BRPI1006388A2 - sistema de apoio à decisão clínica (adc) e método (adc) de apoio à decisão clínica implementado por um sistema adc - Google Patents

sistema de apoio à decisão clínica (adc) e método (adc) de apoio à decisão clínica implementado por um sistema adc Download PDF

Info

Publication number
BRPI1006388A2
BRPI1006388A2 BRPI1006388A BRPI1006388A BRPI1006388A2 BR PI1006388 A2 BRPI1006388 A2 BR PI1006388A2 BR PI1006388 A BRPI1006388 A BR PI1006388A BR PI1006388 A BRPI1006388 A BR PI1006388A BR PI1006388 A2 BRPI1006388 A2 BR PI1006388A2
Authority
BR
Brazil
Prior art keywords
patient
adc
images
case
cases
Prior art date
Application number
BRPI1006388A
Other languages
English (en)
Inventor
Drysdale Jeremy
Boroczky Lilla
Arbash Meinel Lina
Chun-Chieh Lee Michael
Buelow Thomas
Xu Ye
Original Assignee
Koninl Philips Electronics Nv
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninl Philips Electronics Nv filed Critical Koninl Philips Electronics Nv
Publication of BRPI1006388A2 publication Critical patent/BRPI1006388A2/pt

Links

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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Tourism & Hospitality (AREA)
  • User Interface Of Digital Computer (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accommodation For Nursing Or Treatment Tables (AREA)
  • Economics (AREA)
  • Child & Adolescent Psychology (AREA)

Description

SISTEMA DE APOIO À DECISÃO CLÍNICA (ADC) E MÉTODO (ADC) DE APOIO Ã DECISÃO CLÍNICA IMPLEMENTADO POR UM SISTEMA ADC
DESCRIÇÃO
O seguinte se refere às técnicas médicas, técnicas para diagnósticos médicos, técnicas para a administração de casos médicos, técnicas de sistemas especializados e técnicas afins.
Os sistemas de apoio à decisão clínica (ADC) são sistemas especializados projetados para proporcionar assistência automatizada aos médicos ou para os demais profissionais de medicina para a tomada de decisões médicas, como no diagnóstico de doenças, na seleção de tratamentos, na realização dos aspectos de um regime de tratamento, e assim por diante. Alguns sistemas ADC ilustrativos são descritos, por exemplo, em Alsafadi, U.S. Publ. Appl. No. 2007/0175980 Al.
Nos diagnósticos clínicos convencionais ou manuais, os resultados de casos das experiências do próprio médico orientam as decisões do médico referentes a novas situações clínicas. Um sistema ADC baseado em casos tenta emular essa abordagem facilitando o acesso automatizado a um conjunto volumoso de casos passados que ultrapassa a experiência histórica possuída por um único médico. Por exemplo, um sistema ADC baseado em caso pode prover apoio à decisão para o diagnóstico de uma anormalidade encontrada em estudos de câncer de mama de uma paciente pela obtenção de resultados de exames e de outras informações relevantes de casos de pacientes anteriores (com os dados do paciente adequadamente anonimizados para estar de acordo com os regulamentos e regras quanto à privacidade do paciente) . Esses sistemas ADC baseado em caso emulam os processos de pensamentos de tomada de
2/35 decisão clínica que são geralmente aceitos como adequados nas técnicas médicas. Efetivamente, o sistema ADC opera como um sistema de resgate de informações que obtém casos médicos passados similares, e também pode obter ou identificar particularmente relevantes resultados de exames médicos ou outras informações de casos que tiverem probabilidade de comprovar um diagnóstico atual ou outra decisão médica atual.
O sistema ADC baseado em casos conhecido para a tomada automatizada de decisões emprega várias técnicas para identificar casos similares. Na recuperação de imagens, por exemplo, a comparação pareada de características de imagens é às vezes usada para identificar imagens similares. Entretanto, essas abordagens não distinguem prontamente os pesos ou a significância colocada em várias características de imagens para a quantificação da similaridade ou dissimilaridade das imagens. Além disso, se essas comparações pareadas forem feitas manualmente, podem ser introduzidas tendências experimentais ou individuais devidas ao pequeno e limitado conjunto de amostragem de dois itens comparados.
