床文档和质量报告，为该问题提供了解决方案。¹¹国家质量论坛定义了值集合作为一组常见的代码，用于定义从标准术语中提取的临床概念（例如，系统化医学术语-临床术语[SNOMED-CT]和国际疾病分类，第十版）。¹¹临床决策支持（CDS）和质量度量取决于这些值集的准确性和完整性，以推动不良事件的指导/避免；然而，在创建一个值集时存在许多固有的挑战，包括选择一个覆盖范围广泛、粒度适当的术语，跨不同系统集成概念，以及确保概念在语义上一致。¹¹

多种术语被用于编码不良反应。尽管世界卫生组织的不良反应术语¹²和监管活动医学词典¹³被制药商用来向监管机构报告药物不良事件^14,15国际疾病分类，临床修改用于药物警戒目的，^16–19这些术语并没有针对临床实践和EHR中的使用进行优化。最近，SNOMED-CT被联邦健康信息建模和标准（FHIMS）计划推荐用于编码不良反应。美国国家医学图书馆价值集管理中心（VSAC）最近发布了FHIMS使用SNOMED-CT代码创建的不良临床反应价值集。²⁰VSAC提供临床质量度量和其他用例中使用的值集的官方版本。²⁰当前公布的价值集包括根据报告频率从Intermountain Healthcare、Kaiser Permanente和退伍军人管理局系统收集的反应，但创建该价值集的基本过程和方法尚不清楚。此外，还没有公开的研究对该值集进行外部验证。

在本研究中，我们通过检查ADR的频率，包括超敏反应（HSR）、，^21,22使用存储在大型过敏原存储库中的数据。目标是创建一个与病历中的值一致的值集，与最新的术语更新集成，并与支持CDS所需的当前数据模型相一致。然后，我们将其与现有的值集进行比较，以生成用于编码不良反应的集成值集。这种方法与许多卫生保健专业和标准组织（例如，美国过敏、哮喘和免疫学学会，²³健康等级七，²⁴全国质量论坛，¹¹和国际卫生术语标准发展组织²⁵)和机构（如美国药典公约²⁶)制定过敏/不耐受标准和EHR知识，以改善护理。我们使用了一种称为医学文本提取、推理和映射系统（MTERMS）的自然语言处理（NLP）工具^27,28处理Partners Healthcare的企业级过敏知识库（PEAR）中的反应条目。由于大多数反应条目都是短小的自由文本描述，我们使用了MTERMS的标记化、拼写错误更正、，²⁹词汇查找和术语映射功能，用于处理反应术语并将其映射到SNOMED-CT。提取和映射过敏原的可行性已在之前的食物过敏原编码工作中得到证明^30,31从临床笔记中提取过敏信息。²⁸

材料、方法和结果

我们的方法包括两个阶段(图1). 在第一阶段，我们使用MTERMS处理PEAR中的患者反应条目，创建PEAR反应词典，并将这些反应映射到SNOMED-CT概念。如先前工作所述，^27,28,30MTERMS使用正则表达式规则和词典：（1）处理和标记过敏原和反应，（2）纠正拼写错误，²⁹（3） 处理词汇变化（例如缩写），（4）将术语映射到标准术语中的概念。在第二阶段，我们计算了PEAR中反应概念的频率，包括罕见或严重反应和HSR；比较了PEAR和FHIMS以及内布拉斯加州大学医学中心（UNMC）提供的一组反应；并创建了一个集成的价值集。由于我们的方法涉及多个步骤，并且每个步骤都会生成相应的结果，因此我们将它们相应地放在一个部分中。

