Avidentifierade elektroniska patientjournaler (EHR)-datauppsättningar för AI- och ML-projekt
Kommersiellt licensierade, HIPAA-kompatibla elektroniska patientjournaldata – redo för klinisk AI, NLP och prediktiv modellering.
Vad är elektroniska patientjournaler och varför är det viktigt för AI?
Elektroniska patientjournaler (EHR) är longitudinella, digitala patientjournaler som upprätthålls av vårdgivare över hela vårdkedjan – sjukhus, öppenvårdsmottagningar, specialistmottagningar och laboratorier. Till skillnad från elektroniska patientjournaler (EMR), som är ögonblicksbilder från en enda vårdgivare, omfattar EHR-data hela patientens resa och fångar interaktioner mellan flera vårdmiljöer.
Shaips katalog över avidentifierade elektroniska patientjournaler täcker båda – vilket ger ditt team en enda, regelefterlevnadsklar källa för hela spektrumet av AI-utveckling inom hälso- och sjukvård.
EHR-datamängder innehåller två kritiska datatyper för AI-utveckling: strukturerad data (demografi, ICD-10-diagnoskoder, DRG-koder, medicinlistor, laboratorievärden, vitala tecken) och ostrukturerad data (kliniska anteckningar, utskrivningssammanfattningar, röntgenrapporter, läkares diktering). Cirka 80 % av EHR-informationen är ostrukturerad, vilket gör den till det primära bränslet för klinisk NLP-modellträning.
Hitta rätt EHR-data (Electronic Health Records) för din AI för din sjukvård
Förbättra era maskininlärningsmodeller med klassledande träningsdata. Shaip erbjuder kommersiellt tillgängliga, avidentifierade elektroniska patientjournaler (EHR) som är specifikt utformade för AI- och maskininlärningsteam. Vår färdiga EHR-datakatalog tillhandahåller strukturerade, forskningsklara patientjournaler över över 20 medicinska specialiteter – som täcker diagnoser, recept, laboratorieresultat, radiologirapporter, vaccinationshistorik och kliniska anteckningar – allt helt avidentifierat enligt HIPAA Safe Harbor- och GDPR-standarder.
Oavsett om du bygger kliniska beslutsstödssystem, tränar NLP-modeller på läkarjournaler, utvecklar algoritmer för sjukdomsförutsägelse eller driver verktyg för automatisering av hälso- och sjukvård, ger Shaips EHR-dataset dig det djup, den mångfald och den efterlevnadssäkring som ditt AI-projekt kräver. Tillgängliga för omedelbar licensiering, anpassat kohortval eller nedladdning av exempel.
Off-the-shelf Electronic Health Records (EHR):
- 5.1M + registrerar och läkarens ljudfiler i 31 specialiteter
- Verkliga journaler med guldstandard för att träna Clinical NLP och andra Document AI-modeller
- Metadatainformation som MRN (Anonymiserad), Antagningsdatum, Utskrivningsdatum, Vistelsedagars längd, Kön, Patientklass, Betalare, Finansiell Klass, Stat, Utskrivningsdisposition, Ålder, DRG, DRG Beskrivning, $-ersättning, AMLOS, GMLOS, Risk för dödlighet, sjukdomens svårighetsgrad, Grouper, sjukhusets postnummer, etc.
- Medicinska journaler från olika delstater och regioner i USA - North East (46%), South (9%), Mellanvästern (3%), West (28%), Övriga (14%)
- Medicinska journaler som tillhör alla patientklasser som omfattas - slutenvård, öppenvård (klinisk, rehab, återkommande, kirurgisk dagvård), akut.