Foram também usadas várias abordagens de aprendizado de máquina nos sistemas de resgate de informações para agrupar automaticamente objetivos similares com base na análise automatizada de características de objetivos. Novamente, entretanto, o aprendizado de máquina não fornece prontamente as informações de acordo com a base pela qual é avaliada a similaridade ou a dissimilaridade. O algoritmo de aprendizado de máquina é uma caixa preta que pode ser adequada para aplicações como a recuperação de imagens mas, um médico ou outra pessoa médica provavelmente não
3/35 fique confortável ao fazer um diagnóstico médico ou em tomar outra decisão médica em base empírica, sem compreender a justificativa subjacente de tomada de decisões.
Também são conhecidas as técnicas de feedback de relevância. Nessas técnicas, a análise feita por humanos ou por outra forma de autoridade é aplicada na recuperação de informações de resultados para avaliar a relevância real das informações recuperadas. Essas avaliações de autoridade são usadas para refinar o algoritmo de recuperação de informações na esperança de melhorar as subsequentes operações de recuperação. Uma dificuldade com o feedback de relevância no contexto ADC é que o feedback no tempo tem probabilidade de provir de vários médicos, resultando potencialmente em feedbacks de relevância diferentes ou contraditórios. Além disso, o feedback de relevância exige tempo para avaliar os resultados obtidos e prover o feedback, que um médico atarefado pode não querer fazer. Ainda, além disso, o feedback de relevância somente dá o refinamento de um sistema de resgate de informações existente e não fornece uma base para a construção de um sistema ADC desde o início.
seguinte prove novos e melhores equipamentos e métodos que resolvem os problemas supra-referenciados e outros.
De acordo com um aspecto revelado, um sistema para apoio à decisão clínica (ADC) compreende: um subsistema de agrupamento de casos que inclui a interface gráfica de usuário que opera para exibir simultaneamente dados representantes de uma pluralidade de casos de pacientes e ainda configurado para permitir que um usuário agrupe casos selecionados de pacientes
4/35 representados pelos dados exibidos simultaneamente nos grupos clinicamente relacionados na forma selecionada pelo usuário: um subsistema para a determinação de características de comprovação que opera para determinar as características de comprovação que se correlacionam com os grupos clinicamente relacionados: e uma interface ADC de usuário que opera para receber os dados do paciente atual que se relacionam com o caso do paciente atual e para produzir informações de apoio da decisão clínica com base nos valores das características de comprovação determinadas dos dados recebidos do paciente atual.
De acordo com outro aspecto revelado, é revelado um método de apoio à decisão (ADC) clínica implementado por um sistema ADC, o método ADC compreendendo: prover uma interface gráfica de usuário pela qual um usuário agrupe casos de pacientes em grupos clinicamente relacionados, a interface gráfica de usuário representando graficamente casos de pacientes por ícones de casos de pacientes compreendendo imagens de pacientes ou imagens resumidas geradas a partir de imagens do paciente, determinando características probatórias dos casos de pacientes tendo valores que se correlacionam com os grupos clinicamente relacionados; e provimento automatico informações para a decisão de apoio clínico com base nos dados recebidos do paciente atual que se relacionam com o caso do paciente atual com base nos valores das características de comprovação determinadas a partir dos dados recebidos do paciente atual.
De acordo com outro aspecto revelado, é revelado um meio de armazenagem, o meio de armazenagem armazenando instruções executáveis por um processador digital para realizar o método de apoio à decisão clínica (ADC) estabelecido no parágrafo imediatamente precedente.
5/35
Uma vantagem reside no provimento de agrupamentos de casos de pacientes determinados holisticamente por um médico ou por outra pessoa com treinamento médico para estabelecer as informações da verdade básica de similaridade para a operação ADC.
