Review Jurnal: Memfasilitasi Interogasi Peneliti Biomedis mengenai Catatan Data Kesehatan Elektronik: Gagasan dari Luar Informatika Biomedis

 Tugas 3 (IoT on Health)

Health Relational Database

Memfasilitasi Interogasi Peneliti Biomedis mengenai Catatan Data Kesehatan Elektronik: Gagasan dari Luar Informatika Biomedis

 

Facilitating biomedical researchers’ interrogation of electronic health record data: Ideas from outside of biomedical informatics

 

Author : Gregory W. Hruby, Konstantina Matsoukas, James J. Cimino, Chunhua Weng

Tahun  : 2016

 

PENGANTAR

Penelitian biomedis telah lama mendapat manfaat dari sumber data yang berharga dan hemat biaya: catatan kesehatan pasien [1]. Misalnya, Skala Apgar [2] dan indeks multifaktorial risiko Goldman [3] keduanya berasal dari analisis catatan kesehatan pasien. Dengan adopsi catatan kesehatan elektronik (EHR) yang semakin luas di seluruh dunia [4], banyak yang mengakui data klinis yang kaya semakin tersedia oleh EHRs sebagai sumber data yang menjanjikan untuk mempercepat penemuan pengetahuan medis [5] dan untuk memungkinkan penelitian efektivitas komparatif [6] –10]. Di samping itu, permintaan untuk menggunakan kembali data EHR untuk penelitian di antara para peneliti biomedis telah meningkat dengan cepat [11-15]. Membantu para peneliti biomedis untuk menginterogasi data EHR telah menjadi misi vital bagi komunitas riset informatika biomedis. Namun, tugas ini menghadapi hambatan manusia dan teknologi yang signifikan [10,16,17]. Data saat ini yang ditangkap oleh EHR tidak dioptimalkan untuk penggunaan sekunder di luar perawatan klinis atau praktik dokumentasi yang berpusat pada administrasi sehingga banyak lembaga menggunakan analis data perantara untuk mengambil data EHR untuk peneliti biomedis, dengan berbagai tingkat bantuan dari alat permintaan layanan mandiri. Penggunaan perantara mungkin tidak dapat memenuhi kebutuhan untuk jaringan data besar seperti jaringan penelitian data klinis (CDRNs) sebagai bagian dari PCORnet [18] yang didirikan oleh Patient Centered Out- datang Research Institute [19]. Sebagai contoh, heterogenitas representasi data lintas institusi dan proses pengumpulan data lokal yang unik dan istimewa yang sering kali tetap menjadi "kotak hitam" bagi perantara merupakan hambatan serius yang dihadapi pengguna data yang terkandung dalam PCORnet. Untuk menahan biaya untuk operasi mahal yang terlibat, banyak lembaga harus menagih ilmuwan klinis untuk menggunakan kembali data tersebut yang dikumpulkan selama perawatan pasien untuk penelitian. Sementara itu, dukungan permintaan layanan mandiri masih pada tahap awal pengembangan dan mungkin tidak mendukung permintaan data yang canggih [20,21].

Dengan mengidentifikasi dan meninjau teori yang ada dan praktik terbaik untuk interogasi data EHR, kami bertujuan untuk menginformasikan desain alat bantu interogasi data EHR generasi mendatang yang secara langsung memfasilitasi peneliti biomedis untuk secara mandiri mengambil dan menggunakan kembali data ini untuk penelitian klinis dan translasi. Menuju tujuan ini, makalah ini memberikan kontribusi tinjauan literatur tentang topik ini. Kami merangkum pendekatan yang ada, mengidentifikasi kesenjangan penelitian, dan merekomendasikan prioritas penelitian. Meskipun ulasan ini berfokus pada data EHR, pengetahuan yang diperoleh dapat digeneralisasi untuk interogasi data pengguna akhir interaktif untuk sumber daya data kesehatan lain yang dapat digunakan kembali.

