پرونده های سلامت الکترونیک و کاوش داده ها :
انتخاب درمانهای بالینی نمونه در عمل :

خلاصه :
EHRS (پرونده های سلامت الکترونیک) فقط یک مرحله ابتدائی در دستیابی و کاربرد داده های مربوط به سلامت هستند (این مشکل باعث می شود داده ها به اطلاعاتی مفید تبدیل شوند ). مدلهای تولید شده به واسطه کاوش داده ها و نمودار تحلیل پیشگویانه توأم با خطرات و فاکتورهای رفتاری یا محیطی با اختلالات بیمار بود که می تواند برای پیش بینی های مربوط به نتایج درمان ، بکار بروند. این می تواند ستون فقرات سیستمهای حامی تصمیم بالینی را شکل بدهد که داده های زنده بر اساس جمعیت عملی ، اداره می کند. مزیت چنین راهکاری بر اساس جمعیت عملی ، این است که (( تطبیقی )) است.
اینجا ظرفیت پیش گوئی EHR بالینی فراهم کننده مراقبت بهداشتی روانی فراوان (75000 مشتری در سال) را ارزیابی می کنیم تا اطلاعات پشتیبان تصمیم گیری در برنامه بالینی جهان واقعی فراهم شود.
پژوهش مقدماتی در پیش بینی نتایج درمان با استفاده از این روشها ، 70% موفقیت داشته است.
 
1- مقدمه :
سالهای اخیر شاهد افزایش EHRS در زمینه مراقبت بهداشت روانی و به طور کلی ، صنعت مراقبت بهداشت بوده است. اکنون تلاش می شود که داده های گرد آمده در EHRS به اطلاعاتی مفید ، تبدیل شوند. یک EHRS فقط اولین مرحله است، داده ها باید به واسطه فن آوری برای اعلام اقدام بالینی و تصمیم گیری بکار برود. بدون فن آوری اضافی که EHRS اصولاً درست  کپی های پرونده های بر پایه مقاله ذخیره شده به شکل الکترونیک هستند. ((سنتراستون)) (بزرگترین فراهم کننده بهداشت روانی بر پایه جامعه در ایالات متحده ) ، دست به تحقیق و توسعه چند سیستم پشتیبانی تصمیم گیری به موقع را انجام می دهد. (شامل زمینه هایی از قبیل انتخاب درمان بهینه و قابلیت تولید بالینی که عناصر کاوش داده ها و مدل سازی       پیش بینی با اقدام بالینی را ترکیب می کنند. کاوش داده ها می تواند به الگوهای پیچیده ای در مورد ویژگیهای ژنتیک بیماران ، بالینی و اجتماعی – جمعیتی آنها دست یابد که می توانند برای پیش بینی نتایج درمان بکار بروند. در نتیجه ، خطرات موروثی و فاکتورهای رفتاری یا محیطی همراه با اختلالات بیمار می تواند شرح شوند و برای ایجاد محور اصلی سیستم های حامی تصمیمات بالینی طبق داده های بر پایه جمعیت های مربوطه بکار بروند. علاوه بر این ، یک فاصله 13 تا 17 ساله بین پژوهش و عمل به مراقبت بالینی است. این واقعیت نشان        می دهد که روشهای کنونی انتقال نتایج خاص به مراقبت بالینی ، موجود نیست به علاوه ، درمانهای متکی به مدارک طبق پژوهش ها ، اغلب قدیمی شده و همیشه با تحول دنیای واقعی هماهنگی ندارند. در واقع ، این مقوله ها دلیل اصلی حمایت از تصمیم بالینی در مراقبت بهداشت است. به هر حال ، بسیاری سیستم های حامی تصمیم کنونی ، متکی به مدلهای استانداردها یا متخصص هستند نه مدلهای متکی به داده ها.
مدل های بر پایه استانداردها یا متخصص بر اساس میانگین های آماری یا نظرات متخصص ها در این مورد هستند که چه چیزی برای توده ها  به طور کلی ، کارآئی دارد. در صورتیکه مدلهای طبق داده ها ، اصولاً یک شکل منفرد شده مدارک طبق عمل حاصل از توده زنده هستند و این در حیطه مفهوم (( پزشکی شخصی )) قرار می گیرد.
توانائی تطبیق درمانهای خاص برای تنظیم ویژگیهای یک اختلال فردی از مدل بیماری سنتی بهتر است. کار مقدماتی در این زمینه ، ابتدا به کاربرد داده های ژنتیک جهت اطلاع دادن ، مراقبت انفرادی توجه کرده است. به هر حال احتمال دارد که دهه آتی شاهد ادغام چندین منبع داده ها (ژنتیک ، بالینی ، اجتماعی ، جمعیتی ) جهت ایجاد چهره ای کاملتر از فرد، خطرات موروثی شان و فاکتورهای رفتاری ( یا محیطی ) همراه با اختلال و درمان مؤثرشان باشد. در واقع ، ما شاهد روند شاخص های بالینی و ژنتیک در پیش بینی سرطان به عنوان یک روش توسعه ابزار ارزانتر و مؤثر هستیم. به هر حال ، کاوش داده ها به تنهائی یا حمایت از تصمیم بالینی به تنهایی ، فقط جزء هایی از یک سیستم بالقوه بزرگترند. کاربرد آنها با هم ، یک سیستم حامی تصمیم بالینی متکی بر داده های بروز یا ((پشتیبانی تصمیم تطبیقی )) را ایجاد می کند. نتیجه اش یک مدل یا پاسخگوتر مربوط است که بطور اساسی ، شکلی از هوش مصنوعی ابتدائی را نشان می دهد که درون سیستم بالینی زندگی می کند و می تواند به مرور زمان ، بیاموزد و با تغییر در توده معاصرتطبیق یابد.