Outra vantagem reside no provimento de uma interface de usuário para o agrupamento manual de casos similares de pacientes em que os casos de pacientes são representados por ícones de pacientes compreendendo imagens de pacientes ou imagens resumidas geradas a partir de imagens de pacientes.
Outra vantagem reside em automaticamente determinar as características de imagem e opcionalmente as de não imagens que se correlacionem com as informações da verdade básica de similaridade.
Outras vantagens ficarão aparentes aos técnicos no assunto após a leitura e a compreensão da seguinte descrição detalhada.
A FIGURA 1 mostra diagramaticamente um sistema para apoio à decisão (ADC) clínica.
As FIGURAS 2-4 mostram diagramaticamente capturas de tela {screenshots) da interface gráfica do usuário (IGU) do subsistema dos agrupamentos de casos do sistema ADC da FIGURA 1.
A FIGURA 5 mostra diagramaticamente um método adequado realizado pelo subsistema para a determinação de características de comprovação do sistema ADC da FIGURA 1.
A FIGURA 6 mostra diagramaticamente um método adequado realizado pelo subsistema ADC de interface de usuário do sistema ADC da FIGURA 1.
A presente revelação reconhece que o sistema de operação ADC pode ser dividido em duas partes: (i) aglomeração de casos similares de pacientes para
6/35 identificar uma verdade básica de similaridade (definida abaixo no final do próximo parágrafo) : e (ü) a identificação das características de comprovação de apoio à decisão clínica. A presente revelação reconhece que a parte (i) , o aglomerado de casos similares de pacientes, não está prontamente automatizada de forma aceitável pelos médicos. As técnicas automatizadas de aprendizado de máquina são geralmente muito empíricas, têm muito potencial para produzir aglomerados errôneos, e não provêem uma base para a tomada de decisões com princípios. As abordagens de aprendizado de máquina também podem não ter sucesso para a captura dos fatores subjetivos ou de difícil quantificação usados normalmente pelos médicos ao avaliarem casos e fazerem complexos diagnósticos médicos.
Assim, o presente pedido revela uma interface gráfica de usuário (IGU) que suporta um agrupamento manual de casos de pacientes usando um IGU holístico com base visual que mostra de forma concomitante mais de dois casos de pacientes, e preferivelmente um número substancial de casos de pacientes, de maneira a evitar tendências que possam ser introduzidas por comparações pareadas limitadas. A produção do aglomerado manual sao as informações da verdade básica de similaridade. As informações são a verdade básica porque os aglomerados são conhecidos ou supostos como sendo agrupados corretamente, porque as decisões de agrupamento foram feitas por médicos experientes com base em um número substancial de casos de pacientes considerados em conjunto.
Por outro lado, a presente revelação reconhece que parte (ii), a identificação das características de comprovação, pode ser vantajosamente automatizada usando
7/35 o aprendizado de máquina. A identificação automatizada das características de comprovação pode usar com vantagens como entrada as informações precisas da verdade básica de similaridade. A automatização da parte (ii) do sistema (ADC) aumenta a eficiência e também fornece a descoberta de informações, porque são automaticamente identificadas correlações entre casos de pacientes nos vários grupos. Essas correlações têm maior probabilidade de não serem percebidas pelo médico considerando no máximo alguns casos por vez. Vantajosamente, as características de comprovação aprendidas pela máquina podem incluir características de não imagens como a idade do paciente, sexo do paciente, etnia do paciente, história médica familiar, predisposições genômicas e assim por diante.
