CN109155152B - 临床报告检索和/或比较 - Google Patents
临床报告检索和/或比较 Download PDFInfo
- Publication number
- CN109155152B CN109155152B CN201780030041.7A CN201780030041A CN109155152B CN 109155152 B CN109155152 B CN 109155152B CN 201780030041 A CN201780030041 A CN 201780030041A CN 109155152 B CN109155152 B CN 109155152B
- Authority
- CN
- China
- Prior art keywords
- clinical
- reports
- report
- processor
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000010099 disease Diseases 0.000 claims abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 25
- 210000000056 organ Anatomy 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 210000004789 organ system Anatomy 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims 1
- 238000013106 supervised machine learning method Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 230000003187 abdominal effect Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000002528 pancreatic cancer Diseases 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010010774 Constipation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000001198 duodenum Anatomy 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 210000005227 renal system Anatomy 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
指令(108)使处理器(104)：通过解剖器官或疾病中的一个对针对评估中的对象的临床报告进行分类；从(一个或多个)健康护理数据来源识别并检索针对相同对象的临床报告；通过解剖器官或疾病中的一个对检索到的临床报告进行分组；选择所述临床报告中的一组，其中，所述组包括针对所述解剖器官或所述疾病中的相同或相关的一个的报告；基于提取的参数或关键词中的一个或多个来建立预测报告的所选择的组中的报告中的节点之间的语义关系的模型；使用所述模型跨所述报告比较所述参数值或所述关键词中的一个；构建所述报告的图形时间线；基于所述比较的结果来突出显示所述参数值或所述关键词的差异；并且视觉地呈现具有突出显示的差异的所述图形时间线。
Description
技术领域
下文总体上涉及临床报告检索和/或比较。
背景技术
临床文本报告描述了来自临床过程的细节，诸如入院、出院、例行查房、成像研究和实验室报告调查。这些报告包含关于患者情况的不同类型的信息(例如，诊断、处置计划、预后等)，包括具有对过去和当前的健康情况的有价值的上下文洞察的非结构化患者细节和具有高保真度并且通常被定期地测量的结构化数据。结构化值(测量结果)一般允许临床医生做出朝向合适干预的对患者状态的及时评价。此外，这些值能够用来确定处置效果并且预测未来干预的有效性。了解在临床报告中描述的患者情况并且在针对特定患者的相同的报告和其他相关的报告内的非结构化细节的上下文中解读结构化数据(值)便于高质量的健康护理。
电子医学记录(EMR)和患者仪表板通知临床医生何时已经创建了新的报告。EMR系统提供了经由对大数据库的查询来访问临床报告的功能。在一些系统中，用户接口包括能够通过其来访问临床报告的超链接(表示数据库查询)。从这些查询得到的临床报告以文本文件或扫描文档方式被呈现给随后审查并解读内容的用户。手动地审查并解读临床报告通常是耗时的并且易于有人为错误。此外，由于技术瓶颈，访问大多数EMR系统中存档的临床报告能够是非常有挑战性的，并且这些系统通常不提供自动比较纵向报告来提取临床上相关的连接的功能，所述临床上相关的连接能够通知临床医生总体的患者紧急程度并且支持临床决策制定。
发明内容
本申请的各方面解决了上面提及的问题以及其他问题。
根据一个方面，一种系统包括(一个或多个)健康护理数据来源和具有存储器设备的计算系统，所述存储器设备被配置为存储指令，所述指令包括临床报告检索和/或比较模块。所述处理器执行所述指令，所述指令使所述处理器：通过解剖器官或疾病中的一个对针对评估中的对象的临床报告进行分类；从所述(一个或多个)健康护理数据来源识别并检索针对相同对象的临床报告；通过解剖器官或疾病中的一个对检索到的临床报告进行分组；选择所述临床报告中的一组，其中，所述组包括针对所述解剖器官或所述疾病中的相同或相关的一个的报告；基于提取的参数或关键词中的一个或多个建立预测报告的所选择的组中的报告之间的语义关系的模型；使用所述模型跨所述报告比较所述参数值或所述关键词中的一个；构建所述报告的图形时间线；基于所述比较的结果来突出显示所述参数值或所述关键词的差异；并且视觉地呈现具有突出显示的差异的所述图形时间线。
在另一方面中，一种方法包括：利用处理器通过解剖器官或疾病中的一个对针对评估中的对象的临床报告进行分类，利用所述处理器从一个或多个健康护理数据来源识别并检索针对相同对象的临床报告，利用所述处理器通过解剖器官或疾病中的一个对检索到的临床报告进行分组，利用所述处理器选择所述临床报告中的一组，其中，所述组包括针对所述解剖器官或所述疾病中的相同或相关的一个的报告。所述方法还包括，利用所述处理器基于提取的参数或关键词中的一个或多个来建立预测报告的所选择的组中的报告之间的语义关系的模型，利用所述处理器使用所述模型跨所述报告比较所述参数值或所述关键词中的一个，利用所述处理器构建所述报告的图形时间线，利用所述处理器基于所述比较的结果来突出显示所述参数值或所述关键词的差异，并且利用所述处理器视觉地呈现具有突出显示的差异的所述图形时间线。
