队列构建
识别神经系统患者并建立研究队列
从HUS PED 2021-2023年所有就诊中,通过分诊至神经科和ICPC-2/ICD-10代码识别神经系统患者,非神经系统患者作为对照组。
Pathways of Patients With Neurological Emergencies at Pediatric Emergency Department: A Process-Based Data Mining Study
回顾性队列研究,使用过程挖掘和统计分析,基于电子健康记录数据,无功能或机制验证实验。
儿科急诊神经系统就诊患者(4854次就诊) 非神经系统儿科患者(作为对照组)
神经系统患者定义:分诊至神经科及通过ICPC-2和ICD-10代码识别的患者 acuity 分级使用 Emergency Severity Index (ESI) 算法 过程挖掘使用 Directly-Follows Miner (DFM) 生成路径模型 统计模型:混合效应逻辑回归分析入院预测因素,随机截距 for 患者 数据来源:HUS Data Lake 提取的 pseudonymized 数据,2021-2023年
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
识别神经系统患者并建立研究队列
从HUS PED 2021-2023年所有就诊中,通过分诊至神经科和ICPC-2/ICD-10代码识别神经系统患者,非神经系统患者作为对照组。
获取用于分析的临床和过程数据
从HUS Data Lake提取 pseudonymized 数据,包括人口统计学、就诊、ESI级别、主诉、paraclinical tests和处置。
发现患者路径和变异性
使用ProM 6.12软件中的Directly-Follows Miner (DFM)生成过程模型,分析事件日志包括实验室测量、成像和EEG。
评估患者特征、 acuity 和入院关联
使用描述性统计、比例检验、逻辑回归和混合效应模型分析数据。
按研究目的归类文中使用的方法,便于定位所需技术。
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 队列构建 | 神经系统患者定义代码(ICPC-2和ICD-10),分诊至神经科的标准 阅读提示:Methods 2.1节和Table S1 |
| acuity 分级 | ESI算法版本和分诊护士培训 阅读提示:Methods 2.1节 |
| 过程挖掘 | 事件日志定义、简化规则、DFM参数 阅读提示:Methods 2.3节和Figure 3 |
| 统计分析 | 模型变量、参考水平、bootstrap设置 阅读提示:Methods 2.3节和Figure 6图注 |
| 数据提取 | 数据湖变量列表和提取时间范围 阅读提示:Methods 2.2节和File S1 |