Com referência à FIGURA 1, um sistema para apoio à decisão (ADC) clínica inclui um subsistema de agrupamento de casos de pacientes 10 e um subsistema para a determinação de características de comprovação 12 que operam para gerar uma base de dados ADC 14 que é acessada pelo subsistema ADC de interface de usuário 16 para prover informações para a decisão de apoio clinico. 0 subsistema de agrupamento de casos de pacientes 10 opera no conteúdo de uma base de dados 20 de casos de pacientes. Os casos de pacientes são de preferencia anonimizados pela remoção das informações de identificação como nomes próprios, endereços e outros, de maneira a estar de acordo com as leis e padrões de privacidade aplicáveis. A base de dados 20 de casos de pacientes pode ser obtida a partir do conteúdo da rede de informações de um hospital (não mostrada), e os dados dos casos de pacientes incluem imagens de pacientes por meio de uma ou mais modalidades de imagens médicas, como uma
8/35 ou mais de: imagens de tomografia computadorizadas (TC) : imagens de ressonância magnética (RM) ; imagens de tomografia por emissão de positrons (TEP): tomografia computadorizada por emissão de fóton único (TCEFU), imagens de fluoroscopia, imagens de ultrassom e imagens de raios-X; e assim por diante.
Como exemplo, as imagens de pacientes são armazenadas opcionalmente em um sistema de comunicações e arquivamento de figuras (SCAF) dedicadas 22 que guarda imagens médicas de pacientes com os metadados como as informações que pertencem à modalidade ou resolução de imagens médicas, ou outros parâmetros de aquisição de imagens, marcas temporais de aquisições, e assim por diante.
Os casos de pacientes são inicialmente processados pela interface gráfica de usuário de agrupamento de casos (IGU) 30 do subsistema de agrupamento de casos 10 que opera para exibir simultaneamente dados referentes a mais que dois diferentes casos de pacientes, por exemplo, representados como ícones de pacientes compreendendo imagens de pacientes ou imagens resumidas geradas a partir de imagens de pacientes. O termo imagem resumida representa uma imagem de resolução reduzida gerada pela resolução reduzida de uma imagem de maior resolução. Como exemplo, as imagens resumidas são opcionalmente de tamanho padronizado e/ou de relação de aspecto padronizado (por exemplo, todas sendo imagens de 128x256 pixels). As imagens resumidas também são opcionalmente simplificadas de outras maneiras quando comparadas com a imagem fonte como, por exemplo, pela conversão de uma imagem colorida para uma imagem resumida de escala cinza. Por outra opção exemplar, as imagens resumidas podem ser
9/35 substituídas ou aumentadas com as informações de não imagem, como um bloco resumo de texto ou uma representação gráfica de dados clínicos (ex., gráficos como um gráfico de linha de pressão arterial no tempo ou de curvas cinéticas usadas na análise de varreduras RM, ou diferentes tipos de plotagens, como o gráfico de barras de uma série de diferentes medições para cada paciente, como idade, altura, peso, etc.).
Exibindo de forma concomitante as informações de um substancial número de casos de pacientes, o IGU 30 evita a imposição de comparações pareadas entre pares de casos de pacientes com o usuário que podería levar, de maneira desvantajosa, a agrupamentos tendenciosos. Entretanto, é contemplado para o IGU 30 permitir ao usuário selecionar casos individuais de pacientes para uma revisão mais atenta, por exemplo, exibindo informações de não imagem de casos de pacientes após uma seleção adequada por meio do IGU 30 de um determinado caso de paciente. O IGU 30 é ainda configurado para permitir que um usuário agrupe os diferentes casos de pacientes representados pelos dados exibidos simultaneamente nos grupos clinicamente relacionados como determinado pelo usuário. O usuário deve ser preferivelmente um médico ou outra pessoa com capacidade de fazer diagnósticos médicos ou uma pluralidade de médicos ou outra pessoa com capacidade de fazer diagnósticos médicos, que gere grupos clinicamente relacionados, por exemplo, o agrupamento de casos de pacientes em grupos clinicamente relacionados pode ser feito por um único usuário (ex., um único médico autorizado) ou pode ser estabelecido como um consenso entre um comitê ou outro grupo de médicos autorizados ou por outros profissionais de medicina autorizados. Os
10/35 casos de pacientes de um grupo clinicamente relacionado são considerados pelo médico que gera o grupo como tendo uma relação médica, como se espera que o de um mesmo regime ou de um regime médico similar seja aplicável aos casos de pacientes no grupo. Por exemplo, um grupo clinicamente relacionado pode compreender um grupo de casos de pacientes, em que todos os pacientes sofram do mesmo tipo ou de um tipo similar de câncer ou outro tipo similar de doença médica. Os agrupamentos resultantes de casos 32 são adequadamente armazenados em uma base de dados 14 ADC. Opcionalmente, o subsistema de agrupamento de casos 10 ainda inclui um gerador de relatórios de agrupamentos de casos 34 que gera um relatório para leitura humana dos agrupamentos de casos para fornecer um registro por escrito dos grupos clinicamente relacionados, ou para revisão opcional por outros médicos ou por outra pessoa com capacidade de fazer diagnósticos médicos, ou para outras finalidades.
