几十年来，电子病历（EMR）一直被吹捧为优秀患者护理、研究和合作的黄金门票，但支持电子病历的系统却未能兑现这一承诺。问题不在于系统本身，而在于驻留在系统中的数据质量，这是系统自身的一系列问题。尤其是手动输入时，摄入量可能有问题。
这可能并且通常会导致不正确的数据——无论是打字错误、信息遗漏还是重复输入的结果。在医疗领域，由于医院、临床护理和临床研究机构使用复杂多样的术语，将导致这一情况更加严重。当不完美或者肮脏的数据被固定在数据孤岛当中将变得更加没有用处。当数据脏污而且不与系统相连离线时，将没有任何价值。
为了解决这些医疗数据问题并挖掘数据的真正意义，组织必须关注数据质量和协调。只有这样才能克服肮脏数据带来的障碍。感知软件可以帮助将断开连接的数据转换为协调、集成和深入搜索的数据。
如何清理它以解锁药物发现、合作、研究、个性化医疗等。
数据大脑
从孤立的医疗数据到可操作的信息
现实世界的临床和医疗保健的研究数据虽然非常复杂和多样化但是非常有价值。临床和生命科学研究数据可以使用不同的术语，导致即使是最严格的临床实践也会生成脏数据。用提高数据质量的工具可以帮助优化该数据。寻找利用主参考数据源、参考本体和机器推理来准确识别和建立通用术语、单位和格式的解决方案。
智能、敏锐的数据质量分析、验证、重复数据消除和扩充工具应用人工智能 （AI）、机器推理和高级语义策略，来发现复杂、不断变化的数据中的连接。这些工具可以通过API或基于服务器的工作流程来释放隐藏在复杂、不断变化的临床数据中的真正价值。从而将以前被低估的数据被转换为研究和应用质量数据集。
通过应用本体论，组织可以定义应用机器推理和模式识别所需的语义概念和关系。综合数据使模式识别和兴趣的探索成为可能；这有助于进一步的数据整理或高级决策支持方法。
不再有脏数据：从干净到丰富，再到符合 FAIR 标准
数据质量和机器推理可用于检查和验证药物名称，并通过推断链接查找替代名称和变体。在输入期间自动完成和验证药物数据可节省时间，减少数据输入错误并避免混淆。验证还通过根据药典验证药物名称，变体和拼写来改进药理学和医疗保健信息学。
药物数据应包含有关药物或药物列表的其他信息，例如剂量、途径、疾病适应症等。数据存储库可以定期通过新药信息，发布的警告，最近的发现，DDI（药物 - 药物相互作用）和ADE（药物不良反应）来增强。
数据世界
全面和综合的参考数据，以及药物、疾病、蛋白质和基因的术语和本体，也应该是EMR的当务之急。它们允许组织有效地将数据规范化为首选术语，将数据映射到有用的研究本体，并将其与来自FDA，NDC，UMLS等团体和标准的附加信息相连接。
如果授权共享或协作临床和已发布的研究数据，则有必要与协作和互操作性标准保持一致。为了满足公平的指导原则，数据必须是可查找、可访问、可互操作和可重用的，同时保持受保护的健康信息的法规遵从性、合同和业务遵从性、安全性和机密性。通过满足公平准则以及数据发布和共享所需的所有标准合规性，您可以更轻松有效地发布和共享（或围绕数据进行协作）。
实现 EMR 的承诺
干净、集成的临床数据环境使医院和诊所能够以较低的成本改善护理，与领先的研究社区共享数据，并通过数据代理协作和更高效的临床试验实现可观的收入。
有了可靠的数据，医学和研究专业人员就有了实现EMR目标所需的一切。医生和医院可以通过全面的“360度视角”对患者进行更智能、更经济的治疗。临床医生或临床研究人员可以在先前连接的数据资源中搜索有意义的“链接”信息。临床、行政和科学用户可以轻松地询问诊所内所有允许数据中的几乎任何问题，并在几秒钟内获得结果，从而受益匪浅。临床医生在浏览不同的、不连贯的软件和打印的报告的时候，可以避免浪费宝贵的面对患者的时间。研究人员可以提出关键问题，在几秒钟而不是几个月内得到清晰的报告。
除了更快地确定和鉴定临床试验参与者外，一个干净、集成的数据资源使我们能够与生物技术和制药公司建立数据驱动的伙伴关系。生物技术和制药行业对研究质量综合临床数据的需求很高。
从数据进入系统的那一刻起，它就开始降级。唯一的解决办法是通过对数据质量和协调实践的坚定承诺。通过将重点放在保持数据干净和最新上，组织有潜力改善患者护理并支持精确医学研究，参与高报酬的药物研究伙伴关系，从临床实践数据中实现新的知识产权，以较低的成本捕获和报告研究质量的临床试验数据，通过充分利用临床数据实现新的收入。
Comments | NOTHING