定义

反应在入门级、术语级和概念级进行描述。我们将“条目”定义为临床医生在患者过敏记录的反应字段中输入的单词、短语或句子。“术语”是与实际反应相对应的反应条目的一部分，它没有标准化，可能包含拼写错误、首字母缩写或句法变化。“概念”是代表特定反应的同义词的集合。我们将“值集”定义为一组常见的数字代码，用于定义特定的临床概念，每个数字代码来源于临床领域内使用的标准术语（即SNOMED-CT）（即不良反应）。^11,20“词典”是我们的NLP系统的词汇，用于识别自由文本条目中的反应词。我们的反应词典包含了从自由文本中收集的其他术语，这些术语目前未包含在SNOMED-CT中。例如，在反应条目中，“由于LFTs（肝功能测试）升高和咳嗽，他从APAP[对乙酰氨基酚]转为ASA[阿司匹林]，”我们提取了术语“elev LFTs”和“courch”由于SNOMED-CT目前没有“升高肝功能测试”的概念，因此我们将其映射到语义最接近的SNOMED/CT概念ID 707724006，“升高肝酶水平”（使用其首选术语）以及其他同义词，如“LFT升高”

设置和语料库

我们的研究使用PEAR，其中包含由临床医生在EHR的过敏模块中输入的联邦医院/提供者网络中所有患者的过敏信息。³²截至2014年10月26日，PEAR包含2730250名独特患者的3949996个主动过敏条目，包括药物、食物和环境过敏原，其中2315944（58.6%）个过敏原有一个或多个反应条目，占2471004个主动变态反应条目。在这些反应中，1751 817（70.9%）是编码条目（使用35个唯一的本地定义代码，包括“未知”），719 187（29.1%）是自由文本条目。为了进行外部验证，我们将使用2个外部数据集生成的概念进行了比较：（1）FHIMS不良反应值集，其中涵盖了来自SNOMED-CT中多个层次结构的599个概念，以及（2）来自UNMC的157 806（604个唯一的）不良反应条目。在这项研究中，我们将PEAR中的反应项映射到2016年3月美国版SNOMED-CT中。³³这项研究得到了合作伙伴和科罗拉多大学多机构审查委员会的批准。

阶段1：数据处理和词汇开发

PEAR自由文本条目的平均长度为12.1个字符（范围从1到255）。长度大于255个字符的条目可能在数据存储/提取过程中的某个时候被截断。许多自由文本词条都是包含其他上下文信息的长篇叙述，例如“在童年时，在注射了一剂青霉素后，穿过房间昏倒了。”为了发展我们的词汇，我们使用了语料库的一个子集，其中包括频率大于10条词条的所有词条，结果是539条610个（占总数的75.0%）自由文本条目，对应3160个唯一条目，平均长度为8.7个（范围1-68）字符。为了确保词典没有遗漏重要但罕见的概念，我们随机选择了500个反应条目的子集，频率不超过10个（平均长度22.1个字符【范围1–255个字符】），进行内部评估。数据处理和词汇开发涉及4个步骤，总结如下图2下面详细介绍。

步骤1：将反应条目映射到SNOMED-CT描述

第一步重点是通过MTERMS在描述（术语）层面将频率>10的PEAR反应条目映射到SNOMED-CT。然后由研究助理或药学学生在其第五年的培训中审查3160个独特术语及其映射到SNAMED-CT，然后由医生信息学家（FG）审查和批准。因为我们的任务是检查映射是否正确，所以我们在Excel中手动执行此操作。为了确定一个术语是否为反应，我们使用了临床医生的判断。对于尚不清楚的病例，我们与一个由药剂师、过敏专家和医生组成的小组进行了讨论，以达成共识。我们还与SNOMED-CT（KF）的术语专家进行了讨论，以检查反应是否与SNOMED-CT中的适当概念对应。这一步中发现的术语构成了我们词典的基础。

MTERMS将3160个独特的自由文本PEAR反应条目映射到757个SNOMED-CT描述。31个自动映射的术语不是反应（例如，“男性”、“接近”），因此被从词典中删除，得到726个正确映射的术语。然后，我们手动映射了1109个无法自动映射到SNOMED-CT的术语（例如，拼写检查器拼写错误太少，或使用缩写，例如“ITP”表示“特发性血小板减少性紫癜”）。最后，我们确定了4个术语（舌头发痒、咽喉疼痛、喉咙刺痛和咽喉刺痛），尽管它们代表反应，但我们无法映射到SNOMED-CT，导致我们的词汇中出现1835个术语。