Supõe-se que os grupos clinicamente relacionados 32 estejam corretos, isto é, supõe-se que agrupem corretamente os casos de pacientes que demonstrem uma relação de significância médica vinculando um mesmo ou similar regime médico. Essa suposição é provavelmente válida, já que os grupos clinicamente relacionados 32 foram gerados por um médico ou por outra pessoa com capacidade de fazer diagnósticos médicos, ou por uma pluralidade de médicos ou outra pessoa com capacidade de fazer diagnósticos médicos, com base em um número substancial de casos de pacientes apresentados pelo IGU 30 de forma holística. Com base nessa suposição, entendese, portanto, que os grupos clinicamente relacionados 32 sejam compreendidos como representando a verdade básica de similaridade dos casos na base de dados 20. Como o
11/35 agrupamento foi feito manualmente, o subsistema de agrupamento de casos 10 não fornece informações expressas como a base ou a justificativa dos agrupamentos de casos de pacientes.
Realmente, o médico ou outra pessoa com capacidade de fazer diagnósticos médicos ou uma pluralidade de médicos ou outra pessoa com capacidade de fazer diagnósticos médicos pode ter empregado várias considerações objetivas e subjetivas na geração dos agrupamentos de casos de pacientes.
Apesar de as bases usadas pela pessoa com capacidade de fazer diagnósticos no agrupamento dos vários grupos clinicamente relacionados 32 possam não estar prontamente disponíveis, é razoável esperar que os grupos clinicamente relacionados 32 tenham algumas similaridades ou correlações objetivamente definíveis, e que essas similaridades ou correlações objetivas sejam informações latentes contidas nos grupos clinicamente relacionados 32.
Assim, o subsistema para a determinação de características de comprovação 12 analisa os grupos clinicamente relacionados 32 para identificar as características de comprovação que se correlacionam com os vários grupos. Para isso, uma componente para a extração das características de imagem 40 extrai características quantitativas de imagens que possuam semelhanças razoáveis de correlação com aspectos clinicamente significativos dos casos de pacientes. Alguns exemplos ilustrativos de características de imagens a quantitativas adequadas incluem o tamanho do tumor, a relação do aspecto do tumor, a densidade tissular do tumor como refletida pela intensidade de imagem na região do tumor, e assim por diante.
12/35
Opcionalmente, a componente para a extração das características de imagem 40 pode ser interativa com o usuário - por exemplo, a componente para a extração das características de imagem 40 pode exibir uma imagem médica de paciente e solicitar que o usuário identifique ou delineie um tumor na imagem usando um mouse ou outro mecanismo de entrada de usuário. Além disso, ou de forma alternativa, a componente para a extração das características de imagem 40 pode empregar identificação automatizada do tumor ou outra análise de imagem médica automatizada ou semiautomatizada. Além das características de imagens, o subsistema para a determinação de características de comprovação 12 pode considerar características de não imagens como a idade do paciente, sexo do paciente, etnia do paciente, história médica familiar, predisposições genômicas e assim por diante, como as informações sendo fornecidas ou obtidas da base de dados de casos de pacientes 20.