在另一方面中，一种非瞬态计算机可读介质被编码有计算机可执行指令，当由计算机的处理器执行时，所述计算机可执行指令使所述计算机：通过解剖器官或疾病中的一个对针对评估中的对象的临床报告进行分类，从一个或多个健康护理数据来源识别并检索针对相同对象的临床报告，通过解剖器官或疾病中的一个对检索到的临床报告进行分组，选择所述临床报告中的一组，其中，所述组包括针对所述解剖器官或所述疾病中的相同或相关的一个的报告，基于提取的参数或关键词中的一个或多个来建立预测报告的所选择的组中的报告之间的语义关系的模型，使用所述模型跨所述报告比较所述参数值或所述关键词中的一个，构建所述报告的图形时间线，基于所述比较的结果来突出显示所述参数值或所述关键词的差异，并且视觉地呈现具有突出显示的差异的所述图形时间线。
本领域普通技术人员在阅读并理解以下详细描述后将认识到本发明的另外的其他方面。
附图说明
本发明可以采取各种部件和部件的布置以及各种步骤和步骤的安排的形式。附图仅出于说明优选实施例的目的并且不应被解释为限制本发明。
图1示意性地图示了具有临床报告检索和/或比较模块的范例计算系统。
图2示意性地图示了临床报告检索和/或比较模块的范例。
图3图示了针对临床报告检索和/或比较的范例流程图。
图4示意性地图示了建立语义关系网络的范例监督式方法。
图5示意性地图示了建立语义关系网络的范例半监督式方法。
图6示出了在时间线中示出参数值的范例。
具体实施方式
图1图示了范例系统100。系统100包括具有至少一个处理器104(例如，微处理器、中央处理单元等)的计算系统102，所述至少一个处理器执行被存储在计算机可读存储介质(“存储器”)106中的至少一个计算机可读指令，所述计算机可读存储介质不包括瞬态介质而是包括物理存储器和/或其他非瞬态介质。在该范例中，指令包括具有对应的计算机可执行指令的临床报告检索和/或比较模块108。计算系统102还包括(一个或多个)输出设备110(诸如显示监视器、便携式存储器、网络接口等)和(一个或多个)输入设备112(诸如鼠标、键盘、网络接口等)。一个或多个健康护理数据来源114存储诸如电子格式的临床报告的数据。
在一个非限制性范例中，当由至少一个处理器104执行时，临床报告检索和/或比较模块108的指令使至少一个处理器104从一个或多个健康护理数据来源114检索相关的纵向报告，并且/或者比较这些报告中的某些患者细节来生成临床上相关的语义信息网络。将当前的报告与相同类型的较老的报告(例如当前的和过去的EKG报告)进行比较在了解患者状况已经如何随时间而改变中是有用的。此外，当前的报告能够与其他相关的报告进行比较，诸如将当前的EKG报告与先前的超声心动图(回声)报告进行比较。这些比较能够帮助临床医生朝向对因果关系、患者紧急程度、潜在的处置选项、干预有效性和预后的更好了解构建患者情况的模型。
模块108的范例被示出在图2中，并且包括报告分类(或第一)子模块202、相似和相关的报告的检索(或第二)子模块204、提取报告特征并预测报告之间的关系(或第三)子模块206、以及报告分析、测试/流程预测有效性和推荐(或第四)子模块208。第一子模块202基于报告类型和/或其相关的身体系统(例如回声报告与心血管系统相关)对新的报告进行分类。第二子模块204从(一个或多个)来源114找到针对选定患者的相关报告。第三子模块206从检索到的报告提取定量的(结构化)信息以及上下文(非结构化)细节，并且识别跨报告的语义关系。第四子模块208将提取的临床上相关的语义信息和报告之间的关系呈现给用户。在一个实例中，结果被可视化和/或用来预测测试有效性并且/或者推荐接下来的步骤。
找到相关报告的挑战在于不同类型的报告(实验室、成像研究、流程注释等)可能与相同的问题相关并且这些关系不是明确的。相对于针对相同患者检索先前的相同类型的报告，检索不同但相关的报告(例如实验室报告和成像报告来评价肾功能)需要对问题的了解以及对报告内容的分析。因此，为了解决该问题，临床报告检索和/或比较模块采用能够学习报告之间的关系并且使用该信息来预测报告的相关性的算法。机器学习技术(例如贝叶斯网络、随机森林、支持向量机等)能够用来建立能够学习跨各种报告的关系的模型。模型将会在作为输入特征的报告中的临床概念和标准临床本体(例如医学系统命名法--临床术语或SNOMED CT)上进行训练，并且输出预测的跨报告的关系。
跨各种报告进行比较的挑战是了解报告的内容并且将它们置于时间上下文中。由于这些报告通常是半定量的，处理报告的内容中的步骤是识别并提取这些结构化数据以及患者情况的非结构化(描述性)信息。能够将从不同的报告中提取的相似的结构化数据类型进行比较以生成趋势报告。为了比较描述特定患者情况的不同的数据类型，在报告中识别的语义关系将会用来朝向更明智的临床决策制定生成通过患者的状况呈现的临床表现的上下文解读。能够通过临床报告检索和/或比较模块缓解的技术挑战包括跨报告的语义关系的识别，并且基于临床重要性来自动地对这些关系进行归类/分等级。
图3示意性地图示了针对临床报告检索和/或比较的流程图300。第一个动作302和最后一个动作322经由前端用户接口来执行，而它们之间的动作304-320经由后端机器学习来执行，后端机器学习从具有已知关系的先前报告学习临床上相关的语义信息。
在302处，用户选择针对患者的感兴趣的临床报告。临床报告呈以电子格式，并且被存储在计算机存储器中，诸如存储器106、数据来源114和/或其他存储器。临床报告能够使用计算系统102经由鼠标指针从在(一个或多个)输出设备110的显示监视器上被呈现给用户的可用报告的列表、通过经由计算系统102的键盘在命令提示处键入文件名、和/或其他已知的技术来进行选择。临床报告可以是针对患者的最近的报告或其他报告。
在304处，计算系统102对所选择的报告进行分类。这能够通过使用针对报告类型的报告类型信息(例如，SNOMED CT)代码和来自具有关于报告来源、类型和/或其他细节的信息的报告标题和/或元数据的最终诊断和/或信息来完成。该分类基于身体系统来对报告进行归类并且/或者将报告归类为与具体疾病相关。本文中预见到其他分类。
动作304由临床报告检索和/或比较模块108的报告分类(或第一)子模块202来执行。