 

 

METODE

2.1. Perkembangan kerangka konseptual untuk pengambilan data interaktif

Proses pengambilan informasi menangani kebutuhan informasi menggunakan urutan pekerjaan [22]. Kompleksitas urutan tugas bergantung pada pengambilan informasi pengetahuan apriori akan kebutuhan informasi, proses pengambilan informasi yang ditetapkan oleh pemilik data, dan kompleksitas dari masing-masing tugas yang digunakan untuk menyelesaikan proses pencarian informasi [23-27]. Banyak model telah dikembangkan untuk mengkarakterisasi proses pengambilan informasi atau untuk menyelidiki bagaimana sistem informasi memungkinkan pengguna selama proses ini [28-37]. Sebagai contoh, model memetik berry [28] dan model yang masuk akal [30] fokus pada bagaimana pengguna memperbaiki kebutuhan informasinya berdasarkan pada konseptualisasi ruang informasi. Di antara semua model yang ada, hanya satu yang dikembangkan oleh Bystrom dan Jarvelin yang secara eksplisit mendefinisikan tiga entitas yang mempengaruhi kompleksitas proses pencarian informasi: pengguna, saluran, dan sumber, untuk mengkarakterisasi proses pencarian informasi [24]. Entitas pengguna berfokus pada profil pengguna, gaya komunikasi, dan pengetahuan tentang data. Sumber menyangkut representasi data menuju efisiensi pengambilan data yang optimal. Saluran menutupi kompleksitas sumber dan menerjemahkan kebutuhan informasi pengguna ke representasi data. Oleh karena itu, sumber adalah wadah informasi dan panduan saluran navigasi yang efisien dari sumber. Kami mengadopsi kerangka kerja konseptual ini untuk mengatur literatur untuk pengambilan data EHR interaktif.

Dalam tulisan ini, kami mensurvei metode dan teori terkait dalam konteks pengambilan data EHR untuk penggunaan sekunder oleh pengguna akhir yang tidak terbiasa dengan data, seperti peneliti biomedis dan ilmuwan klinis. Karena makalah ini bertujuan untuk menambah pengguna akhir dengan formulasi kueri yang ditingkatkan, kami fokus terutama pada upaya mendukung pengguna dan saluran, sementara secara singkat menggambarkan upaya yang ada pada sumber. Kami mengkooptasi konstruksi pengguna, saluran, dan sumber menggabungkan mereka dengan konsep-konsep rumus permintaan dan eksekusi permintaan, seperti yang ditunjukkan pada Gambar. 1. Sebagai contoh, seorang peneliti mungkin ingin mengidentifikasi tingkat kematian lembaga di antara pasiennya menjalani bypass arteri koroner. Formulasi kueri mengubah permintaan data yang tidak jelas (misalnya, 'pasien dewasa yang lebih muda dari 75 tahun dengan operasi bypass arteri koroner tahun lalu ”) menjadi permintaan data kontekstual yang terdiri dari elemen data EHR spesifik (misalnya,' pasien DOB, Tahun Anggaran Saat Ini , kode tagihan untuk bypass arteri koroner yang ditagih pada tahun fiskal ini ” Langkah pelaksanaan kueri selanjutnya menerjemahkan kueri ini dari elemen data kontekstual ke dalam kueri basis data yang dapat dieksekusi yang terdiri dari tipe data yang berbeda dan diwakili oleh terminologi lokal menggunakan The Structure Query Language (SQL).

 

2.2. Studi Literatur

            Kami mengadopsi model post-positivis untuk penelitian [38]. Kami secara iteratif mencari pekerjaan terkait yang diterbitkan antara 2009 dan 2013 yang memungkinkan kami memperlakukan semua pengalaman sebagai data. Mengikuti model ini, kami mencari di luar bidang informatika biomedis atau informatika penelitian klinis yang jelas relevan dan memasukkan literatur dalam informatika dan komputer serta ilmu informasi. Selain itu, kami mengategorikan semua kutipan termasuk dengan fokus mereka pada pengguna, sumber, dan saluran sehingga sejumlah besar informasi kualitatif dikategorikan untuk menghasilkan informasi kuantitatif untuk membantu kami menggambar gambaran besar dan menyimpulkan kesenjangan bukti.

