東華大學圖書館 |

Generic Methods for Mapping Abstract Clinical Guideline Concepts to Raw Data Utilizing Hl7 FHIR = = שיטות למיפוי מושגים קליניים מופשטים אל נתונים גולמיים תוך שימוש בתקן HL7 FHIR /

Record Type:	Electronic resources : Monograph/item
Title/Author:	Generic Methods for Mapping Abstract Clinical Guideline Concepts to Raw Data Utilizing Hl7 FHIR =/ Roy Leizer, רועי לייזר.
Reminder of title:	שיטות למיפוי מושגים קליניים מופשטים אל נתונים גולמיים תוך שימוש בתקן HL7 FHIR /
Author:	Leizer, Roy,
other author:	לייזר, רועי,
Description:	1 electronic resource (99 pages)
Notes:	Source: Masters Abstracts International, Volume: 84-11.
Contained By:	Masters Abstracts International84-11.
Subject:	Software. -
Online resource:	https://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=30412535
ISBN:	9798379478285

Generic Methods for Mapping Abstract Clinical Guideline Concepts to Raw Data Utilizing Hl7 FHIR = = שיטות למיפוי מושגים קליניים מופשטים אל נתונים גולמיים תוך שימוש בתקן HL7 FHIR /
Leizer, Roy,

Generic Methods for Mapping Abstract Clinical Guideline Concepts to Raw Data Utilizing Hl7 FHIR =שיטות למיפוי מושגים קליניים מופשטים אל נתונים גולמיים תוך שימוש בתקן HL7 FHIR /Roy Leizer, רועי לייזר. - 1 electronic resource (99 pages)

Source: Masters Abstracts International, Volume: 84-11.

Clinicians may err when managing complex patients. Clinical practice guidelines (CPGs) contain evidence-based recommendations intended to improve patient care. Specifying CPGs formally as computer-interpretable guidelines (CIG) enables their execution over a patient's Electronic Health Record (EHR) to deliver patient-specific recommendations, supporting clinicians.However, integration of CIG concepts with EHR data is difficult due to the conceptual gap between CIGs and EHRs. CIGs are developed in a generic way that does not make assumptions about how EHR data is organized and often refer to more abstract terms than the fields of the EHR. To bridge this gap, we need to define a mapping of abstract medical concepts from CIGs to EHRs, and automatically translate the mappings into queries that return the EHR data in the form of the needed CIG abstractions. This approach has been named Knowledge Data Ontology Mapping (KDOM) and has been implemented before but with several key functionalities which were missing in terms of both methods and implementation.We have developed a new KDOM method that leverages standard patient information HL7 Fast Healthcare Interoperability Resources (FHIR) standard and defines an ontology of mapping classes that could completely support the mappings of CIG abstractions. The new KDOM supports temporal mappings, completing missing values while allowing some interpolation of missing data points in time, better supports hierarchical terminology mapping as well as listens to triggering events and responds to them using RESTful API. A special algorithm was developed, as part of KDOM, and implemented to automatically create EHR queries based on ontology mapping instances. KDOM has been tested and utilized with interfacing DSS components over the CAPABLE (CAncer Patients Better Life Experience) Environment.

English

ISBN: 9798379478285Subjects--Topical Terms:

619355
Software.

Generic Methods for Mapping Abstract Clinical Guideline Concepts to Raw Data Utilizing Hl7 FHIR = = שיטות למיפוי מושגים קליניים מופשטים אל נתונים גולמיים תוך שימוש בתקן HL7 FHIR /
LDR:09256nmm a22004813i 4500 001 2434310
005 20250915135047.5
006 m o d
007 cr|nu||||||||
008 261011s2023 miu||||||m |||||||eng d
020 $a 9798379478285
035 $a (MiAaPQD)AAI30412535
035 $a (MiAaPQD)Haifa9919897204102791
035 $a AAI30412535
040 $a MiAaPQD $b eng $c MiAaPQD $e rda
100 1 $a Leizer, Roy, $e author. $3 3824253
245 1 0 $a Generic Methods for Mapping Abstract Clinical Guideline Concepts to Raw Data Utilizing Hl7 FHIR = $b שיטות למיפוי מושגים קליניים מופשטים אל נתונים גולמיים תוך שימוש בתקן HL7 FHIR / $c Roy Leizer, רועי לייזר.
264 1 $a Ann Arbor : $b ProQuest Dissertations & Theses, $c 2023
300 $a 1 electronic resource (99 pages)
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
500 $a Source: Masters Abstracts International, Volume: 84-11.
500 $a Advisors: Peleg, Mor; פל, מור.
502 $b Master's $c University of Haifa (Israel) $d 2023.
520 $a Clinicians may err when managing complex patients. Clinical practice guidelines (CPGs) contain evidence-based recommendations intended to improve patient care. Specifying CPGs formally as computer-interpretable guidelines (CIG) enables their execution over a patient's Electronic Health Record (EHR) to deliver patient-specific recommendations, supporting clinicians.However, integration of CIG concepts with EHR data is difficult due to the conceptual gap between CIGs and EHRs. CIGs are developed in a generic way that does not make assumptions about how EHR data is organized and often refer to more abstract terms than the fields of the EHR. To bridge this gap, we need to define a mapping of abstract medical concepts from CIGs to EHRs, and automatically translate the mappings into queries that return the EHR data in the form of the needed CIG abstractions. This approach has been named Knowledge Data Ontology Mapping (KDOM) and has been implemented before but with several key functionalities which were missing in terms of both methods and implementation.We have developed a new KDOM method that leverages standard patient information HL7 Fast Healthcare Interoperability Resources (FHIR) standard and defines an ontology of mapping classes that could completely support the mappings of CIG abstractions. The new KDOM supports temporal mappings, completing missing values while allowing some interpolation of missing data points in time, better supports hierarchical terminology mapping as well as listens to triggering events and responds to them using RESTful API. A special algorithm was developed, as part of KDOM, and implemented to automatically create EHR queries based on ontology mapping instances. KDOM has been tested and utilized with interfacing DSS components over the CAPABLE (CAncer Patients Better Life Experience) Environment.
520 $a מטרה: ניהול מטופלים הינו תהליך מורכב בו עלולות לקרות טעויות אנוש בשל הזנה לא נכונה של נתוני המטופל לתיק הרפואי האישי. בספרות הרפואית ישנם קוים מנחים קליניים לטיפול במחלות ובסימפטומים ) Practice Clinical Guidelines.)המרת הנחיות אלה למושגים שמובנים ע"י המחשב )Guidelines Interpretable Computer )תוך קישוריות למערכת המידע של בית החולים (Record Health Electronic (תאפשר לתת המלצות טיפול ספציפיות בלא צורך ברישום ידני ובכך להקל על הרופאים ולמנוע טעויות אנוש. עם זאת, שילוב ההנחיות הקליניות הממוחשבות )CIG ) עם נתוני מערכת המידע של בית-החולים )EHR )הינו מורכב בשל הפער שיש בין מושגי הקוים המנחים הממוחשבים לבין הגליון הרפואי. המושגים למשל יכולים להתייחס למחלה/סימפטום/טיפול/תרופה וכד' שבמערכת אחת מופיע בשם אחד ובמערכת שניה בשם אחר, אבל בעצם מדובר במושג זהה. כדי לגשר על הפער הזה עלינו להגדיר מיפוי של מושגים רפואיים מופשטים המקשרים בין ההנחיות הקליניות CIG לתיק הרפואי EHR ולתרגם אוטומטית את המיפויים לשאילתות המחזירות את נתוני EHR בצורה של אבסטרקציות CIG .