• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

相似文献

1
Predicting changes in systolic blood pressure using longitudinal patient records.利用患者纵向记录预测收缩压变化。
J Biomed Inform. 2015 Dec;58 Suppl(Suppl):S197-S202. doi: 10.1016/j.jbi.2015.06.024. Epub 2015 Jul 22.
2
On using maximum a posteriori probability based on a Bayesian model for oscillometric blood pressure estimation.基于贝叶斯模型的最大后验概率在示波法血压估计中的应用。
Sensors (Basel). 2013 Oct 10;13(10):13609-23. doi: 10.3390/s131013609.
3
Predicting hemodialysis mortality utilizing blood pressure trends.利用血压趋势预测血液透析死亡率。
AMIA Annu Symp Proc. 2008 Nov 6;2008:369-73.
4
Prediction of myopia development among Chinese school-aged children using refraction data from electronic medical records: A retrospective, multicentre machine learning study.基于电子病历中的屈光数据预测中国学龄儿童近视进展：一项回顾性、多中心机器学习研究。
PLoS Med. 2018 Nov 6;15(11):e1002674. doi: 10.1371/journal.pmed.1002674. eCollection 2018 Nov.
5
A systematic comparison of feature space effects on disease classifier performance for phenotype identification of five diseases.针对五种疾病的表型识别，对特征空间对疾病分类器性能的影响进行系统比较。
J Biomed Inform. 2015 Dec;58 Suppl(Suppl):S92-S102. doi: 10.1016/j.jbi.2015.07.016. Epub 2015 Aug 1.
6
Temporal pattern mining for multivariate clinical decision support.用于多变量临床决策支持的时间模式挖掘。
Stud Health Technol Inform. 2013;192:1228.
7
Pulse wave velocity and digital volume pulse as indirect estimators of blood pressure: pilot study on healthy volunteers.脉搏波速度和指端容积脉搏作为血压的间接估计指标：对健康志愿者的初步研究
Cardiovasc Eng. 2009 Sep;9(3):104-12. doi: 10.1007/s10558-009-9080-5. Epub 2009 Aug 6.
8
NLP based congestive heart failure case finding: A prospective analysis on statewide electronic medical records.基于自然语言处理的充血性心力衰竭病例发现：对全州电子病历的前瞻性分析。
Int J Med Inform. 2015 Dec;84(12):1039-47. doi: 10.1016/j.ijmedinf.2015.06.007. Epub 2015 Jul 2.
9
Impedance cardiography for cuffless and non-invasive measurement of systolic blood pressure.
Annu Int Conf IEEE Eng Med Biol Soc. 2009;2009:800-2. doi: 10.1109/IEMBS.2009.5333521.
10
Using a Text-Mining Approach to Evaluate the Quality of Nursing Records.运用文本挖掘方法评估护理记录质量。
Stud Health Technol Inform. 2016;225:813-4.

引用本文的文献

1
Predicting cardiovascular health trajectories in time-series electronic health records with LSTM models.基于 LSTM 模型的时间序列电子健康记录中的心血管健康轨迹预测。
BMC Med Inform Decis Mak. 2021 Jan 6;21(1):5. doi: 10.1186/s12911-020-01345-1.
2
Quantile regression analysis of modifiable and non-modifiable drivers' of blood pressure among urban and rural women in Ghana.加纳城乡女性血压的可改变和不可改变驱动因素的分位数回归分析。
Sci Rep. 2018 Jun 4;8(1):8515. doi: 10.1038/s41598-018-26991-4.
3
Automatic prediction of coronary artery disease from clinical narratives.从临床记录中自动预测冠状动脉疾病。
J Biomed Inform. 2017 Aug;72:23-32. doi: 10.1016/j.jbi.2017.06.019. Epub 2017 Jun 27.
4
Practical applications for natural language processing in clinical research: The 2014 i2b2/UTHealth shared tasks.自然语言处理在临床研究中的实际应用：2014年i2b2/德克萨斯大学健康科学中心共享任务
J Biomed Inform. 2015 Dec;58 Suppl(Suppl):S1-S5. doi: 10.1016/j.jbi.2015.10.007. Epub 2015 Oct 24.
5
Creation of a new longitudinal corpus of clinical narratives.创建一个新的临床叙事纵向语料库。
J Biomed Inform. 2015 Dec;58 Suppl(Suppl):S6-S10. doi: 10.1016/j.jbi.2015.09.018. Epub 2015 Oct 1.