Kami menebar pencarian kami dengan 29 artikel yang diusulkan oleh penulis senior (CW) [19,23,24,28,29,39-62]. Selain itu, pencarian kutipan dalam artikel ini memberikan tambahan 45 referensi [16,22,25-27,30-34,37,63-102]. 74 artikel ini berfungsi sebagai dasar untuk pengembangan permintaan pencarian. Dengan permintaan pencarian awal kami, kami secara iteratif mencari dan meninjau artikel yang diidentifikasi, memasukkan kata kunci pencarian baru saat muncul, merevisi string pencarian kami dan kriteria inklusi / pengecualian artikel secara iteratif sesuai dengan relevansinya sebagaimana ditentukan oleh review manual. Kami melakukan survei baik literatur sains informasi (yaitu, http://dl.acm.org) dan literatur informatika biomedis (yaitu, MED-LINE). Kami membatasi pencarian kami pada basis data kutipan jurnal utama, ACM Digital Library, dan Medline, untuk masing-masing bidang ilmu informasi dan ilmu biomedis karena kami merasa ini akan memberikan sampel yang representatif untuk topik kami.

Gambar. 2 adalah diagram alir yang menyoroti string pencarian akhir untuk database PubMed dan ACM dan kriteria inklusi dan eksklusi untuk memilih artikel untuk ulasan ini. Penulis pertama menghasilkan string pencarian terakhir dan meninjau judul dan abstrak dari artikel yang dikembalikan; artikel yang mengandung salah satu kriteria pengecualian telah dihapus dari kumpulan. Selanjutnya, penulis pertama secara berulang meninjau dan menjelaskan 125 artikel termasuk menggunakan kerangka kerja konseptual yang dikembangkan pada Bagian 2.1. Untuk setiap anotasi, penulis pertama menulis paragraf ringkasan dan justifikasi. Setelah penjelasan, penulis pertama meninjau ringkasan dan paragraf justifikasi untuk setiap set artikel terhadap komponen kerangka kerja konseptual dan tema turunan dalam bagian ini. Untuk sumber, tema utama yang diidentifikasi adalah pemodelan data EHR (bagaimana data disusun dan standar yang digunakan untuk menyimpan elemen data) dan pergudangan (silo khusus data untuk penggunaan sekunder). Untuk Pengguna, tema utama yang diidentifikasi adalah Kebutuhan Informasi (mendefinisikan kompleksitas kebutuhan) dan pemodelan pengguna (memahami atribut pengguna dan strategi pencarian informasi yang digunakan). Untuk saluran, tema utama yang diidentifikasi adalah formulasi kueri (proses mendefinisikan kebutuhan informasi) dan eksekusi (proses menerjemahkan kebutuhan informasi ke dalam query database yang dapat dieksekusi). Tabel 1 mengatur artikel sesuai dengan kerangka kerja konseptual kami. Seperti ditunjukkan pada Tabel 1, lebih banyak pekerjaan jatuh ke pemodelan pengguna, perantara manusia, dan wawancara referensi di bidang ilmu informasi daripada di bidang informatika biomedis. Pada bagian berikut, kami akan menyatukan tema-tema utama dari setiap disiplin ilmu dan membandingkan dan mengkontrastasikan ide-ide mereka dari berbagai sumber.

 

SUMBER

            Hambatan untuk akses data berbasis tugas dalam ilmu kehidupan terbagi dalam dua kategori: (1) faktor manusia (misalnya, pengguna yang tidak memiliki konseptualisasi kompleksitas tugas yang benar); (2) faktor sistem (mis., Keterbatasan teknologi dalam sistem yang ada seperti heterogenitas data dan fragmentasi) [17]. Kami menyajikan contoh hambatan yang diketahui dan solusi yang direkomendasikan yang sesuai pada Tabel 2. Faktor manusia terkait dengan pengguna, sementara faktor sistem terkait dengan metadata sumber, atau dalam hal ini, kurangnya metadata tentang masalah kualitas data EHR yang diketahui dan mendasarinya.