在306处，计算系统102从(一个或多个)健康护理数据来源114检索针对患者的相关的归档的报告。例如，在一个非限制性实例中，计算系统102访问(一个或多个)健康护理数据来源114中的健康护理数据来源(诸如医院的报告数据库)，并且使用独特的医学记录编号(MRN)和/或对患者来说独特的其他识别符来检索针对选定患者的所有报告。
在308处，计算系统102对每个检索到的归档的报告进行分组。例如，在一个非限制性实例中，检索到的归档的报告使用在动作304中描述的方法和/或其他方法被分类为基于身体系统的组或基于疾病的组。本文中也预见到其他分组。
在310处，从经分组的报告中选择相同类型和/或相关的报告。为了选择相同类型的报告，系统102使用报告类型信息(例如SNOMED CT代码)来找到精确的匹配。相关的报告被广泛地定义为属于相同身体系统和/或涉及相同疾病的先前报告。为了选择相关的报告，系统102将身体系统和/或疾病类型信息与来自所选择的报告的相关信息进行匹配。
动作306、308和310由临床报告检索和/或比较模块108中的相似和相关的报告的检索(或第二)子模块204来执行。
在312处，计算系统102从所选择的检索到的报告中提取参数和/或关键词。在一个实例中，这包括提取这些报告中的定量信息(例如，测量结果、实验值等)以及关于患者情况的这些值的上下文。自然语言处理(NLP)流水线能够用来提取关键的结构化和非结构化信息。
在314处，计算系统102确定语义关系网络，其将会连接选择的各种报告。图4和图5图示了建立语义关系网络的两种非限制性方法。本文中也预见到其他方法。
图4示意性地图示了在注释的报告指示的语义概念关系的语料库上训练的基于监督式机器学习的方法。为了使用机器学习模型建立此以便使用监督式学习生成语义关系网络，临床报告中的解剖和生理概念的网络由领域专家手动地生成。从标准临床本体(例如SNOMED CT树)中的现有父子关系，临床领域专家将会通过从各个父节点链接相关的子节点以创建语义图中的新边来手动地形成网络。
在图4中，N1表示心血管系统，N2表示呼吸系统，N3表示肾系统，…。器官系统N1、N2、N3…正下方的节点分别被编号为N1.1、N1.2…，N2.1、N2.2…，N3.1、N3.2…。N1.1、N1.2…、N2.1、N2.2…、N3.1、N3.2…正下方的节点分别被编号为N1.1.1、…、N1.2.1、…、N2.1.1、…、N2.2.1、…、N3.1.1、…、N3.2.1…并且指示层次关系。本体在图4中以实线方式被示为树结构。虚线表示手动链接的节点。
解剖和生理概念网络然后能够被用来识别报告之间的关系。通过NLP流水线从报告提取的关键词和临床概念将基于概念网络来进行连接。通过概念网络识别的关系将被用来语义地链接报告并且将内容置于上下文中研究以便更好地了解患者的总体临床现象。
图5示意性地图示了基于半监督式学习的另一方法。在该方法中，系统102最初以无监督式方式502学习跨临床报告500的语义关系。系统102的输入特征504是NLP提取的结构化和非结构化信息。此外，包括从报告标题获得的特征，诸如身体/器官系统信息、具体的解剖或生理细节、报告的类型(例如成像研究或实验室报告或流程报告的类型)和/或报告的日期。另一特征将是不同的解剖或生理本体之间的关系。
所有这种信息都将会用作建立跨报告的概念关系模型的特征。例如，第一轮506使用箭头来示出报告之间的关系。该初始无监督式学习的结果将经由显示监视器输出设备110被呈现给临床领域专家，如在508处示出的，并且专家将评估语义关系的准确性。在图示的范例中，用户移除顶部两个报告之间的箭头下方的“X”示出的关系。基于专家的评估，系统102将经由模型重新校准510来调整网络参数，以形成概念和报告的更准确的网络512。该模型现在能够用来识别跨其他组报告的新的语义关系。
系统102将随时间学习更多数据，并且例如经由反馈514进一步改进概念网络。此外，基于系统102的知识语料库，系统102能够生成关于先前未知的概念关系的新的假设。基于提取的概念和学习的语义关系，距离得分将被计算以测量检索到的报告与最初选择的报告的相关性。报告然后将基于它们相距初始报告多远来进行分等级和过滤。
例如，在一个实例中，将用户选择的报告的内容(关键词)与所有候选的相关的报告中的关键词的集合进行比较，并且平均距离得分基于针对每个候选报告的关键词的集合与原始报告的内容多么语义地相似来进行计算。平均距离得分越低，候选报告与原始报告相似的可能性越多。平均距离得分然后被用来对所有相关的报告分等级。此外，具有在经验距离得分阈值的值之上的距离得分的任何报告都被认为与原始报告远程地相关，并且反之亦然。
返回到图3，动作312和314由临床报告检索和/或比较模块108中的提取报告特征并预测报告之间的关系(或第三)子模块206来执行。
在316处，利用报告信息历史来预测有效性。例如，在一个非限制性实例中，对于关于测试/成像研究/流程等的每个报告，系统102从来自外部公布数据库的先前公布的研究中找到该测试/成像研究/流程的有效性。系统102然后将在检测到感兴趣的状况时显示该特定测试的灵敏度和特异性值。这将会帮助医师做出关于针对具体临床情况的合适调查流程的明智的决策。任选地，报告关系的高速缓存能够用来基于公布的文献来提供关于流程有效性的信息。
在318处，基于先前的预测来推荐测试和/或流程。例如，在一个非限制性实例中，系统102针对给定的患者情况推荐最佳的接下来的步骤。系统102将朝向建立连接的报告的语料库高速缓存来自不同搜索的报告之间的语义关系。当用户想要关于接下来的步骤的推荐时，系统能够基于这些高速缓存的语义信息的网络来示出最相关的测试/流程的列表。任选地，考虑到先前的报告和公布的文献，对报告关系的高速缓存能够用来为患者推荐最有效的调查流程。
在320处，跨时间线中的报告比较参数值和/或关键词以识别任何改变。例如，在一个非限制性实例中，(从先前的分量)识别的语义关系和报告时间戳用来以有意义的时间方式对报告进行排序。某些概念和其语义关系将会用来生成患者情况的简要总结。该总结将会连同具有被突出显示的相关区段的相关的报告的组一起被呈现给用户。
对于相同类型的报告，参数值能够被示出在时间线和/或趋势图中。图6示出了在时间线中示出参数值的范例。对于该范例，射血分数信息从患者的多个回声报告来提取，并且随时间进行绘图。图的阴影部分指示减小的射血分数。图中的虚线指示改善射血分数的干预。
动作316、318和320由临床报告检索和/或比较模块108的报告分析、测试/流程预测有效性和推荐(或第四)子模块208来执行。
在322处，经由(一个或多个)输出设备110的显示监视器来视觉地呈现结果。显示的数据呈现跨报告的比较，并且突出显示与该比较相关的某些发现。