本文引用的文献

1
Automatic prediction of rheumatoid arthritis disease activity from the electronic medical records.从电子病历中自动预测类风湿关节炎的疾病活动度。
PLoS One. 2013 Aug 16;8(8):e69932. doi: 10.1371/journal.pone.0069932. eCollection 2013.
2
Prediction of blood pressure changes over time and incidence of hypertension by a genetic risk score in Swedes.基于遗传风险评分预测瑞典人群血压随时间的变化及高血压的发生率。
Hypertension. 2013 Feb;61(2):319-26. doi: 10.1161/HYPERTENSIONAHA.112.202655. Epub 2012 Dec 10.
3
Perinatal risk-indicators for long-term respiratory morbidity among preterm or very low birth weight neonates.围产期风险指标与早产儿或极低出生体重儿的长期呼吸系统发病率相关。
Eur J Obstet Gynecol Reprod Biol. 2012 Aug;163(2):134-41. doi: 10.1016/j.ejogrb.2012.04.015. Epub 2012 May 11.
4
Mayo clinical Text Analysis and Knowledge Extraction System (cTAKES): architecture, component evaluation and applications.梅奥临床文本分析和知识提取系统（cTAKES）：架构、组件评估和应用。
J Am Med Inform Assoc. 2010 Sep-Oct;17(5):507-13. doi: 10.1136/jamia.2009.001560.
5
Prediction of chronic obstructive pulmonary disease (COPD) in asthma patients using electronic medical records.利用电子病历预测哮喘患者的慢性阻塞性肺疾病（COPD）
J Am Med Inform Assoc. 2009 May-Jun;16(3):371-9. doi: 10.1197/jamia.M2846. Epub 2009 Mar 4.
6
Morbidity and mortality of gastrectomy for cancer in Department of Veterans Affairs Medical Centers.退伍军人事务部医疗中心癌症胃切除术的发病率和死亡率
Surgery. 2002 May;131(5):484-90. doi: 10.1067/msy.2002.123806.
7
The Unified Medical Language System.统一医学语言系统
Methods Inf Med. 1993 Aug;32(4):281-91. doi: 10.1055/s-0038-1634945.
8
Factors in predicting blood pressure change.
Circulation. 1982 Apr;65(4):789-94. doi: 10.1161/01.cir.65.4.789.

利用患者纵向记录预测收缩压变化。

Predicting changes in systolic blood pressure using longitudinal patient records.

作者信息

Solomon John Wes, Nielsen Rodney D

机构信息

University of North Texas, Denton, TX, United States.

出版信息

J Biomed Inform. 2015 Dec;58 Suppl(Suppl):S197-S202. doi: 10.1016/j.jbi.2015.06.024. Epub 2015 Jul 22.

DOI:10.1016/j.jbi.2015.06.024
PMID:26210360
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC4990201/
Abstract

OBJECTIVE

This paper introduces a model that predicts future changes in systolic blood pressure (SBP) based on structured and unstructured (text-based) information from longitudinal clinical records.

METHOD

For each patient, the clinical records are sorted in chronological order and SBP measurements are extracted from them. The model predicts future changes in SBP based on the preceding clinical notes. This is accomplished using least median squares regression on salient features found using a feature selection algorithm.

RESULTS

Using the prediction model, a correlation coefficient of 0.47 is achieved on unseen test data (p<.0001). This is in contrast to a baseline correlation coefficient of 0.39.

摘要

目的

本文介绍了一种基于纵向临床记录中的结构化和非结构化（基于文本）信息来预测收缩压（SBP）未来变化的模型。

方法

对于每位患者，将临床记录按时间顺序排序，并从中提取SBP测量值。该模型基于先前的临床记录来预测SBP的未来变化。这是通过对使用特征选择算法找到的显著特征进行最小中位数平方回归来实现的。

结果

使用该预测模型，在未见过的测试数据上实现了0.47的相关系数（p<0.0001）。这与0.39的基线相关系数形成对比。