- Medicinska journaler tillhörande alla patientåldersgrupper <10 år (7.9%), 11-20 år (5.7%), 21-30 år (10.9%), 31-40 år (11.7%), 41-50 år (10.4% ), 51-60 år (13.8%), 61-70 år (16.1%), 71-80 år (13.3%), 81-90 år (7.8%), 90+ år (2.4%)
- Patienternas könsförhållande på 46 % (man) och 54 % (kvinna)
- PII-redigerade dokument som följer Safe Harbor-riktlinjerna i enlighet med HIPAA
| Plats | Textdokument |
|---|---|
| Nordost | 4,473,573 |
| Söder | 1,801,716 |
| Mellanväst | 781,701 |
| väster | 1,509,109 |
| Huvuddiagnoskategori | Textdokument |
|---|---|
| Användning av alkohol / droger och organiska psykiska störningar orsakade av alkohol / droger | 48,717 |
| Totalt inklusive allt (ärenden med och utan MDC-kategori) | 8,566,687 |
| Fall utan ersättning genereras (MDC anges inte) | 790,697 |
| Öppenvårdsfall (MDC ej specificerat) | 1,980,606 |
| Fodral som använder en specialgrupp som 3M (MDC ej specificerad) | 1,619,682 |
| Totalt med MDC | 4,175,702 |
| Alkohol/droganvändning eller inducerade psykiska störningar | 48,717 |
| Burns | 444 |
| Ögat | 3,549 |
| Manligt reproduktionssystem | 9,230 |
| Infektioner av humant immunbristvirus | 12,422 |
| Myeloproliferativa sjukdomar och störningar, dåligt differentierade tumörer | 15,620 |
| Faktorer som påverkar hälsostatus och andra kontakter med hälsovårdstjänster | 21,294 |
| Fortplantningssystem för kvinnor | 17,010 |
| Öra, näsa, mun och hals | 22,987 |
| Flera betydande traumer | 27,902 |
| Cirkulationssystemet | 589,730 |
| Blod, blodbildande organ och immunologiska sjukdomar | 48,990 |
| Skador, förgiftningar och toxiska effekter av droger | 64,097 |
| Hud, subkutan vävnad och bröst | 89,577 |
| Lever och gallvägar | 127,172 |
| Endokrina, näringsmässiga och metabola sjukdomar och störningar | 142,808 |
| Nyfödda och andra nyfödda med tillstånd som härrör från den perinatala perioden | 163,605 |
| Graviditet, förlossning och Puerperium | 165,303 |
| Njurar och urinvägar | 209,561 |
| Psykiska sjukdomar och störningar | 282,501 |
| Nervsystem | 316,243 |
| Matsmältningssystemet | 346,369 |
| Muskuloskeletala systemet och bindväv | 329,344 |
| ANDNINGSVÄGAR | 561,983 |
| Smittsamma och parasitära sjukdomar | 559,244 |
Vi hanterar alla typer av datalicenser, dvs. text, ljud, video eller bild. Datauppsättningarna består av medicinska datauppsättningar för ML: Läkardikteringsdatauppsättning, läkares kliniska anteckningar, medicinska konversationsdatauppsättningar, medicinska transkriptionsdatauppsättningar, läkare-patientsamtal, medicinska textdata, medicinska bilder – CT-skanning, MRI, ultraljud (insamlade grund anpassade krav) .
Verkliga tillämpningar av EHR-datauppsättningar inom AI/ML
- Sjukdomsprediktion och diagnosTräna AI-modeller för att förutsäga sjukdomar som diabetes, cancer och hjärt-kärlsjukdomar.
- Kliniskt beslutsstödTräna modeller för att identifiera diagnosrekommendationer, flagga läkemedelsinteraktioner och assistera vid behandlingsplanering med hjälp av strukturerad elektronisk patientjournal.
- Personlig medicinAnvänd demografiska data och diagnosdata för att rekommendera personliga behandlingsplaner.
- Hälso- och sjukvårdsautomationAutomatisera administrativa uppgifter som mötesbokning eller fakturering med NLP-drivna verktyg som är tränade på elektroniska patientjournaler.
- Prediktiv hälsovårdsmodellering — Bygga riskstratifierings- och sjukdomsförutsägelsemodeller med hjälp av longitudinella patientjournaler, DRG-koder och sjukdomssvårighetsgradspoäng.
- Studier av verkliga bevis (RWE) — Generera bevis efter marknadsföring och insikter om läkemedelsövervakning genom att analysera EHR-utfallsdata från olika patientkohorter.
- NLP för kliniska anteckningar — Extrahera enheter, tillstånd och procedurer från ostrukturerade läkaranteckningar och utskrivningssammanfattningar med hjälp av kommenterade elektroniska patientjournaler (EHR) utbildningsdata.
Varför välja Shaip för EHR-datauppsättningar?
Expert arbetskraft
Skickliga yrkesmän säkerställer noggrann och högkvalitativ dataannotering.
Regelefterlevnad
Helt avidentifierade datamängder som följer HIPAA och GDPR.
konkurrenskraftig prissättning
Kostnadseffektiva lösningar levererade utan att kompromissa med kvaliteten.
Biasfri data
Strikta protokoll eliminerar partiskhet och säkerställer tillförlitliga AI-resultat.
Snabb och exakt
Strömlinjeformade processer säkerställer snabb leverans av mångsidig, högkvalitativ data.
