2.7

感谢我们的作者、审稿人和读者对本刊的支持。我们为出版这份有影响力的期刊感到自豪，并期待着继续为该领域提供有价值的研究。

一种新型烧伤脓毒症数字表型：利用电子健康记录数据和自然语言处理优化病例定义

A Novel Digital Phenotype for Burn Sepsis: Leveraging Electronic Health Record Data and Natural Language Processing to Improve Case Definition

Soulakis ND et al.

背景

脓毒症仍然是烧伤患者死亡的主要原因之一，但该疾病在早期难以识别。医院通常依赖国际疾病分类（International Classification of Diseases，ICD）编码开展监测，但ICD编码往往在疾病发生后较晚才被赋予，且经常遗漏正在发生的脓毒症病例。

目的
本研究开发并验证了一种可扩展的、基于电子健康记录（Electronic Health Record，EHR）的数字表型，与单纯依赖ICD编码相比，该方法能够更准确地识别烧伤相关脓毒症病例。

方法
本研究开展了一项回顾性队列研究，纳入2007年至2021年在洛约拉大学医学中心（Loyola University Medical Center）住院治疗的成年烧伤患者（n = 1,371）。研究从科研数据库中提取了结构化EHR数据和临床病历记录。每4小时计算一次序贯器官衰竭评估（Sequential Organ Failure Assessment，SOFA）评分；采用自然语言处理技术解析血管活性药物剂量及培养结果提示信息。共评估了4种算法：
（1）ICD编码；
（2）SOFA评分增加≥2分 + 广谱抗生素治疗；
（3）SOFA评分增加≥2分 + 血培养阳性；
（4）SOFA评分增加≥2分 + 任意培养阳性。

结果
仅采用ICD编码时，共识别出79例脓毒症住院病例（5.8%）。基于EHR增强的算法识别出更多病例：SOFA评分增加≥2分联合广谱抗生素治疗识别123例（9.0%）；SOFA评分增加≥2分联合血培养阳性识别21例（1.5%）；SOFA评分增加≥2分联合任意培养阳性识别53例（3.9%）。规则计数评分（0–4分）表现最佳，其受试者工作特征曲线下面积（area under the curve，AUC）达到0.92，优于单纯采用ICD编码（AUC = 0.77）。

结论
与基于ICD编码的监测方法相比，本研究提出的多模态数字表型将脓毒症检出率提高了近一倍。分层风险评估方法具有优异的判别能力，并且随着满足标准数量的增加，其阳性预测值不断提高。该数字表型可基于常规EHR数据实施，为这一高风险人群的早期预警工具提供支持。

关键词
数字表型；临床自然语言处理；电子健康记录数据管道；临床决策支持；多模态数据整合；疾病监测；模型评估；数据假名化与去标识化。

AMIA, IMIA, EFMI官方期刊。

临床健康信息技术 (HIT) 的优势早已确立，我们正矗立于时代前沿，希望利用这些优势使患者的护理更安全、更有效、更经济、更积极和更完整。然而，衔接临床疗效与成功实施以及投资回报之间的实践知识的匮乏阻碍了 HIT 的应用。为了在 HIT 应用方面将健康保健向前推进，各机构必须能够分享成功和失败案例，从失败中吸取教训，避免重复错误，以最短的时间和最低的成本挽救人的生命。

本刊的核心编辑主题是：临床信息系统（包括电子病历和系统、个人健康记录、医师/医疗供应商订单录入、电子处方、临床决策支持、护理信息系统、患者时间表和跟踪工具、实验室信息系统、放射学信息系统、PACS、GP 信息系统）、行政和管理系统、eHealth 系统、移动健康和量化的自应用、信息技术发展、部署和评估、信息技术的社会技术方面和健康 IT 培训、认证和证明。