下文提供了非限制性范例使用情况。范例使用情况用于评估对于胰腺肿瘤的处置的有效性。患有长期便秘的患者的腹部x射线示出了多个‘空气-流体水平’。经由腹部CT扫描的进一步调查披露了堵塞十二指肠的第二部分的胰腺肿块。惠普尔流程(胰十二指肠切除术)被执行以移除肿瘤。术后腹部X射线披露了无空气流体水平。随后的腹部CT也示出了无肿块的迹象。
当临床医生经由系统102访问术后腹部CT报告以审查与该报告有关的患者历史时，系统102检索上面提到的X射线和CT报告以及流程注释。系统102以时间线方式布置报告，并且提取相关的概念。两个X射线报告和两个CT报告中的参数被比较。这些报告中的某些发现的改变被突出显示。此外，具有多个值的定量数据被绘图。
本文中的方法可以通过编码或嵌入在计算机可读存储介质上的计算机可读指令来实施，当由(一个或多个)计算机处理器执行时，所述计算机可读指令使(一个或多个)处理器执行所描述的动作。额外地或备选地，计算机可读指令中的至少一个由信号、载波或其他瞬态介质承载。
本文中描述的方法能够改善计算系统性能。例如，计算系统102能够将检索到的报告和/或语义关系存储在高速缓存存储器中。随后，如果相同的报告例如由不同的临床医生等再次选择，则计算系统102能够自动检索被存储在高速缓存存储器中的相关的报告和/或语义关系，所述高速缓存存储器能够是存储器106和/或存储器的一部分。这相对于必须识别并检索这些报告并且再次确定语义关系减少了检索这些报告和/或确定语义关系所需的处理循环。换言之，它能够减少构建有意义的输出所需的处理循环的数量。
本文中描述的方法的结果也能够驱动另一设备。例如，计算系统102能够将指示语义关系的信号发送到另一设备，所述信号使另一设备检索并返回和/或显示被存储在协议数据库中的合适的临床协议。该临床协议可以不同于正被遵循的当前临床协议。在没有控制另一设备的该发送的情况下，原始协议仍然将会被遵循。在一个实例中，另一协议包括由机器执行的动作，发送使执行该动作的设备来执行所述动作。例如，发送可以使实验室中的设备对正被处理的样本执行另一测试。
本文中已经参考各种实施例描述了本发明。他人在阅读本文中的描述后可以进行修改和更改。旨在将本发明解释为包括所有这种修改和更改，只要它们落入随附权利要求书及其等价方案的范围之内。
Claims (15)
1.一种临床报告系统，包括：
一个或多个健康护理数据来源(114)；以及
计算系统(102)，其包括：
存储器(106)，其被配置为存储指令，所述指令包括临床报告检索和/或比较模块(108)；以及
处理器(104)，其执行所述指令，所述指令使所述处理器：
通过解剖器官或疾病中的一个对针对评估中的对象的临床报告进行分类；
从所述一个或多个健康护理数据来源识别并检索针对相同对象的临床报告；
通过解剖器官或疾病中的一个对检索到的临床报告进行分组；
选择所述临床报告中的一组，其中，所述组包括针对所述解剖器官或所述疾病中的相同或相关的一个的报告；
基于提取的参数或关键词中的一个或多个来建立预测报告的所选择的组中的报告中的节点之间的语义关系的模型；
使用所述模型遍及所述报告比较所提取的参数或所述关键词中的一个；
构建所述报告的图形时间线；
基于所述比较的结果来突出显示所述参数或所述关键词的差异；
基于所提取的参数或所述关键词中的一个或多个来识别能够被应用到所述对象的一个或多个测试；
确定一个或多个所识别的测试中的至少一个的灵敏度值和特异性值；
在所述图形时间线上视觉地呈现所述一个或多个所提取的参数或关键词的比较和与所述比较相关的突出显示的差异；并且
视觉地呈现所述灵敏度值和所述特异性值。
2.根据权利要求1所述的临床报告系统，其中，所述处理器利用监督式机器学习方法或半监督式学习方法来建立所述模型。
3.根据权利要求2所述的临床报告系统，其中，所述监督式机器学习方法利用具有已知语义关系的注释的报告的语料库来进行训练；并且，
其中，所述处理器基于所述已知语义关系遍及所述临床报告链接解剖和生理概念的网络。
4.根据权利要求3所述的临床报告系统，其中，所述处理器使用所述解剖和生理概念的网络与所述临床报告之间的链接来预测所述报告之间的语义关系。
5.根据权利要求2所述的临床报告系统，其中，所述处理器基于提取的结构化和非结构化信息中的一个或多个来建立所述模型，所述结构化和非结构化信息来自从报告标题获得的身体/器官系统信息、具体的解剖或生理细节、报告的类型、或者不同的解剖或生理本体之间的关系中的一个或多个。
6.根据权利要求5所述的临床报告系统，其中，所述处理器视觉地呈现所述模型，接收关于所述语义关系的正确性的反馈，基于所述反馈来更新所述模型，并且基于经更新的模型来构建最终模型。
7.根据权利要求5所述的临床报告系统，其中，所述处理器还基于先前接收到的反馈来建立所述模型。
8.根据权利要求1至6中的任一项所述的临床报告系统，其中，所述处理器基于来自外部公布数据库的先前公布的研究的报告信息历史来预测所述模型的有效性。
9.根据权利要求1至6中的任一项所述的临床报告系统，其中，所述处理器通过基于所述语义关系的最相关的测试或流程的列表基于先前的预测来推荐测试或流程中的至少一个。
10.根据权利要求1至6中的任一项所述的临床报告系统，其中，所述处理器将指示具有突出显示的差异的构建的图形时间线的信号发送到设备，所述信号使所述设备：检索并返回或呈现针对所述对象的合适的临床协议；或者对针对所述对象的样本执行处理动作。
11.根据权利要求1至6中的任一项所述的临床报告系统，其中，所述处理器将所述语义关系存储在存储器(106)中，并且响应于由不同实体针对相同对象的不同评估而利用所存储的语义关系而非建立另一模型。
12.一种临床报告方法，包括：
利用处理器通过解剖器官或疾病中的一个对针对评估中的对象的临床报告进行分类；
利用所述处理器从一个或多个健康护理数据来源识别并检索针对相同对象的临床报告；
利用所述处理器通过解剖器官或疾病中的一个对检索到的临床报告进行分组；
利用所述处理器选择所述临床报告中的一组，其中，所述组包括针对所述解剖器官或所述疾病中的相同或相关的一个的报告；
利用所述处理器基于提取的参数或关键词中的一个或多个来建立预测报告的所选择的组中的报告中的本体分支的节点之间的语义关系的模型；
利用所述处理器使用所述模型遍及所述报告比较来自所提取的参数中的一个或多个的值或关键词；
利用所述处理器构建所述报告的图形时间线；
利用所述处理器基于所述比较的结果来突出显示来自所提取的参数中的一个或多个的所述值或所述关键词的差异；
利用所述处理器基于所提取的参数或所述关键词中的所述一个或多个来识别能够应用于所述对象的一个或多个测试；