            Dalam konteks penelitian ini, kami membahas pergudangan data di tingkat kelembagaan alih-alih di tingkat negara bagian atau nasional, meskipun prinsip yang sama dapat berlaku untuk keduanya. Gudang data telah menjadi fokus dalam komunitas informatika penelitian klinis untuk mengatasi hambatan teknis untuk akses data dengan menyediakan akses yang efisien ke data EHR terintegrasi, yang dapat dipusatkan atau disatukan. Infrastruktur tersentralisasi [40,41,52] menghindari heterogenitas data tetapi dapat memperkenalkan tantangan untuk memasukkan elemen data baru atau laten dari waktu ke waktu karena setiap pembaruan memengaruhi seluruh basis data, sehingga tidak dapat melakukan penskalaan dengan mudah. Sebaliknya, arsitektur gabungan fleksibel [90.103-105] untuk memungkinkan kontrol dan pertumbuhan data otonom dari waktu ke waktu. Ini memungkinkan heterogenitas representasi data [70.106.107]. Ini juga memungkinkan pengungkitan keahlian lokal terdistribusi untuk pemodelan data dan kontrol kualitas data dan mendukung distribusi geografis oleh banyak pemangku kepentingan. Pusat nasional untuk statistik pendidikan telah merangkum timbal balik antara repositori data terpusat dan federasi [139]. Secara singkat, sistem terpusat memudahkan tata kelola data, meningkatkan kinerja pengambilan data, menyediakan data yang seragam untuk penambangan data yang efisien, memerlukan beban biaya tinggi untuk memastikan mata uang dan kelengkapan data, dan lebih sulit untuk menskalakan untuk mengembangkan kebutuhan data dan alur kerja akses data yang berbeda [140 ] Banyak institusi memiliki repositori data terpusat seperti STRIDE [110]. Platform yang paling banyak digunakan, i2b2 dan arsitektur SHRINE-nya, mendukung repositori data terdistribusi dan federasi [97]. Arsitektur gabungan mewakili model yang didirikan untuk sebagian besar jaringan data besar seperti PCORnet [18.141].

 

PENGGUNA

4.1. Kompleksitas kebutuhan informasi

            Salah satu komponen pemodelan pengguna adalah memahami kerumitan kebutuhan informasi, yang tergantung pada keragaman dalam konteks penggunaan [72], variasi perilaku pencarian informasi [24], dan heterogenitas dalam bahasa yang digunakan untuk mengekspresikan kebutuhan informasi [ 92]. Yang lain telah mengusulkan skala kategori kompleksitas data yang dibutuhkan dengan mengukur jumlah pekerjaan yang dibutuhkan untuk menyelesaikan tugas untuk memenuhi kebutuhan informasi [60,86]. Struktur telah didefinisikan untuk mengkarakterisasi kebutuhan informasi yang kompleks, termasuk pernyataan masalah, peristiwa yang menarik, peristiwa perbandingan (jika perlu), dan efek potensial dari peristiwa yang menarik [50]. Sayangnya, sedikit yang diketahui tentang data yang dibutuhkan oleh para peneliti biomedis [111-113]. Sangat sedikit penelitian yang tersedia sebagian besar berfokus pada mengidentifikasi set elemen data utama yang diperlukan untuk memfasilitasi penelitian dalam bidang kedokteran tertentu yang menarik. Cimino et al. memanfaatkan elemen-elemen data utama yang dibutuhkan oleh para peneliti untuk menginformasikan pengembangan alat query yang berpusat pada pengguna [113]. Apa yang kurang termasuk pemahaman menyeluruh tentang preferensi pengguna dan perilaku pencarian, serta pola komunikasi antara peneliti biomedis dan analis permintaan untuk mengklarifikasi kebutuhan data secara iteratif.

 

4.2. Ragam kognitif pengguna

            Lima karakteristik pengguna memengaruhi taktik pencarian informasi pengguna:

(1) Fase model mental informasi - kebingungan, keraguan, ancaman, pengujian hipotesis, penilaian, dan rekonstruksi [63].

(2) Tingkat kebutuhan - visceral, sadar, formal, dan terkompromikan [39].

(3) Tingkat kekhususan - masalah baru, situasi baru, kebutuhan eksperimental, dan situasi yang dipahami dengan baik [23].

(4) Ekspresi - mempertanyakan koneksi, dan perintah gap [23,39].

(5) Mood - undangan, dan indikatif [63].

            Kuhlthau memberikan perpaduan yang hebat dari karakteristik pengguna ini dalam fondasi teoretisnya dari proses pencarian informasi [67], yang didukung oleh ulasan Vakkari [57]. Selain itu, proses pencarian informasi telah dimodelkan dalam literatur biomedis. Mendonça et al. [54] dan Hung et al. [59] telah memberikan model untuk proses pencarian informasi literatur biomedis, yang mengusulkan untuk membantu strategi pencarian pengguna melalui kueri klinis yang terstruktur dengan baik dan dengan memanfaatkan pengetahuan masing-masing pakar pencarian manusia.

