The Medical Record Linkage Process within the Diogene Hospital Information System

1991 ◽  
pp. 57-61
Author(s):  
M. Berthoud ◽  
D. Gurtner ◽  
J.-R. Scherrer
Keyword(s):  
Information System ◽  
Medical Record ◽  
Record Linkage ◽  
Hospital Information System ◽  
Medical Record Linkage

scholarly journals Designing an Algorithm to Preserve Privacy for Medical Record Linkage With Error-Prone Data

2014 ◽  
Vol 2 (1) ◽  
pp. e2 ◽  
Author(s):  
Doyel Pal ◽  
Tingting Chen ◽  
Sheng Zhong ◽  
Praveen Khethavath
Keyword(s):  
Medical Record ◽  
Record Linkage ◽  
Medical Record Linkage

scholarly journals Name segmentation using hidden Markov models and its application in record linkage

2014 ◽  
Vol 30 (10) ◽  
pp. 2039-2048 ◽  
Author(s):  
Rita de Cassia Braga Gonçalves ◽  
Sergio Miranda Freire
Keyword(s):  
Information System ◽  
Hidden Markov Models ◽  
Record Linkage ◽  
Hospital Information System ◽  
Markov Models ◽  
Hidden Markov ◽  
High Complexity

This study aimed to evaluate the use of hidden Markov models (HMM) for the segmentation of person names and its influence on record linkage. A HMM was applied to the segmentation of patient’s and mother’s names in the databases of the Mortality Information System (SIM), Information Subsystem for High Complexity Procedures (APAC), and Hospital Information System (AIH). A sample of 200 patients from each database was segmented via HMM, and the results were compared to those from segmentation by the authors. The APAC-SIM and APAC-AIH databases were linked using three different segmentation strategies, one of which used HMM. Conformity of segmentation via HMM varied from 90.5% to 92.5%. The different segmentation strategies yielded similar results in the record linkage process. This study suggests that segmentation of Brazilian names via HMM is no more effective than traditional segmentation approaches in the linkage process.

Increased hospitalization rates in survivors of childhood cancer: a cohort study using medical record linkage

2013 ◽  
Vol 81 (S1) ◽  
pp. 15-16
Author(s):  
Elske Sieswerda ◽  
Marcel G.W. Dijkgraaf ◽  
Richard C. Heinen ◽  
Anna Font Gonzalez ◽  
Helena J.H. van der Pal ◽  
...  
Keyword(s):  
Cohort Study ◽  
Childhood Cancer ◽  
Medical Record ◽  
Record Linkage ◽  
Medical Record Linkage ◽  
Hospitalization Rates ◽  
Survivors Of Childhood Cancer

User's satisfaction of the electronic medical record in the hospital information system, Oran, Algeria

2017 ◽  
Vol 65 ◽  
pp. S88-S89
Author(s):  
L. Zemour ◽  
A. Belghitri ◽  
I. Damouche ◽  
K. Reguieg ◽  
N. Malti ◽  
...  
Keyword(s):  
Information System ◽  
Medical Record ◽  
Electronic Medical Record ◽  
Hospital Information System

Automatisierte Berechnung und Visualisierung von Komorbiditätsindizes für den Tumorboard-Entscheid

2020 ◽  
Vol 41 (08) ◽  
pp. 536-541
Author(s):  
Theresa Wald ◽  
Klemens Birnbaum ◽  
Susanne Wiegand ◽  
Andreas Dietz ◽  
Veit Zebralla ◽  
...  
Keyword(s):  
Information System ◽  
Record Linkage ◽  
Hospital Information System ◽  
Icd 10 ◽  
Kurative Therapie

Zusammenfassung Einleitung Komorbidität beeinflusst die für die kurative Therapie von Kopf-Hals-Karzinomen (HNC) verfügbaren Optionen. Das manuelle Zusammentragen der Nebenerkrankungen vor der Anmeldung im interdisziplinären Tumorboard (TB) ist zeitintensiv und oft unvollständig. Eine automatisierte Erfassung von nach ICD-10 kodierten Komorbiditätsdaten und deren Darstellung könnte die therapeutische Entscheidungsfindung im TB verbessern sowie bestehenden Informationsbedarf aufzeigen. Material und Methoden Die ICD-10-Codes unserer Patienten wurden aus 4 Datenbanken (hospital-information-system (HIS*-MED), der klinikinternen Tumordatenbank, OncoFlow® und OncoFunction®) extrahiert. Nach der Datensatzverknüpfung mittels der Python-Programmbibliotheken Pandas und Record Linkage wurden die ICD-10-Codes bezüglich des Charlson-Scores gewichtet und für die Implementierung in OncoFlow visualisiert. Die Kodierqualität wurde am Beispiel Diabetes an einer 1:1 gematchten Stichprobe von 240 Patienten überprüft. Ergebnisse 29 073 ICD-10-Codes von 2087 Patienten mit HNC wurden extrahiert. Die Anmeldung eines Patienten im TB triggert die sofortige automatische Erfassung und Visualisierung der Daten als Piktogramm in OncoFlow. Dies ermöglicht die schnelle Erfassung und Bewertung der Komorbidität sowie erforderlicher Diagnostik zur Komplettierung der Daten. Die klinikinterne Validationsstudie ergab eine Präzision der durch Datenimport verfügbaren Information zu Diabetes von 95,0 %. Diskussion Patienten mit HNC weisen häufig für die Therapieentscheidung relevante Nebenerkrankungen auf. Die automatisierte Erfassung der Komorbidität aus administrativen Daten und deren intuitive Darstellung ist ressourcen- und kostengünstig möglich. Voraussetzung ist eine präzise, vollständige Verschlüsselung der Krankheitsdiagnosen.

Sign in / Sign up

Export Citation Format

Share Document