利用所述处理器确定一个或多个所识别的测试中的至少一个的灵敏度值和特异性值；
利用所述处理器视觉地呈现具有突出显示的差异的所述图形时间线；并且
利用所述处理器视觉地呈现所述灵敏度值和所述特异性值。
13.根据权利要求12所述的临床报告方法，其中，建立所述模型包括预测解剖和生理概念的网络与所述临床报告之间的已知链接之间的语义关系；并且
其中，所述方法还包括：
利用具有已知语义关系的注释的报告的语料库通过监督式机器学习来创建所述链接。
14.根据权利要求12所述的临床报告方法，还包括：
基于提取的结构化和非结构化信息中的一个或多个来建立初始模型；
视觉地呈现所述初始模型；
接收关于所述初始模型中的所述语义关系的反馈；并且
基于所述反馈来改变所述初始模型中的所述语义关系，其建立所述模型。
15.一种编码有计算机可执行指令的非瞬态计算机可读介质，当由计算机的处理器执行时，所述计算机可执行指令使所述计算机：
通过解剖器官或疾病中的一个对针对评估中的对象的临床报告进行分类；
从一个或多个健康护理数据来源识别并检索针对相同对象的临床报告；
通过解剖器官或疾病中的一个对检索到的临床报告进行分组；
选择所述临床报告中的一组，其中，所述组包括针对所述解剖器官或所述疾病中的相同或相关的一个的报告；
基于提取的参数或关键词中的一个或多个来建立预测报告的所选择的组中的报告之间的语义关系的模型；
使用所述模型遍及所述报告比较所提取的参数中的一个或多个的值或所述关键词；
构建所述报告的图形时间线；
基于所述比较的结果来突出显示所述参数值或所述关键词的差异；
基于所提取的参数或所述关键词中的所述一个或多个来识别能够应用于所述对象的一个或多个测试；
确定一个或多个所识别的测试中的至少一个的灵敏度值和特异性值；并且
视觉地呈现具有突出显示的差异的所述图形时间线；并且
视觉地呈现所述灵敏度值和所述特异性值。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662336779P | 2016-05-16 | 2016-05-16 | |
| US62/336779 | 2016-05-16 | ||
| PCT/EP2017/060478 WO2017198461A1 (en) | 2016-05-16 | 2017-05-03 | Clinical report retrieval and/or comparison |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109155152A CN109155152A (zh) | 2019-01-04 |
| CN109155152B true CN109155152B (zh) | 2023-12-12 |
Family
ID=58669794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780030041.7A Active CN109155152B (zh) | 2016-05-16 | 2017-05-03 | 临床报告检索和/或比较 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11527312B2 (zh) |
| EP (1) | EP3458986A1 (zh) |
| CN (1) | CN109155152B (zh) |
| WO (1) | WO2017198461A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200312463A1 (en) * | 2019-03-27 | 2020-10-01 | International Business Machines Corporation | Dynamic health record problem list |
| US11210346B2 (en) * | 2019-04-04 | 2021-12-28 | Iqvia Inc. | Predictive system for generating clinical queries |
| CN110993050A (zh) * | 2019-11-25 | 2020-04-10 | 四川好医生云医疗科技有限公司 | 一种基于人工智能计算医学检验预计出报告时间的方法 |
| CN112201321A (zh) * | 2020-10-15 | 2021-01-08 | 维沃移动通信有限公司 | 文件管理方法和电子设备 |
| US20230215519A1 (en) * | 2022-01-05 | 2023-07-06 | Merative Us L.P. | Indexing of clinical background information for anatomical relevancy |
| CN115033693A (zh) * | 2022-06-13 | 2022-09-09 | 四川数愈医疗科技有限公司 | 一种医疗认知智能科研平台的知识管理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
| CN103262070A (zh) * | 2010-12-23 | 2013-08-21 | 皇家飞利浦电子股份有限公司 | 解剖结构中病变的图片报告示意图的生成 |
| CN105142724A (zh) * | 2013-03-19 | 2015-12-09 | 皇家飞利浦有限公司 | 用于rt计划评估的视听总结系统 |
Family Cites Families (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6115709A (en) * | 1998-09-18 | 2000-09-05 | Tacit Knowledge Systems, Inc. | Method and system for constructing a knowledge profile of a user having unrestricted and restricted access portions according to respective levels of confidence of content of the portions |
| US7379885B1 (en) | 2000-03-10 | 2008-05-27 | David S. Zakim | System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment |
| US7284191B2 (en) * | 2001-08-13 | 2007-10-16 | Xerox Corporation | Meta-document management system with document identifiers |
| US7415437B2 (en) * | 2001-10-31 | 2008-08-19 | The United States Of America As Represented By The Secretary Of The Navy | Business development process |
| AU2003248753A1 (en) * | 2002-06-28 | 2004-01-19 | Goldman Sachs And Co. | Method and apparatus for reference data scrubbing |
| US20060024654A1 (en) * | 2004-07-31 | 2006-02-02 | Goodkovsky Vladimir A | Unified generator of intelligent tutoring |
| US20060136270A1 (en) * | 2004-12-02 | 2006-06-22 | Morgan John D | Medical claim data transfer to medical deposit box and/or medical visit record |
| US20060129538A1 (en) * | 2004-12-14 | 2006-06-15 | Andrea Baader | Text search quality by exploiting organizational information |
| US20080275731A1 (en) * | 2005-05-18 | 2008-11-06 | Rao R Bharat | Patient data mining improvements |
| EP1934849A1 (en) | 2005-10-06 | 2008-06-25 | General Electric Company | System and method for rules-based context management in a medical environment |
| US20080027917A1 (en) * | 2006-07-31 | 2008-01-31 | Siemens Corporate Research, Inc. | Scalable Semantic Image Search |
| US7899764B2 (en) * | 2007-02-16 | 2011-03-01 | Siemens Aktiengesellschaft | Medical ontologies for machine learning and decision support |
| US8457544B2 (en) * | 2008-12-19 | 2013-06-04 | Xerox Corporation | System and method for recommending educational resources |
| US8060451B2 (en) * | 2007-06-15 | 2011-11-15 | International Business Machines Corporation | System and method for facilitating skill gap analysis and remediation based on tag analytics |
| US8520978B2 (en) * | 2007-10-31 | 2013-08-27 | Mckesson Technologies Inc. | Methods, computer program products, apparatuses, and systems for facilitating viewing and manipulation of an image on a client device |
| US8903902B2 (en) * | 2007-11-20 | 2014-12-02 | Oracle International Corporation | Framework and method for real-time embedded collaboration using business process and transaction context |
| US8694355B2 (en) * | 2008-05-30 | 2014-04-08 | Sri International | Method and apparatus for automated assistance with task management |
| US20100131293A1 (en) | 2008-11-26 | 2010-05-27 | General Electric Company | Interactive multi-axis longitudinal health record systems and methods of use |
| TWI552608B (zh) * | 2008-12-19 | 2016-10-01 | 湯姆生特許公司 | 旨在保護存取於儲存機構上所記錄視聽文件之顯示裝置及方法 |
| JP5702551B2 (ja) | 2009-07-02 | 2015-04-15 | 株式会社東芝 | 読影レポート検索支援装置及び読影レポート検索装置 |
| US20110054946A1 (en) * | 2009-08-31 | 2011-03-03 | Disruptive Ip, Inc. | System and Method of Patient Flow and Treatment Management |
| US20110125517A1 (en) * | 2009-10-02 | 2011-05-26 | Rabin Chandra Kemp Dhoble | Apparatuses, methods and systems for a mobile healthcare manager |
