Accurate electronic phenotyping is essential to support collaborative observational research. Supervised machine learning methods can be used to train phenotype classifiers in a high-throughput manner using imperfectly labeled data. We developed 10 phenotype classifiers using this approach and evaluated performance across multiple sites within the Observational Health Data Sciences and Informatics (OHDSI) network.

中文翻译：

---

在观察性健康数据科学和信息学网络中跨多个站点开发和验证表型分类器。

准确的电子表型对于支持协作观察研究至关重要。监督机器学习方法可用于使用不完全标记的数据以高通量方式训练表型分类器。我们使用这种方法开发了 10 个表型分类器，并评估了观察性健康数据科学和信息学 (OHDSI) 网络内多个站点的性能。