步骤2：将反应项映射到SNOMED-CT概念

这一步旨在通过以下3个子步骤进一步扩展词典。首先，我们使用MTERMS将这1835个术语映射到它们的SNOMED-CT概念ID。例如，“皮疹”被映射到2个SNOMED-CT概念ID:271807003，即皮肤喷发（紊乱）和112625008，即皮肤爆发（形态异常），因为“皮疹“被列为这两个概念的同义词。其次，我们为每个已识别的概念包含SNOMED-CT同义词。例如，对于概念ID 271807003，我们包含了同义词“皮肤爆发”、“爆发”和“疹”等。第三，我们重复了上述两个子步骤，直到无法添加更多的概念ID或同义词。

这导致我们的词典中包含4541个术语，代表834个概念。

步骤3：优化映射层次结构

一个术语可能被映射到SNOMED-CT不同顶级层次（或轴）内的多个概念ID。在上述示例中，“皮疹”被映射到两个不同层次内的两个概念：紊乱和形态异常，后者与不良反应无关，因此被排除在词典之外。这使我们能够通过排除非反应概念和不相关的层次结构（如形态异常、限定值和可观察实体）来清理词汇。

在这个阶段，我们的词典包含4300个术语，代表782个概念，在无序（47.2%，n个 = 369）和调查结果（52.8%，n个 = 413）层次结构。

步骤3a：通过处理不太频繁的反应条目来评估词汇覆盖率

为了确保我们的词典不会遗漏频率较低的罕见反应，我们检查了其在频率≤10的PEAR中500个自由文本条目的随机子集上的覆盖率。我们使用MTERMS处理该子集并计算其覆盖率。还计算了常用的精确度、召回率和F1-测量值的统计指标。³⁴

经过人工审查，在这500个自由文本条目中确定了928个反应词。MTERMS的准确率达到98.0%（887/905），召回率达到95.6%（887/928），在该子集的术语水平上，F1度量值达到96.8%。MTERMS错误地识别了8个没有反应的术语（例如，“青光眼”中的“青光病”和“微弱皮疹”中的”微弱“）。MTERMS无法识别41个反应词，主要是因为词汇变异（如“心跳加速”表示“心悸”）、缩写（如“肾功能障碍”表示“肾功能不全”）或拼写错误（如“胰腺炎”表示“胰腺炎”）。然而，这41个术语中的每一个在我们的词典中都有相应的概念。只有一个反应概念，“livedo reticularis”，没有出现在我们的词典中，随后被添加进来。MTERMS确定的41个术语中，大多数频率较低，只有1或2个记录条目（平均值=1.7）。总的来说，MTERMS在识别这些较长叙述中存在的术语并将其映射到我们词典中现有的概念方面表现良好。我们的词汇涵盖了这一子集中的大多数反应，这支持了我们的观点，即在这些较长的叙述中可能不会发现新的（和罕见的）反应，并增加了我们对词汇和方法的信心。

步骤4：创建PEAR值集（PEAR-VS）

我们的PEAR值集（PEAR-VS）共包括787个概念（即步骤3中的782个概念加上步骤3a中的1个概念，以及步骤1中无法映射到SNOMED-CT的4个概念）。

阶段2：评估、值集比较和集成

PEAR中反应概念的频率

为了评估反应概念的频率，我们使用MTERMS和最终词典处理PEAR中的所有反应条目（即所有自由文本和结构化条目）。我们确定了2584112个术语（编码条目中为1770418个，自由文本条目中为813694个），将这些术语映射到PEAR-VS中相应的SNOMED-CT概念，并计算了PEAR中每个概念的频率(表1). 我们发现最常见的反应是皮疹（皮疹）（13.96%，n个 = 360 859人），麻疹（福利）（8.25%，n个 = 213 228）和胃肠道不适（刺激）（5.47%，n个 = 141 389). 有趣的是，一些最常见的概念仅以自由文本形式输入，包括头晕和心悸。

与现有反应值集的比较

使用类似于Zhou等人的方法对值集进行比较。，¹⁵其中，我们在词汇和目标术语（FHIMS，UNMC）之间映射概念，将每个匹配分为精确匹配、部分匹配（宽匹配或窄匹配）或缺失匹配。精确匹配被定义为概念ID是相同的还是条款它们的含义和粒度相似（例如，“鼻出血”→“鼻出血“）。广泛匹配被定义为我们词典中的术语不如我们的目标术语具体（例如，“肝损伤”→“肝硬化”）。相反，狭义匹配是指词汇中的术语比目标术语更具体的情况（例如，“胃肠道不适”→“胃肠道症状”）。宽比赛和窄比赛只涉及一个反应，反应可能包括修饰语（如“acute”）或限定词（如“severe”）。当一个概念中存在2个或多个反应时，它们被归类为预先协调（例如，“恶心、呕吐和腹泻”）。计算每个类别与目标术语的匹配百分比。例如，在FHIMS中，在总共599个FHIMS概念中，有92个部分匹配被归类为广义匹配，占概念的15.4%。由于我们知道每个目标术语中概念的频率，我们计算了每个概念的频率加权匹配百分比。例如，UNMC内出现胃肠道症状的频率为0.113%（157 806个总反应中有179个反应条目）。这些概念在每个值集中进行了总结，并按匹配类型进行了分层。

在比较FHIMS和PEAR-VS时概念级别，我们在概念ID级别和59个精确匹配学期水平，导致总共380个精确匹配，占FHIMS中概念的63.4%(表2). 根据文档的频率，PEAR-VS涵盖的概念数量在精确水平上为97.48%，包括部分匹配在内为99.35%。

在比较UNMC对PEAR-VS的反应时概念ID级别，408个概念与概念ID46个概念与学期水平(表2). 按频率计算，PEAR-VS涵盖了98.73%的准确概念，99.78%包括部分匹配。

在135个（96个FHIMS，39个UNMC）独特的缺失概念中，有12个（10个来自FHIMS和2个来自UNMC），经审查，我们认为应排除在综合反应值集中。可能被排除的原因如下所示表3.

罕见或严重反应

严重反应虽然频率较低，但对确保患者安全而言可能是最关键的。使用PEAR中由专家评审（KB，FG）汇编的15个罕见或严重反应列表，我们检查了FHIMS值集和UNMC语料库对这些反应的覆盖率。

我们发现FHIMS包含了15个罕见或严重反应概念中的5个，而UNMC包含了15个中的6个(表4). 常见的是SJS和血清病、高铁血红蛋白血症和抗精神病药恶性综合征。然而，其他重要反应，如TEN和DRESS，虽然包含在PEAR中，但在FHIMS或UNMC中均未出现。FHIMS和UNMC缺乏的其他重要罕见或严重反应包括结节性红斑、药物性肝炎、固定性药疹、白细胞增生性血管炎、扁平苔藓和无菌性脑膜炎。

过敏反应（HSR）

我们将高铁归类为立即的或非即时的立即HSR发病时间<1小时，通常由IgE介导，表现为荨麻疹、血管性水肿、鼻炎、结膜炎、支气管痉挛或过敏。³⁵非即时HSR的发病时间>1小时，通常是T细胞介导的，表现为皮肤症状，包括迟发性荨麻疹、斑丘疹、固定性药疹、血管炎、TEN、SJS或DRESS。^21,22

在PEAR中，HSR代表19.2%的反应(n个 = 150个概念）。常见的高速铁路如所示图3，分为即时和非即时。

创建集成值集

我们编译了一个集成值集，它将PEAR-VS与FHIMS或UNMC中的非精确匹配相结合。我们（FG、KW、LK）手动审查了每个概念，删除了重复项，并删除了中列出的排除反应表3.