| US20110288877A1 (en) * | 2009-11-09 | 2011-11-24 | dbMotion Ltd. | Health Information Exchange and Integration System and Methods Useful in Conjunction Therewith |
| US20110236870A1 (en) * | 2010-03-26 | 2011-09-29 | Mentormob, Inc. | System and method for learning |
| US20120215560A1 (en) * | 2010-07-21 | 2012-08-23 | dbMotion Ltd. | System and methods for facilitating computerized interactions with emrs |
| US20120239671A1 (en) * | 2011-03-16 | 2012-09-20 | Apixio, Inc. | System and method for optimizing and routing health information |
| US20140181128A1 (en) | 2011-03-07 | 2014-06-26 | Daniel J. RISKIN | Systems and Methods for Processing Patient Data History |
| WO2012123829A1 (en) | 2011-03-16 | 2012-09-20 | Koninklijke Philips Electronics N.V. | Method and system for intelligent linking of medical data. |
| JP2013537326A (ja) * | 2011-08-31 | 2013-09-30 | アピシオ，インク． | 医療情報ナビゲーションエンジン（ｍｉｎｅ）システム |
| CA2858982A1 (en) | 2011-12-12 | 2013-06-20 | The Cleveland Clinic Foundation | Storing structured and unstructured clinical information for information retrieval |
| US20130290323A1 (en) * | 2012-04-26 | 2013-10-31 | Appsense Limited | Systems and methods for automatically associating tags with files in a computer system |
| US9795887B2 (en) * | 2012-07-17 | 2017-10-24 | Riot Games, Inc. | Systems and methods that enable player matching for multi-player online games |
| US10397162B2 (en) * | 2012-12-14 | 2019-08-27 | Facebook, Inc. | Sending notifications to members of social group in a social networking system |
| US20140222444A1 (en) * | 2013-02-04 | 2014-08-07 | Dixit S.R.L. | Method And System For Clinical Trial Management |
| US20140288970A1 (en) * | 2013-03-20 | 2014-09-25 | Koninklijke Philips N.V. | Identifying relevant imaging examination recommendations for a patient from prior medical reports of the patient to facilitate determining a follow up imaging examination(s) for the patient |
| US20140350961A1 (en) * | 2013-05-21 | 2014-11-27 | Xerox Corporation | Targeted summarization of medical data based on implicit queries |
| US20150032464A1 (en) * | 2013-07-26 | 2015-01-29 | General Electric Company | Integrating theranostics into a continuum of care |
| US9842113B1 (en) * | 2013-08-27 | 2017-12-12 | Google Inc. | Context-based file selection |
| WO2015081086A1 (en) * | 2013-11-27 | 2015-06-04 | The Johns Hopkins University | System and method for medical data analysis and sharing |
| US9690861B2 (en) * | 2014-07-17 | 2017-06-27 | International Business Machines Corporation | Deep semantic search of electronic medical records |
-
2017
- 2017-05-03 CN CN201780030041.7A patent/CN109155152B/zh active Active
- 2017-05-03 WO PCT/EP2017/060478 patent/WO2017198461A1/en unknown
