Atlas (ohdsi.org)Please note: Google Chrome is the recommended browser for ATLAS. Documentation Releases ATLAS is built using HTML, CSS andKnockout JavaScript. For more information on using Atlas, please refer t
简而言之,ATLAS 提供了一个可以利用详细入组标准来定义和生成队列的用户界面(UI)。在 ATLAS 中定义队列后,用户可以直接以人类可读的格式导出队列的详细定义,并将其加入到研究方案中。如果由于某种原因未能将 ATLAS 实例连接到观察性医疗数据库,仍可以使用 ATLAS 来创建队列定义,并直接导出底层的 SQL 代码并将其合并...
13.6 在 ATLAS 中的操作点击左侧ATLAS 菜单中的 按钮,可以打开预测研究设计界面。创建新的预测研究,并对这项研究取一个容易识别的命名。点击 按钮可随时保存研究设计。在预测设计功能中,有 4 个部分:预测问题…
ATLAS 生成的研究包可以针对不同的预测问题生成并评估许多不同的预测模型。因此,专门针对研究包生成的输出,开发了一个额外的 Shiny 应用程序以查看多个模型。要启动此应用程序,请运行viewMultiplePlp(outputFolder),其中 outputFolder 是运行execute 命令时指定的包含分析结果的路径(例如,包含在名为“Analysis_1”的子文...
简而言之,ATLAS 提供了一个可以利用详细入组标准来定义和生成队列的用户界面(UI)。在 ATLAS 中定义队列后,用户可以直接以人类可读的格式导出队列的详细定义,并将其加入到研究方案中。如果由于某种原因未能将 ATLAS 实例连接到观察性医疗数据库,仍可以使用 ATLAS 来创建队列定义,并直接导出底层的 SQL 代码并将其合并...
我们又建立了一个敏感性极高的队列(xSens)。对于心肌梗死,可以将该队列定义为在其病史中任何时候具有至少一次包含心肌梗死概念的记录的患者。 图 16.3 展示了在ATLAS 中心肌梗死的xSens 队列定义。 图16.3: 一个针对心肌梗死敏感性极高的队列定义 (xSens)。
使用ATLAS 生成队列,并随机选择 100 名患者进行人工审核,使用对照表将每个PERSON_ID 映射到患者 MRN。选择 100名患者的目的是达到我们期望的 PPV 绩效指标的统计精度水平。 人工审核包括住院患者和门诊患者在内的各种EHR 记录,目的是确定随机子集中的每个个体是否是真或假阳性。 由一名医生进行人工审核和临床判断(尽管...
这些程序可被分为几类,比如将数据映射至 OMOP 的辅助工具(请参见第 6 章)、包含一整套强大的常用统计方法的 OHDSI 方法库、已发表的观察性研究的开源代码以及 ATLAS、Athena 和其他一些支持 OHDSI 生态系统(请参见第 8 章)的基础设施相关的软件。从开放科学的观点来看,最重要的资源之一是一些实际应用过的研究...
当天的拓导课主要针对OHDSI工具的应用开展培训,依然是两个分会场同时进行,每场学员分成10个小组,学习的主要内容是OHDSI的队列定义、ATLAS演示、队列的构建以及人群估计等四个章节,其中在Atlas演示环节,讲师们带领学员们进行了上机实践操作,小组讨论形式的学习氛围浓厚、互动性和实践性强。
ACHILLES 预先计算 170 多个数据的描述性分析,每个分析过程都有一个分析 ID 编码和该分析的简短描述;例如“ 715:按DRUG_CONCEPT_ID 分类所得DAYS_SUPPLY 的分布”和“ 506:按性别分类所得死亡年龄”。这些分析结果将存储在数据库中, 并且可以通过Web 查看器或ATLAS 获得。