Uma característica disponível pode ou não ser comprovativa. Isto é, uma característica disponível pode se correlacionar com um ou mais grupos de casos de pacientes 32, caso em que a característica é uma característica de comprovação, ou a característica pode ter pouca ou nenhuma correlação com qualquer dos grupos de casos de pacientes 32, caso em que não é de comprovação, as características também podem ser de comprovação em combinação - por exemplo. As características de tamanho do tumor e a relação do aspecto do tumor, cada uma de forma independente, podem ter pequena correlação com qualquer dos grupos de casos de pacientes 32: considerando que a combinação do tamanho do tumor e a relação do aspecto do tumor em conjunto pode ter correlação com um ou mais dos grupos de casos de
13/35 pacientes 32.
Um componente de aprendizado por máquina 42
processa as características disponíveis para identificar
as caracter ísticas de comprovação ou as combinações
característi cas 44 que se correlacionam com um ou mais
dos grupos de casos de pacientes 32, e essas
combinações de características de comprovação ou características 44 também são guardadas na base de dados
ADC 14. A componente de aprendizado por máquina 42 pode empregar qualquer técnica de aprendizado por máquina para identificar tais correlações. Em alguns exemplos ilustrativos aqui apresentados, a componente de aprendizado por máquina 42 emprega um algoritmo genético. Opcionalmente, a componente de aprendizado por máquina 42 também identifica a força de correlação da característica de comprovação com os grupos de casos de pacientes 32 e indica pesos característicos 46 que refletem a força da correlação. Opcionalmente, a componente de aprendizado por máquina 42 também identifica combinações, ou combinações ponderadas de características de comprovação que se correlacionam com os grupos de casos de pacientes 32, e guarda essas combinações ou combinações ponderadas como medidas de distância ou de similaridade 48, Opcionalmente, as informações identificadas das características de comprovação 44, 46, 48 sao apresentadas para a revisão do usuário, por exemplo, pelo gerador de relatórios de agrupamentos de casos 34 ou por outra ferramenta de comunicação. Opcionalmente, o usuário pode modificar, deletar ou ajustar de outra forma as informações das características de comprovação 44, 46, 48 com base na perícia diagnostica médica do usuário.
usuário que gera os agrupamentos de casos de pacientes 32 com a assistência do subsistema dos
14/35 agrupamentos de casos 10, e que opcionalmente revê as informações das características de comprovação 44, 46, 48, é preferivelmente um médico ou outra pessoa com capacidade de fazer diagnósticos clínicos, ou uma pluralidade de médicos ou de outras pessoas com capacidade de fazer diagnósticos médicos, que sejam particularmente peritos nas técnicas para diagnósticos médicos. Por exemplo, este usuário ou usuários podem incluir um ou mais médicos ou especialistas médicos seniores que tenham amplo conhecimento e perícia na área ou áreas médicas relevantes. Esses usuários podem ser especialistas como, por exemplo, os casos de pacientes cardíacos que são agrupados por um ou mais especialistas cardíacos seniores, enquanto os casos de pacientes com câncer são agrupados por um ou mais especialistas oncológicos, e assim por diante. O preenchimento da base de dados ADC 14 é geralmente feita antes do uso do sistema ADC para as operações de apoio à decisão clínica, apesar de também serem reveladas nestas atualizações ocasionais em curso da base de dados ADC 14.
Quando a base de dados 14 ADC é preenchida, o teor da base de dados ADC 14 é usado pelo subsistema da interface de usuário 16 para gerar informações para apoio da decisão clínica para apresentação ao usuário. Isto é, as operações de apoio à decisão clínica sao feitas pelo subsistema de interface de usuário ADC 16 com referência à base de dados ADC 14.