PEAR-VS包括787个概念，其中我们分别添加了来自FHIMS和UNMC的219个和150个概念，从而产生1156个候选概念。有重复项(n个 = 37）和排除反应(n个 = 12） 删除后，得到的值集包括临床发现和疾病等级中的1107个概念。这1107个概念构成了我们的综合不良反应值集，其中1103个概念被映射到SNOMED-CT，并与FHIMS和UNMC中的概念相协调。

讨论

我们使用半自动方法，结合计算机辅助编码、NLP和手动审查，通过处理和分析一个大型企业级过敏反应存储库中包含的反应条目，创建了一个反应值集。PEAR-VS通过精确匹配覆盖了63%和75%的反应，分别占FHIMS和UNMC频率的97.5%和98.7%。部分匹配代表17%–20%的反应，缺失反应的百分比从6%到16%不等，与UNMC相比，FHIMS中的缺失项数量更多。由1107个反应概念组成的综合值集，包括PEAR-VS、FHIMS和UNMC，以包含缺失的概念和部分匹配，并删除模糊或重复的概念。这项工作展示了我们如何处理大量原始EHR数据（以结构化和自由文本的形式），将这些原始数据映射到标准术语，并分析聚合数据以生成一个值集，该值集基于信息的模式、频率和重要性，并使用现有的开源对其进行丰富。我们的数据符合国家质量论坛（National Quality Forum）对价值集的建议，并与患者记录中的数据保持一致，与最新的术语更新相集成，并与支持临床决策支持所需的当前数据模型保持一致。我们认为，我们最终的综合反应值集捕获了最常见的记录概念，包括严重反应和HSR，对于支持不良反应记录和过敏相关临床决策支持具有重要价值。

SNOMED-CT用于编码反应

我们在评估过程中遇到了几个挑战，包括定义适当的层次结构以及调和模糊或重复的概念。例如，对于层次结构，对过敏原的反应可能包括临床发现心跳不规则或混乱心律失常。虽然两者都可能是正确的，但最好默认为一个（例如，疾病的临床发现），以避免无意中的编码分歧。重复的概念是另一个挑战，其中可能有两个具有类似字符串但具有不同概念ID的概念。例如，“红眼”这个概念由两个不同的概念ID表示，一个是将红眼称为“眼睛的一般观察结果”，另一个是称红眼为“眼睛定义不清的疾病”。虽然有争议，但前者被认为是一个更好的概念，在其本体论表示和文档频率方面（825个条目vs 0个条目）。虽然我们词典中几乎每个反应词都有对应的概念ID，但确实存在一些差距。少数经常记录的反应在SNOMED-CT中不存在，包括“舌头发痒”、“喉咙疼痛”、“咽喉刺痛”和“咽喉发麻”。根据其发生频率，我们建议使用“咽喉刺激”的概念将这些概念添加到SNOMED CT中用同义词“喉咙刺痛”或“喉咙里刺痛”创造了一个新概念“舌头刺激”，与潜在的同义词：“舌头瘙痒”、“舌头刺痛”和“舌头烧灼”

值集比较

PEAR-VS与FHIMS和UNMC反应之间的重叠范围为82.9%至92.7%。手动审查被证明是至关重要的，因为在学期级别使用不同的概念ID，导致内容和覆盖范围丢失。发现的一个差距是罕见或严重反应的覆盖率，与PEAR-VS相比，FHIMS和UNMC的覆盖率明显较低。这些发现强调了价值集需要包括罕见或严重的反应，即使它们的发生频率可能较低，强调单独使用频率作为值集创建标准的局限性。鉴于SNOMED-CT中罕见或严重概念对患者安全和避免不良事件的重要性，我们建议将其纳入反应值集。通过对值集的比较，可以确定每个概念中存在的差距、缺失的或类似的概念，以及每个概念的使用频率。在添加了部分和缺失的概念后，集成值集向FHIMS添加了507个概念，这表明跨多个组织的反应条目之间的一半以上的内容在学期级别。在本体层，需要进一步努力确保概念ID之间的一致性，并且可能默认为一个SNOMED-CT层次结构，以避免编码上的分歧。利用NLP的计算机辅助编码除了自动化值集创建和句法分类（即过敏反应、严重反应或不耐受），或探索过敏原及其相关反应之间的因果关系外，还可以帮助实现这一过程。