Gaya kognitif pengguna membentuk proses pencarian informasi [36]. Banyak menggambarkan gaya ini di sepanjang dua sumbu ortogonal: analitik dan deskriptif. Gaya kognitif analitik menangkap pendekatan aktif untuk pencarian informasi di mana pertanyaan tingkat konseptual digunakan untuk menyelesaikan kebutuhan informasi, sedangkan gaya kognitif deskriptif mewakili pendekatan pasif, di mana konsentrasi pada tingkat paling rinci dari materi pelajaran digunakan untuk menyelesaikan kebutuhan informasi. Gaya kognitif pengguna bersifat pasif (deskriptif tinggi dan analitik rendah dengan perhatian pada pertanyaan terperinci) atau aktif (analitik tinggi dan pertanyaan deskriptif rendah). Gaya aktif mewakili strategi pencarian yang lebih efektif dan efisien daripada gaya pasif [37].

Pengetahuan domain pengguna dan pengetahuan teknis keduanya dikaitkan dengan gaya kognitif mereka dan strategi pencarian yang efektif [17,50,91]. Gaya kognitif pengguna dapat dibedakan [85,86] dengan taktik pencarian. Pengguna dari berbagai gaya kognitif memiliki strategi atau proses yang masuk akal. Studi gaya kognitif menawarkan mekanisme yang lebih umum untuk stratifikasi pengguna dan untuk memprediksi gaya pencarian informasi individu. Ilmu kognitif memungkinkan karakterisasi permintaan karakteristik tugas tertentu dan untuk fokus pada dimensi masalah yang tepat [55]. Meskipun kognisi pengguna selama interogasi data EHR jarang dipelajari dalam literatur informatika biomedis, terutama untuk memfasilitasi interogasi data EHR, studi tersebut sangat dibutuhkan. Studi kognitif pengguna dapat memungkinkan desain interogasi data EHR yang berpusat pada pengguna yang bertujuan untuk meningkatkan pengalaman pengguna.

 

SALURAN/SUMBER DATA

            Kompleksitas sumber data adalah multidimensi, termasuk representasi semantik heterogen [46,70,71], integritas data buram, ekspresi waktu yang kompleks [98,100], dan pengetahuan terfragmentasi dari konstruksi data logis [17,27.114]. Saluran memungkinkan pengguna untuk menavigasi data dengan kerumitan dengan menyediakan mekanisme abstrak kepada pengguna untuk berinteraksi dengan sumber data selama formulasi kueri atau eksekusi permintaan.

5.1. Formulasi permintaan

Komponen formulasi kueri memfasilitasi interaksi berulang antara pengguna dan sumber untuk merumuskan kueri dalam bahasa pengguna. Hripcsak et al. menyelidiki dua saluran pengambilan data EHR, AccessMed dan Query by Review, dan menemukan tidak ada yang mencapai kinerja yang memadai, menunjukkan kesulitan formulasi permintaan untuk data EHR [51]. Berikutnya kami meninjau alat bantu umum untuk formulasi kueri dan tantangan eksekusi terkait: yaitu, alat kueri melayani diri sendiri, templat kueri, serta perantara manusia.

 

5.1.1. Perantara manusia

Perantara manusia sering digunakan untuk merumuskan permintaan pengguna untuk memastikan kelayakan dan presisi [44,45,83,89,134]. Perantara biasanya telah menerima pelatihan formal dan memiliki pemahaman yang mendalam tentang budaya kerja dan keterampilan teknis untuk query data [1,61,95,135]. Literatur biomedis memberikan sedikit pengetahuan tentang bagaimana perantara manusia beroperasi dalam domain kaya informasi biomedis. Ilmu informasi telah banyak mempelajari perantara manusia, terutama, pustakawan dan pengembangan mereka dari teknik wawancara referensi [39,94]. Wawancara referensi mendatangkan kebutuhan pengguna diam-diam, menentukan pertanyaan yang tidak jelas, mempersempit pertanyaan yang terlalu luas, dan menyarankan dimensi lebih lanjut dari kebutuhan informasi yang mungkin tidak diungkapkan oleh pengguna tetapi secara logis terkait dengan tujuan yang dinyatakan pengguna. Ini memungkinkan proses interogasi yang terampil yang diadopsi secara luas oleh para pustakawan untuk mengonversi permintaan data yang tidak jelas dan umum yang disediakan oleh pengguna ke dalam kueri data spesifik yang diekspresikan menggunakan bahasa pengguna [39,56,65,66,68,69,87,87,94,96].