גישה זו זכתה לשם Data Knowledge (KDOM (Mapping Ontologyוהיא יושמה בעבר אך ללא מספר פונקציונליות מפתח שהיו חסרות הן מבחינת שיטות והן מבחינת יישום.חומרים ושיטות: פיתחנו שיטת KDOM חדשה הממנפת מידע סטנדרטי על מטופלים בשימוש בתקן FHIR HL7 ומגדירה אונטולוגיה של דפוסי מיפוי שיכולה לתמוך במיפויים של אבסטרקציות CIG שאספנו מהפרויקט האירופי CAPABLE ומוביגייד. ה-KDOM החדש תומך במיפויים עתיים, השלמת ערכים חסרים תוך מתן אינטרפולציה מסוימת של נקודות נתונים חסרות בזמן, תמיכה טובה יותר במיפוי טרמינולוגיה היררכית וכן האזנה לאירועים מפעילים ותגובה אליהם באמצעות API RESTful .אלגוריתם מיוחד פותח, כחלק מ-KDOM ,והוטמע ליצירת שאילתות EHR באופן אוטומטי המבוססות על מופעי מיפוי אונטולוגי. KDOM נבדק עם רכיבי DSS מתממשקים .CAPABLE (Cancer Patients Better Life Experience) סביבת בתוךהערכה: ביצענו הערכה של רכיב ה KDOM כחלק ממערכת CAPABLE ,באמצעות 28 אבסטרקציות שונות )מהם 12 של CAPABLE ועוד 16 ממקורות שונים כולל מערכת MobiGuide .)נבחנו אבסטרקציות מסוגים שונים: לוגיות, היררכיות, טמפורליות וישירות )1:1 .)הערכת האבסטרקציות נמדדה בהיבטים של נכונות, שלמות ומהירות עיבוד התוצאות. המערכת נבדקה ע"י צוות רופאים בביה"ח אונקולוגי וכן ע"י מומחים מאוניברסיטת Pavia ,באמצעות הכנת מקרים )סצנריו( שונים במהלך 3 שנים האחרונות.תוצאות: KDOM הוערך כתומך בהגדרה של אבסטרקציות נכונות ושלמות תוך השוואתן עם תקן הזהב אשר הוכן מראש על ידי צוות הרופאים. נכונות תוצאות השלמות בסביבת CAPABLE הגיעה ל %100 בכל סוגי האבסטרקציות )כ 12 מהם( ואילו בסביבת הבדיקה שבחנו את האבסטרקציות השונות )כ18 מהם( התוצאות היו כדלהלן: אבסטרקציות לוגיות: %5.87 , טמפורליות: %2.77 , ישירות )1:1% )75 .בהיבט של מהירות עיבוד התוצאות הצלחנו להגיע לשיפור של %384 לאבסטרקציות מורכבות , תוך שימוש בעיבוד מקבילי.מסקנות: מחלקות המיפוי החדשות של KDOM New אפשרו להגדיר מונחים מופשטים ולגשר על הפער בין האבסטרקציות שבCIG לאלו המשמשות ב-EHR ,במיוחד בהתחשב בהיררכיות מונחים רפואיים, היבטים עתיים ונתונים חסרי ודאות. רכיב הKDOM החדש הרחיב גם את ה- KDOM הישן עם היכולות החדשות הללו: ) 1 )הרחבת כושר הביטוי של אבסטרקציות היררכיות וזמניות - כדי לקבל תוצאות מדויקות יותר על ידי שימוש במנגנון חיפוש HL7 עם לוגיקה של KDOM( .2 )היכולת להחזיר חישובי אבסטרקציות כמשאבי נתוני מטופלים סטנדרטיים - משאבי Observation and Communication FHIR HL7 - לשימוש רכיבי מערכת מקומיים או חיצוניים. )3 )היכולת להקשיב לאירועים מעוררים ולהגיב אליהם באמצעות API RESTful( .4 )היכולת לבצע הסקת מסקנות תחת אי ודאות עם נתונים חסרים, המאפשרת אינטרפולציה מסוימת של נקודות נתונים חסרות בדומה לעבודות של שחר, אך גם לבקש ממשתמשים לספק נקודות נתונים חסרות בזמן אמת.
546 $a English
590 $a School code: 1445
650 4 $a Software. $2 gtt. $3 619355
650 4 $a Interoperability. $3 3683437
650 4 $a Application programming interface. $3 3562904
650 4 $a Temporal logic. $3 3681666
650 4 $a Clinical medicine. $3 804916
650 4 $a Communication. $3 524709
650 4 $a Ontology. $3 530874
650 4 $a Codes. $3 3560019
650 4 $a Electronic health records. $3 3433800
650 4 $a Diarrhea. $3 853056
650 4 $a Health care. $3 2213177
650 4 $a Antibiotics. $3 670318
650 4 $a Glucose. $3 2084335
650 4 $a Design. $3 518875
650 4 $a Extensible Markup Language. $3 3819462
650 4 $a Semantics. $3 520060
650 4 $a Computer science. $3 523869
650 4 $a Information science. $3 554358
650 4 $a Information technology. $3 532993
650 4 $a Logic. $3 529544
650 4 $a Medicine. $3 641104
650 4 $a Pharmaceutical sciences. $3 3173021
690 $a 0389
690 $a 0459
690 $a 0984
690 $a 0723
690 $a 0489
690 $a 0395
690 $a 0454
690 $a 0564
690 $a 0572
700 1 $a לייזר, רועי, $e author. $3 3824254
710 2 $a University of Haifa (Israel). $e degree granting institution. $3 3771917
720 1 $a Peleg, Mor $e degree supervisor.
720 1 $a פל, מור $e degree supervisor.
773 0 $t Masters Abstracts International $g 84-11.
790 $a 1445
791 $a Master's
792 $a 2023
856 4 0 $u https://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=30412535