临床决策支持应用

目前，住院患者的覆盖率为90%，门诊患者的过敏警报覆盖率为77%，^36–39为过敏警报重新设计CDS再重要不过了。⁴⁰用于编码反应的值集提供了必要的离散数据，以重新调整潜在过敏或不良反应的CDS警报类型。对于免疫介导的反应尤其如此，这与高风险有关。我们发现，在我们的值集中，近20%的反应是HSR（即时和非即时）。这个估计可能是保守的，因为反应本身可能不代表高铁，但与其他反应结合起来可能是高铁。例如，胃肠道症状恶心、呕吐、腹泻以及呼吸急促可能代表过敏反应（HSR）。血清病可以通过发烧、肌痛、关节痛和皮疹的组合来描述。对反应记录模式的监测可以帮助临床医生识别罕见但重要的反应。更好地了解反应的免疫学性质（如HSR）有助于告知临床医生要显示的警报类型。

过敏频率的记录对CDS也很有价值。根据PEAR和其他值集（FHIMS、UNMC）中已知的反应频率，EHR可以根据特定过敏原最常见的相关反应填充动态反应快速选取列表。使用数据驱动的方法填充反应列表有助于限制临床医生搜索特定反应的时间，提高文档的准确性，并减少不适当的下游警报。理想的EHR CDS模块将知道给定过敏原的最可能反应；根据输入的反应、严重程度和之前的过敏测试结果（皮肤测试、激发结果）对过敏警报进行分级；并允许例外情况说明以前耐受或无交叉反应的药物。禁忌症将使用简单的基于规则的咨询来处理，这些咨询可以从患者记录中的任何离散数据触发，无论是宗教偏好、手术史还是患者问题列表中的问题。我们认为，用于编码患者对致敏原（或“过敏原”）的反应的强大值集是开发必要基础设施的关键，以实现更智能的过敏和不良反应咨询和警报系统，限制警报疲劳并降低覆盖率。

限制

这项工作可能受到特定人口统计学的限制，这些人口主要局限于新英格兰地区。该地区的过敏原，尤其是食物和环境过敏原可能与其他地区不同。在我们的数据中，由于有两个大型三级转诊中心，罕见或严重反应的频率可能会更高，这些中心的转诊通常是从外部设施开始的，用于专科护理（烧伤咨询、皮肤病咨询等）。虽然我们的反应值集包含PEAR中的大多数反应，但我们的词汇仅限于EHR过敏模块中以自由文本形式记录的那些类型的不良反应。EHR之外或临床笔记中包含的其他类型的不良反应可能有所不同，并且可能会丰富过敏模块中记录的反应。

结论

我们处理并编码了大型过敏原存储库中包含的反应，以协调、验证和通知维护国家医学图书馆VSAC设置的不良临床反应值，供EHR互操作使用。除了FHIMS之外，我们的价值集还将为反应和罪魁祸首-代理关联提供新的见解，为设计更智能的警报算法提供创新的CDS解决方案，并改进不良反应的过敏记录。

基金

本研究由美国卫生保健研究与质量局资助R01HS022728。

竞争利益

没有。

贡献

所有作者都对这部作品的构思、设计、数据分析和解释做出了重大贡献，并帮助起草和修订了手稿。所有作者都对这部作品的完整性负责。

致谢

感谢医学博士詹姆斯·坎贝尔分享联合国排雷行动中心的反应数据。我们还感谢乔治·罗宾逊、雪莉·斯皮罗和罗伯特·麦克卢尔对本研究提出的宝贵建议。

工具书类