Strategi elisitasi yang digunakan dalam wawancara referensi telah dieksplorasi untuk meningkatkan negosiasi kebutuhan informasi [43,64,74,79]. Secara khusus, strategi interogasi terutama dikembangkan untuk mendapatkan tujuan pengguna di sekitar kebutuhan informasi. Ketika pengguna mengetahui tujuan wawancara referensi, mereka bersedia memberikan informasi tambahan tentang tujuan dan maksud. Dalam studi terkait, Lin et al. dianalisis perlu negosiasi dan mengekstraksi taksonomi pertanyaan klarifikasi yang sesuai dalam satu set enam kelas [102]. Taksonomi yang diterapkan dalam konteks interogasi data EHR diilustrasikan pada Tabel 3, dengan contoh pertanyaan klarifikasi. Hasil kami menyiratkan bahwa dalam konteks pengambilan data EHR interaktif, wawancara referensi dapat memberikan perantara manusia dengan alur kerja yang lebih efisien untuk mengekstraksi deskripsi yang tidak jelas tentang kebutuhan data dari pengguna.

 

5.1.2. Templat kueri

Template adalah teknik lain yang efektif untuk mengekspresikan data terstruktur berbasis standar yang membutuhkan bebas dari ambiguitas dan ketidakjelasan [77,84]. Templat kueri menyediakan struktur organisasi bagi pengguna untuk menggambarkan kebutuhan informasi mereka dalam struktur yang tidak jelas [80]. Templat telah dikembangkan untuk mengakses data klinis [47] dan literatur medis [58,72,75,80]. Kerangka Pasien, Intervensi, Kontrol / Perbandingan, dan Hasil (PICO) secara luas digunakan untuk mengeksplorasi literatur medis untuk sumber daya yang relevan [81,122]. Saat ini, tidak ada templat standar yang diterima dengan baik berdasarkan pada konsensus komunitas. Sebagai gantinya, banyak institusi medis meminta pengguna untuk melengkapi permintaan data menggunakan teks gratis.

 

5.1.3. Alat permintaan layanan mandiri

Karena perantara manusia mahal dan memakan waktu, alat bantu swalayan telah dikejar di banyak lembaga dalam beberapa tahun terakhir [41,51,73,97,101,113,123,125,127,128]. Beberapa berbasis bentuk, sementara yang lain mendukung permintaan dalam bahasa alami [42,51]. Formulasi kueri visual adalah tren terbaru dan diharapkan untuk mengurangi beban kognitif pengguna dengan menyajikan informasi secara intuitif kepada pengguna [129]. Proyek Informatics for Integrating Biology and the Bedside (i2b2) mewakili sistem pengambilan data EHR swalayan yang paling banyak diadopsi. Penjelajah termologi sistem dan pembuat kueri memungkinkan pengguna untuk mencari terminologi yang berlaku dan membangun kohort menggunakan sistem bingkai dengan kendala Boolean [52,82,88,97,113,123-1212]. Deshmukh et al. mempelajari berbagai jenis permintaan data yang dapat diselesaikan oleh aplikasi ini. Studi ini menyarankan bahwa i2b2 memfasilitasi pertanyaan identifikasi kohort yang relatif sederhana. Mereka juga mengakui bahwa sebagian besar permintaan yang mereka pelajari adalah pertanyaan "sederhana" [20]. Laporan-laporan ini menunjukkan bahwa sebagian besar alat swalayan untuk data EHR mendukung ruang lingkup spesifikasi data yang terbatas. Selain itu, alat-alat ini menempatkan beban untuk mengidentifikasi istilah yang benar terkait dengan konsep medis tertentu pada pengguna. Banyak permintaan data yang kompleks tidak hanya membutuhkan kendala sederhana, mis. ‘‘ Semua pasien yang didiagnosis dengan diabetes antara Mei dan Juli 2012 ", tetapi hubungan yang kompleks antara elemen data, mis. ‘‘ Semua pasien dengan diagnosis diabetes tercatat pertama mereka antara Mei dan Juli 2012, dan semua tes glukosa lab setelah diagnosis dan sebelum dimulainya pengobatan. " Untuk kueri temporal yang kompleks ini, alat kueri temporal dapat digunakan untuk memvisualisasikan data mentah atau konsep selama timeline temporal absolut dan relatif [93.101.130–133]. Meskipun eksperimental, alat ini menawarkan solusi untuk masalah kompleks spesifikasi temporal dan visualisasi data EHR. Sementara itu, pemrosesan dan transformasi data EHR yang signifikan diperlukan agar sistem ini bekerja dengan baik.