- 2017-05-03 US US16/300,271 patent/US11527312B2/en active Active
- 2017-05-03 EP EP17721368.3A patent/EP3458986A1/en not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
| CN103262070A (zh) * | 2010-12-23 | 2013-08-21 | 皇家飞利浦电子股份有限公司 | 解剖结构中病变的图片报告示意图的生成 |
| CN105142724A (zh) * | 2013-03-19 | 2015-12-09 | 皇家飞利浦有限公司 | 用于rt计划评估的视听总结系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11527312B2 (en) | 2022-12-13 |
| WO2017198461A1 (en) | 2017-11-23 |
| CN109155152A (zh) | 2019-01-04 |
| EP3458986A1 (en) | 2019-03-27 |
| US20190147993A1 (en) | 2019-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11200968B2 (en) | Verifying medical conditions of patients in electronic medical records | |
| US11282196B2 (en) | Automated patient complexity classification for artificial intelligence tools | |
| CN109155152B (zh) | 临床报告检索和/或比较 | |
| US20210233658A1 (en) | Identifying Relevant Medical Data for Facilitating Accurate Medical Diagnosis | |
| US10699215B2 (en) | Self-training of question answering system using question profiles | |
| US20190252074A1 (en) | Knowledge graph-based clinical diagnosis assistant | |
| US11749387B2 (en) | Deduplication of medical concepts from patient information | |
| US11120914B2 (en) | Evaluating drug-adverse event causality based on an integration of heterogeneous drug safety causality models | |
| WO2018191471A1 (en) | Systems and methods for model-assisted cohort selection | |
| US9002769B2 (en) | Method and system for supporting a clinical diagnosis | |
| CA3137079A1 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
| CN111801741B (zh) | 不良药物反应分析 | |
| JP2017174405A (ja) | オープンデータ及び臨床医の入力を用いて患者の治療リスクを評価するシステム及び方法 | |
| Padula et al. | Machine learning methods in health economics and outcomes research—the PALISADE checklist: a good practices report of an ISPOR task force | |
| US10892056B2 (en) | Artificial intelligence based alert system | |
| US20210375488A1 (en) | System and methods for automatic medical knowledge curation | |
| US11170895B2 (en) | Olfactory cognitive diagnosis | |
| CN112233736A (zh) | 一种知识库的构建方法和系统 | |
| Mandal | Machine learning algorithms for the creation of clinical healthcare enterprise systems | |
| Bacco et al. | Natural language processing in low back pain and spine diseases: A systematic review | |
| GB2555381A (en) | Method for aiding a diagnosis, program and apparatus | |
| EP3937105A1 (en) | Methods and systems for user data processing | |
| Bajaj et al. | Non-Invasive Mental Health Prediction using Machine Learning: An Exploration of Algorithms and Accuracy | |
| Rajathi et al. | Named Entity Recognition-based Hospital Recommendation | |
| US20230197220A1 (en) | Systems and methods for model-assisted data processing to predict biomarker status and testing dates |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |