SSI cases. Although the sources of

SSI cases. Although the sources of data were all electronic, the
process of screening and review was carried out manually by
trained personnel. The algorithm performed well but the processing
of data required an increased amount of manual input
compared with other ESSs reported in the literature. This system,
did, however, reduce the number of charts required for
manual review by 90.5% (NPV ¼ 100%).
Shaklee et al. evaluated the performance of administrative
data for the detection of CDI.49 ICD-9-CM coding data and
billing data for testing and treatment were compared with
positive microbiological results. ICD-9-CM codes alone
demonstrated the best performance in terms of sensitivity,
illustrating that ICD-9-CM codes for CDI were reliable and accurate
in identifying hospitalized children with CDI.
Wright et al. used information contained within the electronic
medical record to identify patients with invasive devices.
51 Although this system was not developed to monitor
HCAI, the information generated is imperative to the calculation
of rates of HCAI and patients at risk of developing devicerelated
infections. To assess the performance of the automated
system, medical records from a random sample of patients
were reviewed to determine the presence of indwelling
devices. The automated system was successful in the identification
of all three devices surveyed (Table IV), and the data
collection process required much less time than manual data
collection, resulting in an estimated reduction of 142 h/year.
Single-source electronic surveillance systems
All three methods using a single data source used Natural
Language Processing (NLP) techniques for HCAI identification.
52e54 Haas et al. compared the performance of traditional
surveillance for nosocomial pneumonia and
computerized surveillance of chest x-rays using an automated
detection system based on NLP.52 NLP converts electronic
narrative into coded descriptions appropriate for the automated
rule-based system. This method had a low PPV (7.9%)
but a very high NPV (>99%), so could be used to target the
investigation of patients with suspicious chest x-rays rather
than having to assess all patients. Penz et al. found that
spelling errors and abbreviations were a clear source of error in
NLP-based methods, and appreciated that this needed to be
addressed.53
Proux et al. recognized that tools to automate reporting are
necessary as information is spread across various databases
containing ever-evolving information, which makes data difficult
to obtain.54 The aim of their study was therefore to produce
a tool capable of detecting HCAI automatically from
patient records using NLP. A series of text-based rules were
applied to the patient discharge summary, which meant that
their method relied solely on events documented in medical
records.

ผลลัพธ์ (ไทย) 1:

กรณี SSI แม้ว่าแหล่งมาของข้อมูลได้ทางอิเล็กทรอนิกส์ทั้งหมด การกระบวนการคัดกรองและตรวจสอบได้ดำเนินการด้วยตนเองโดยบุคลากรผ่านการฝึกอบรม อัลกอริทึมที่ทำดีแต่การประมวลผลข้อมูลต้องป้อนด้วยตนเองที่เพิ่มขึ้นจำนวนเมื่อเทียบกับ ESSs อื่น ๆ รายงานในวรรณคดี ระบบนี้อย่างไรก็ตาม ไม่ได้ ลดจำนวนของแผนภูมิจำเป็นสำหรับตรวจสอบด้วยตนเอง โดย 90.5% (NPV ¼ 100%)Al. ร้อยเอ็ด Shaklee ประเมินประสิทธิภาพของผู้ดูแลข้อมูลสำหรับตรวจสอบข้อมูลรหัส CDI.49 ICD-9-ซม. และข้อมูลการเรียกเก็บเงินสำหรับการทดสอบและการรักษาถูกเปรียบเทียบกับผลบวกทางจุลชีววิทยา รหัส ICD 9 CM เพียงอย่างเดียวแสดงประสิทธิภาพสูงสุดในด้านความไวแสดงว่า รหัส ICD 9 CM CDI ได้ถูกต้อง และเชื่อถือได้ในการระบุเด็กที่พักกับ CDIข้อมูลที่อยู่ในอิเล็กทรอนิกส์ที่ใช้ไรท์เอ็ด al.เวชระเบียนระบุผู้ป่วย ด้วยอุปกรณ์การรุกราน51 ถึงแม้ว่าระบบนี้ไม่ได้ถูกพัฒนาขึ้นเพื่อตรวจสอบHCAI ข้อมูลที่เกิดขึ้นเป็นสิ่งจำเป็นเพื่อการคำนวณอัตราของผู้ป่วยที่มีความเสี่ยงของการพัฒนา devicerelated และ HCAIติดเชื้อ เพื่อประเมินประสิทธิภาพของแบบอัตโนมัติระบบ ระเบียนทางการแพทย์จากตัวอย่างที่สุ่มของผู้ป่วยมีทบทวนเพื่อกำหนดสถานะของ indwellingอุปกรณ์ ระบบอัตโนมัติไม่ประสบความสำเร็จในการระบุทั้งหมดสามอุปกรณ์สำรวจ (ตาราง IV), และข้อมูลกระบวนการเรียกเก็บที่ต้องใช้เวลามากน้อยกว่าข้อมูลด้วยตนเองรวบรวม ผลในการลดการประเมิน 142 h/ปีระบบรักษาความปลอดภัยอิเล็กทรอนิกส์แหล่งเดียวทั้งหมดสามวิธีที่ใช้แหล่งข้อมูลเดียวใช้ธรรมชาติเทคนิคการแปรรูป (NLP) ภาษารหัส HCAIal. 52e54 ทางและเปรียบเทียบประสิทธิภาพของแบบสำหรับ nosocomial โรคที่เฝ้าระวัง และรักษาความปลอดภัยคอมพิวเตอร์ของทรวงอก x-rays ใช้เป็นแบบอัตโนมัติระบบตรวจสอบโดยใช้ NLP.52 NLP แปลงอิเล็กทรอนิกส์เล่าเรื่องในคำอธิบายรหัสที่เหมาะสมสำหรับการอัตโนมัติระบบตามกฎ วิธีการนี้มี PPV ต่ำ (7.9%)แต่ NPV สูงมาก (> 99%), เพื่อ ให้สามารถใช้กับเป้าหมายการตรวจสอบผู้ป่วยที่มีหน้าอกที่สงสัย x-rays ค่อนข้างกว่าต้องประเมินผู้ป่วยทั้งหมด Penz และ al. พบว่าการสะกดผิดและคำย่อมีแหล่งชัดเจนของข้อผิดพลาดในวิธีใช้ NLP และชื่นชมที่นี้จำเป็นต้องaddressed.53Proux et al. ยอมรับว่า เป็นเครื่องมือในการทำรายงานจำเป็นเป็นกระจายข้อมูลระหว่างฐานข้อมูลต่าง ๆประกอบด้วยการตอบสนองข้อมูล ซึ่งทำให้ข้อมูลมีความยากไป obtain.54 จุดมุ่งหมายของการศึกษาได้ดังนั้นการ ผลิตเครื่องมือที่สามารถตรวจจับ HCAI โดยอัตโนมัติระเบียนผู้ป่วยโดยใช้ NLP ชุดของกฎข้อใช้กับผู้ป่วยจำหน่ายสรุป ซึ่งหมายความว่า ที่อาศัยวิธีการของพวกเขาแต่เพียงผู้เดียวในกิจกรรมที่จัดในเรกคอร์ด

ผลลัพธ์ (ไทย) 2:

SSI กรณี แม้ว่าแหล่งที่มาของข้อมูลที่เป็นอิเล็กทรอนิกส์ทุกขั้นตอนของการตรวจคัดกรองและตรวจสอบได้ดำเนินการด้วยตนเองโดยการฝึกอบรมบุคลากร ขั้นตอนวิธีการดำเนินการได้ดี แต่การประมวลผลของข้อมูลที่จำเป็นในปริมาณที่เพิ่มขึ้นของการป้อนข้อมูลด้วยตนเองเมื่อเทียบกับESSs อื่น ๆ รายงานในวรรณคดี ระบบนี้ได้แต่ลดจำนวนของชาร์ตที่จำเป็นสำหรับการตรวจสอบด้วยตนเองโดย90.5% (NPV ¼ 100%). Shaklee et al, การประเมินประสิทธิภาพของการบริหารจัดการข้อมูลในการตรวจหา CDI.49 ICD-9-CM การเข้ารหัสข้อมูลและข้อมูลการเรียกเก็บเงินสำหรับการทดสอบและการรักษาที่ถูกเมื่อเทียบกับผลบวกทางจุลชีววิทยา รหัส ICD-9-CM คนเดียวแสดงให้เห็นถึงประสิทธิภาพที่ดีที่สุดในแง่ของความไวแสดงว่ารหัสICD-9-CM สำหรับ CDI เป็นที่เชื่อถือได้และมีความแม่นยำในการระบุเด็กในโรงพยาบาลด้วยCDI. ไรท์, et al ใช้ข้อมูลที่มีอยู่ภายในอิเล็กทรอนิกส์เวชระเบียนเพื่อระบุผู้ป่วยที่มีอุปกรณ์รุกราน. 51 แม้ว่าระบบนี้ไม่ได้ถูกพัฒนาขึ้นมาเพื่อตรวจสอบHCAI ข้อมูลที่สร้างขึ้นมีความจำเป็นเพื่อการคำนวณอัตราการHCAI และผู้ป่วยที่มีความเสี่ยงของการพัฒนา devicerelated การติดเชื้อ เพื่อประเมินประสิทธิภาพการทำงานของอัตโนมัติระบบเวชระเบียนจากตัวอย่างสุ่มของผู้ป่วยที่ได้รับการตรวจสอบเพื่อตรวจสอบสถานะของการดำรงอุปกรณ์ ระบบอัตโนมัติประสบความสำเร็จในการระบุของทั้งสามอุปกรณ์สำรวจ (ตารางที่ IV) และข้อมูลที่กระบวนการเก็บรวบรวมจำเป็นต้องใช้เวลามากน้อยกว่าข้อมูลด้วยตนเองคอลเลกชันที่มีผลในการลดลงประมาณ142 ชั่วโมง / ปี. เดี่ยวที่มาระบบการเฝ้าระวังอิเล็กทรอนิกส์ทั้งหมดสามวิธีการใช้แหล่งข้อมูลเดียวที่ใช้ธรรมชาติการประมวลผลภาษา (NLP) เทคนิคสำหรับการระบุ HCAI. 52e54 ฮาสและอัล เมื่อเทียบกับประสิทธิภาพการทำงานของแบบการเฝ้าระวังโรคปอดบวมในโรงพยาบาลและการเฝ้าระวังคอมพิวเตอร์ของหน้าอกรังสีเอกซ์โดยใช้อัตโนมัติระบบการตรวจสอบขึ้นอยู่กับNLP.52 NLP แปลงอิเล็กทรอนิกส์เล่าเรื่องลงไปในรายละเอียดที่เหมาะสมสำหรับการเข้ารหัสอัตโนมัติระบบตามกฎ วิธีการนี้มี PPV ต่ำ (7.9%) แต่ NPV สูงมาก (> 99%) ดังนั้นสามารถใช้ในการกำหนดเป้าหมายการตรวจสอบของผู้ป่วยที่มีหน้าอกที่น่าสงสัยรังสีเอกซ์ที่ค่อนข้างกว่าที่มีการประเมินผู้ป่วยทั้งหมด Penz et al, พบว่าการสะกดผิดและตัวย่อที่เป็นแหล่งที่มาที่ชัดเจนของข้อผิดพลาดในวิธีNLP-based และชื่นชมว่านี้จำเป็นที่จะaddressed.53 Proux et al, ได้รับการยอมรับว่าเครื่องมือเพื่อทำให้การรายงานจะจำเป็นต้องเป็นข้อมูลที่ถูกกระจายไปทั่วฐานข้อมูลต่างๆที่มีข้อมูลตลอดการพัฒนาซึ่งจะทำให้ข้อมูลที่เป็นเรื่องยากที่จะobtain.54 จุดมุ่งหมายของการศึกษาของพวกเขาจึงจะผลิตเครื่องมือที่สามารถตรวจสอบโดยอัตโนมัติจากHCAI ระเบียนของผู้ป่วยโดยใช้ NLP . ชุดของกฎข้อความที่ถูกนำไปใช้กับผู้ป่วยสรุปปล่อยซึ่งหมายความว่าวิธีการของพวกเขาอาศัยแต่เพียงผู้เดียวเกี่ยวกับเหตุการณ์ที่บันทึกไว้ในทางการแพทย์บันทึก

ผลลัพธ์ (ไทย) 3:

เอสเอสไอ กรณี ถึงแม้ว่าแหล่งที่มาของข้อมูลทั้งหมดอิเล็กทรอนิกส์
กระบวนการคัดกรองและการทบทวนด้วยตนเองโดย
บุคลากรที่ผ่านการอบรม ขั้นตอนวิธีปฏิบัติดี แต่กระบวนการของข้อมูลที่ต้องการ

ใส่คู่มือเพิ่มขึ้นจํานวนเมื่อเทียบกับอื่น ๆ esss รายงานในวรรณคดี นี้ระบบ
ได้ แต่ลดจำนวนของแผนภูมิที่จําเป็นสําหรับ
ทบทวนคู่มือโดย 905 % มูลค่าปัจจุบันสุทธิ ( NPV ¼ 100% ) .
Shaklee et al . ประเมินประสิทธิภาพของข้อมูลการบริหาร
เพื่อตรวจหา cdi.49 icd-9-cm รหัสข้อมูลและข้อมูลการเรียกเก็บเงินสำหรับการทดสอบและการรักษา

มาเปรียบเทียบกับผลทางบวก icd-9-cm รหัสคนเดียว
แสดงประสิทธิภาพที่ดีที่สุดในแง่ของความไว ที่แสดงว่า รหัส icd-9-cm
สำหรับ CDI เป็นที่เชื่อถือได้และถูกต้อง
ในการรักษาเด็กที่มี CDI .
Wright et al . ใช้ข้อมูลที่มีอยู่ในระเบียนการแพทย์อิเล็กทรอนิกส์
ระบุผู้ป่วยที่มีอุปกรณ์รุกราน .
51 แม้ว่าระบบนี้ไม่ได้ถูกพัฒนา เพื่อติดตาม
hcai ข้อมูลที่สร้างขึ้นขวางการคำนวณ
ของอัตรา hcai และผู้ป่วยที่ความเสี่ยงของการพัฒนา devicerelated
เชื้อเพื่อประเมินประสิทธิภาพของระบบโดยอัตโนมัติ
, จากตัวอย่างสุ่มเวชระเบียนของผู้ป่วย
ทบทวนเพื่อตรวจสอบสถานะของอุปกรณ์ซึ่งคาไว้ในท่อปัสสาวะ

ระบบอัตโนมัติที่ประสบความสำเร็จในการระบุ
ของทั้งสามอุปกรณ์สำรวจ ( ตารางที่ 4 ) และกระบวนการเก็บข้อมูล
ระยะเวลาน้อยกว่าการเก็บข้อมูล
คู่มือ เป็นผลในการลดประมาณ 142 h / ปี

เดียวแหล่งอิเล็กทรอนิกส์ ระบบเฝ้าระวัง ทั้ง 3 วิธี โดยใช้แหล่งข้อมูลเดียวใช้ในการประมวลผลภาษาธรรมชาติ ( NLP )
เทคนิคการจำแนก hcai .
52e54 Haas et al . เปรียบเทียบประสิทธิภาพการเฝ้าระวังแบบดั้งเดิมสำหรับปอดอักเสบจากการติดเชื้อในโรงพยาบาล และการเฝ้าระวัง

ใช้รังสีเอกซ์ทรวงอกโดยใช้ระบบตรวจจับอัตโนมัติตาม nlp.52 NLP

แปลงอิเล็กทรอนิกส์การเล่าเรื่องในลักษณะที่เหมาะสมสำหรับรหัสอัตโนมัติ
กฎ - ตามระบบ วิธีนี้มี PPV ต่ำ ( 7.9% )
แต่ NPV สูงมาก ( > 99% ) ดังนั้นสามารถใช้เพื่อเป้าหมายการสอบสวนผู้ป่วยสงสัย

หน้าอก x-ray ค่อนข้างกว่า ต้องประเมินผู้ป่วยทั้งหมด Penz et al . พบว่า
ข้อผิดพลาดการสะกดและอักษรย่อเป็นแหล่งที่ชัดเจนของข้อผิดพลาดใน
NLP โดยวิธีและชื่นชมว่าเป็น

ถึง 53 proux et al . ได้รับการยอมรับว่าเป็นเครื่องมือโดยอัตโนมัติรายงาน
จําเป็นข้อมูลที่กระจายอยู่ทั่วฐานข้อมูลต่างๆ
ที่เคยพัฒนาข้อมูล ซึ่งทำให้ข้อมูลยาก
เพื่อ obtain.54 จุดมุ่งหมายของการศึกษาของพวกเขาจึงผลิตเครื่องมือที่สามารถตรวจสอบ hcai

โดยอัตโนมัติจากผู้ป่วยระเบียนโดยใช้ NLPชุดของข้อความที่ใช้กฏ
จำหน่ายผู้ป่วยสรุปซึ่งหมายความว่า
วิธีของพวกเขาอาศัยเพียงเหตุการณ์ที่บันทึกไว้ในเวชระเบียน