A clustering approach for detecting implausible observation values in electronic health records data.

Estiri, Hossein; Klann, Jeffrey G; Murphy, Shawn N

Estiri, Hossein; Klann, Jeffrey G; Murphy, Shawn N.

Afiliação

Estiri H; Laboratory of Computer Science, Massachusetts General Hospital, 50 Staniford Street, Suite 750, Boston, MA, 02114, USA. hestiri@mgh.harvard.edu.
Klann JG; Research Information Science and Computing, Partners HealthCare, Charlestown, MA, USA. hestiri@mgh.harvard.edu.
Murphy SN; Laboratory of Computer Science, Massachusetts General Hospital, 50 Staniford Street, Suite 750, Boston, MA, 02114, USA.

BMC Med Inform Decis Mak ; 19(1): 142, 2019 07 23.

Article em En | MEDLINE | ID: mdl-31337390

Assuntos

Algoritmos; Análise por Conglomerados; Confiabilidade dos Dados; Registros Eletrônicos de Saúde; Testes Diagnósticos de Rotina; Humanos; Logical Observation Identifiers Names and Codes; Aprendizado de Máquina não Supervisionado

Palavras-chave

Anomaly detection; Data quality; Electronic health records; Implausible observations; Informatics applications; Unsupervised clustering

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google

Texto completo: 1 Coleções: 01-internacional Base de dados: MEDLINE Assunto principal: Algoritmos / Análise por Conglomerados / Registros Eletrônicos de Saúde / Confiabilidade dos Dados Tipo de estudo: Prognostic_studies Limite: Humans Idioma: En Revista: BMC Med Inform Decis Mak Assunto da revista: INFORMATICA MEDICA Ano de publicação: 2019 Tipo de documento: Article País de afiliação: Estados Unidos

Texto completo

Imprimir

XML

PubMed Links

Buscar no Google