 

5.2. Eksekusi query

Komponen eksekusi kueri berfokus pada konversi kueri pengguna menjadi kueri basis data yang dapat dieksekusi dengan memetakan konsep medis yang ditentukan oleh pengguna ke elemen data EHR yang mendefinisikan konsep itu. Konsorsium Rekam Medis dan Genomik Elektronik (eMERGE) [117] telah mempelajari masalah konsep fenotip penyakit melalui elemen data yang dapat dihitung dalam EHR. Konsorsium EMERGE telah menunjukkan bahwa masing-masing jenis penyakit mengandung heterogenitas yang signifikan, unsur-unsur yang mendasari mewakili logika Boolean yang bersarang, temporalitas kompleks dan kode ICD-9 yang ada di mana-mana [117,136]. Pada 2013, kelompok ini telah memvaliasikan 13 fenotipe [62]. Meskipun sifat temporal dari data EHR hanya dipertimbangkan dalam beberapa fenotipe eMERGE, abstraksi temporal adalah teknik penting untuk fenotipe EHR. Post et al. telah menetapkan metode PROTEMP, yang memungkinkan untuk abstraksi peristiwa data temporal [99]. Selain itu, kerangka kerja Haram tentang abstraksi temporal telah menggambarkan metode yang menjanjikan untuk secara formal mewakili pola temporal [76.137.138].

 

DISKUSI

Pengambilan data EHR interaktif melibatkan interaksi yang kompleks antara pengguna, sumber, dan saluran. Industri perawatan kesehatan telah banyak berinvestasi dalam infrastruktur untuk integrasi data. Untuk memaksimalkan pengembalian investasi dan menggunakan sumber daya ini untuk memajukan pengobatan, kita perlu membuat data tersebut dapat diakses oleh peneliti biomedis untuk berbagai kebutuhan komputasi.

Alat permintaan layanan mandiri belum sepenuhnya memenuhi kebutuhan pengguna dan karenanya membuat perantara manusia sangat diperlukan dalam banyak lembaga. Perantara ini menggunakan proses negosiasi kebutuhan dengan pengguna. Hambatan yang dihadapi proses ini termasuk kurangnya pengetahuan medis dan teknis oleh perantara dan pengguna, masing-masing. Menjembatani kesenjangan pengetahuan ini untuk perantara dan pengguna dapat menimbulkan komunikasi yang efisien. Selain itu, seorang pengguna sering menyajikan pemahaman dan deskripsi yang samar tentang kebutuhan informasi mereka. Perantara dapat mengambil manfaat dari struktur standar melalui mana permintaan dapat diatur, yang dapat mengurangi ambiguitas permintaan dan memungkinkan perantara untuk fokus pada tugas-tugas lain, mis. Eksekusi permintaan.

Relatif sedikit yang diketahui tentang gaya kognitif peneliti biomedis dan strategi pencarian informasi. Tabel 4 mencantumkan kesenjangan pengetahuan utama dan rekomendasi potensial untuk menjembatani kesenjangan tersebut. Studi eksplorasi tambahan diperlukan untuk menjembatani kesenjangan pengetahuan tentang bagaimana peneliti biomedis memadukan data EHR dan apa hambatannya. Kami dapat menginvestasikan lebih banyak upaya pada pencarian informasi interaktif yang menambah tidak hanya sumber tetapi juga pengguna.

Model pencarian informasi menjelaskan hasil sub-optimal yang dihasilkan dari metode saat ini yang digunakan untuk interogasi data EHR. Granularitas data yang dicari oleh para peneliti biomedis menambah kompleksitas pada model pencarian informasi yang ada. Pemahaman tambahan tentang akses data EHR yang berorientasi pada proses oleh peneliti biomedis diperlukan. Untuk tujuan ini, kami mengekstraksi dari literatur tiga konsep yang menjanjikan untuk membantu dalam pembangunan model interogasi data EHR berorientasi proses yang ideal.

Pertama, ilmu informasi dan informatika biomedis telah menetapkan peran penting yang dimainkan semantik dalam pencarian informasi yang optimal. Sebagai contoh, kerangka kerja PICO adalah bantuan pengguna yang sangat baik, yang membantu mengatur dan mengungkapkan kebutuhan informasi dokter. Dalam konteks interogasi data EHR, kerangka kerja PICO berpotensi menjadi titik awal yang baik untuk mendukung ekspresi kebutuhan data EHR peneliti biomedis.

Kedua, kompleksitas informasi perlu membentuk taktik pencarian informasi. Metrik untuk penilaian kompleksitas kebutuhan informasi dapat mengoptimalkan alokasi sumber daya sekaligus menyelesaikan kebutuhan informasi pengguna. Misalnya, permintaan data yang kompleks akan diarahkan ke informatika, sedangkan permintaan sederhana akan difasilitasi melalui alat permintaan layanan mandiri yang ada. Metode terstandardisasi untuk data EHR perlu penilaian kompleksitas lebih lanjut dapat memungkinkan optimasi sumber daya global.

Ketiga, wawancara referensi mapan telah secara efektif membantu pustakawan untuk mengklarifikasi kebutuhan pengguna. Para informatika memberikan peran yang sama dengan pustakawan tetapi tidak memiliki pedoman tentang bagaimana melakukan wawancara referensi untuk data EHR. Pengalaman adalah satu-satunya cara bagi informan untuk mendapatkan wawasan dan keahlian untuk tugas ini. Untuk meningkatkan efisiensi dan keefektifan data EHR perlu dinegosiasikan, wawancara referensi berbasis EHR, yang dilakukan oleh seorang informatis, dapat membantu proses formulasi kueri dalam menerjemahkan permintaan data EHR yang tidak jelas ke dalam permintaan data spesifik. Dibutuhkan lebih banyak studi di bidang ini untuk memungkinkan wawancara referensi untuk data EHR.

Studi kami memiliki dua batasan utama. Pertama, kami mengembangkan kriteria pencarian berdasarkan topik yang telah dipilih sebelumnya. Metode ini mungkin bias terhadap topik yang dipilih sendiri dan meninggalkan topik yang relevan dengan ulasan ini tetapi tidak dapat ditelusuri oleh kueri yang berasal dari topik yang dipilih sebelumnya. Namun demikian, kami menggunakan metode yang mapan untuk mengidentifikasi kumpulan topik yang terfokus dan percaya bahwa tinjauan ini mewakili apa yang tersedia dalam literatur. Kedua, fokus kami pada empat tahun terakhir literatur mungkin telah mengecualikan artikel mani di lapangan dari masa lalu; Namun, kami yakin pencarian kutipan kami yang ekslusif seharusnya dapat mengurangi masalah ini.

 

KESIMPULAN

            Tinjauan ini mensurvei pertimbangan metodologis untuk interogasi data EHR interaktif. Kami telah mengidentifikasi kesenjangan pengetahuan dan peluang penelitian untuk memajukan interaksi data EHR. Hasil kami menunjukkan bahwa dukungan untuk wawancara referensi untuk data EHR adalah arah yang menjanjikan untuk meningkatkan otonomi pengguna untuk peneliti biomedis selama interogasi data EHR. Diperlukan lebih banyak pemahaman pengguna untuk memungkinkan dukungan semacam itu hemat biaya. Kami menyarankan bahwa penelitian translasi lintas disiplin antara informatika biomedis dan sains informasi diperlukan untuk menerapkan teori dan teknik dari sains informasi untuk memfasilitasi interogasi data pengguna akhir yang efisien dalam ilmu kehidupan.