Tillgänglighet & leverans
Hög nätverksupptid och leverans i tid av data, tjänster och lösningar.
Bevisad i stor skala
Betrott av Google och ledande AI-företag inom hälso- och sjukvård. Kvalitetskontrollerad genom 6 Sigma Black Belt-processer och medicinsk expertgranskning.
Kommersiellt redo
Shaips färdiga EHR-katalog är licensierad, avidentifierad och redo att laddas ner eller nås via Databricks Marketplace idag.
Fullständig livscykelstöd
Behöver du annoteringar ovanpå rådata? Shaip tillhandahåller avidentifiering, klinisk NER-märkning och datautökning från en enda partner.
Hittar du inte det du letar efter?
Nya medicinska datauppsättningar från hyllan samlas in för alla datatyper
Kontakta oss nu för att släppa dina bekymmer för insamling av data för hälsoträning
Vanliga frågor (FAQ)
1. Vad används EHR-datauppsättningar till inom AI?
EHR-datamängder används för att träna AI-modeller för sjukdomsförutsägelse, kliniskt beslutsfattande och personliga behandlingar.
2. Hur används elektroniska patientjournaler (EPR) i AI/ML-projekt?
EHR-data används för att träna AI-modeller för kliniskt beslutsstöd, sjukdomsförutsägelse, personlig behandlingsplanering och automatisering av hälso- och sjukvården.
3. Avidentifieras EHR-data?
Ja, all EHR-data avidentifieras för att ta bort personligt identifierbar information (PII) och följa integritetsreglerna.
4. Vilka är de viktigaste komponenterna i elektroniska patientjournaler?
EHR-data innehåller detaljer som patientdemografi, sjukdomshistoria, diagnoser, behandlingsplaner, laboratorietestresultat, röntgenbilder (t.ex. datortomografi, magnetkameraundersökning, röntgen), recept och vaccinationsjournaler.
5. Överensstämmer uppgifterna med HIPAA och andra bestämmelser?
Ja, informationen följer HIPAA, GDPR och andra globala integritetsstandarder för att säkerställa säker och etisk användning.
6. Kan EHR-datauppsättningar anpassas?
Ja, datamängder kan skräddarsys baserat på specifika medicinska specialiteter, regioner, patientdemografi eller projektkrav.
7. Kan data integreras i mina AI-modeller?
Ja, datamängderna tillhandahålls i standardformat (t.ex. JSON, CSV) för enkel integration i AI- och ML-arbetsflöden.
8. Hur säkerställs datakvaliteten?
Data genomgår rigorösa validerings- och kvalitetskontroller för att säkerställa noggrannhet, konsekvens och tillförlitlighet.
9. Vad kostar EHR-dataset?
Kostnaderna beror på faktorer som datavolym, anpassning och projektets omfattning. Vi ber dig att fylla i formuläret "Kontakta oss" med dina önskemål för att få den bästa offerten.
10. Vilka är leveranstiderna för elektroniska patientjournaler?
Leveranstider varierar beroende på projektets storlek och komplexitet men är utformade för att uppfylla överenskomna deadlines.
11. Hur kan EHR-datauppsättningar förbättra AI-lösningar inom hälso- och sjukvården?
EHR-datauppsättningar gör det möjligt för AI-system att ge bättre diagnostik, prediktiva insikter och personlig behandling, vilket förbättrar patientresultat och vårdeffektivitet.
12. Kan jag få anpassade EHR-datauppsättningar?
Ja, Shaip erbjuder skräddarsydda EHR-datauppsättningar baserade på specialitet, åldersgrupp, geografi eller projektkrav.
13. Vad är skillnaden mellan en elektronisk patientjournal och en elektronisk patientjournal?
Elektroniska patientjournaler (EMR) innehåller kliniska data från en enda vårdgivare; elektroniska patientjournaler (EHR) spänner över hela vårdprocessen över flera vårdgivare, miljöer och tidsperioder. Shaip tillhandahåller både EHR- och EMR-datasetvarianter, med longitudinella journaler från flera vårdgivare tillgängliga för komplexa AI-utbildningskrav.
14. Hur avidentifieras EHR-uppgifter?
Alla register avidentifieras med hjälp av HIPAA:s Safe Harbor-metod – där alla 18 PHI-identifierare, inklusive namn, födelsedatum, adress och journalnummer, tas bort. Det anonymiserade MRN-fältet behålls för registerkoppling inom datasetet, vilket möjliggör longitudinell analys utan risk för återidentifiering.