O usuário humano ou a pluralidade de usuários humanos interagem com o subsistema de interface de usuário ADC 16 para solicitar informações para apoio da decisão clínica para os casos de pacientes atuais. 0 usuário de um subsistema de interface de usuário ADC 16 é tipicamente um médico ou outra pessoa médica ou uma
15/35 pluralidade de pessoas médicas. Entretanto, o usuário de um subsistema de interface de usuário ADC 16 não é necessariamente um médico, especialista senior ou qualquer outra pessoa altamente especializada com capacidade de fazer diagnósticos. Ao invés disso, o usuário do subsistema de interface de usuário ADC 16 pode ser um médico comum de habilidade ordinária que utilize o subsistema de interface de usuário ADC 16 para obter assistência ao tomar decisão clínica. Em geral, o usuário 10 do subsistema de interface de usuário ADC 16 pode ser um médico ou outro profissional de medicina com substancialmente qualquer nível técnico.
O subsistema de interface de usuário ADC 16 inclui uma interface de entrada de dados de casos de 15 pacientes atuais 50 por meio do qual o usuário entra com as informações relevantes sobre o caso de paciente atual para o qual o usuário busca apoio à decisão clinica. As informações fornecidas sobre o caso de paciente atual dados de imagens, como as imagens de opcionalmente também podem incluir não imagem como a idade do paciente, sexo etnia do paciente, histórico médico familiar, predisposições genômicas e assim por diante. As imagens de pacientes são processadas por um componente 25 para a extração das características de imagem 52 (que pode, opcionalmente, ser configurado em comum com o componente para a extração das características de imagem 40 do subsistema para a determinação de características de comprovação 12) pra extrair características de imagens 30 de comprovação. As características de imagens de comprovação, com quaisquer características de não imagens de comprovação fornecidas pela interface de entrada de dados de casos de pacientes atuais 50, servem como podem incluir pacientes, e informações de
16/35 entradas para um motor de inferência de apoio à decisão clínica 54 que considere as correlações entre os valores das características de comprovação do caso de paciente atual e os valores das características de comprovação dos 5 casos dos vários agrupamentos de casos de pacientes 32.
Identificando as correlações comuns, o motor de inferência 54 associa o caso de paciente atual com um dos agrupamentos de casos de pacientes 32. Uma saída ADC de
caso de paciente atual e a interface de validação do
10 usuário 56 dão ao usuário as informações para apoio da
decisão clínica com base nos resultados do motor de
inferênc ia 54. Por exemplo, as informações para apoio da
decisão clínica podem incluir: a identificação do grupo do caso de paciente mais fortemente associado com o caso 15 de paciente atual; a identificação da condição medicai daquele grupo com a proposta que o paciente atual possa também ter aquela condição médica; apresentação de um ou mais casos similares extraídos do grupo do caso de paciente mais fortemente associado com o caso de paciente 20 atual; apresentação de um regime médico proposto correspondente ao regime médico aplicado em casos de pacientes do grupo do caso de paciente mais fortemente associado com o caso de paciente atual; ou assim por diante.
Opcionalmente, a saída ADC de caso de paciente atual e a interface de validação do usuário 56 também fornecem uma função de validação de usuário em que o usuário aceita, rejeita ou opcionalmente modifica as informações para apoio da decisão clínica apresentadas.
Nesse caso, as informações de validação de usuário são usadas opcionalmente por um subsistema de atualização ADC 60 para avaliar e opcionalmente atualizar abase de dados ADC 14. Por exemplo, em uma abordagem, o caso de paciente
17/35 atual com o diagnóstico médico medical do usuário (que tanto pode concordar como discordar das informações para apoio da decisão clínica fornecidas pelo subsistema de interface de usuário ADC 16) é guardado com os resultados similares de outros casos de pacientes atuais, de maneira a fornecer uma atualização ou aumento da base de dados original de casos de pacientes 20. Ocasionalmente, a coleção atualizada ou aumentada ou a base de dados de casos de pacientes é novamente processada pelas componentes de geração de conteúdo da base de dados ADC 10, 12 para atualizar ou aumentar a base de dados ADC 14. Em uma abordagem alternativa, computacionalmente menos intensa, o caso de paciente atual é adicionado ao grupo do caso de paciente dos agrupamentos de casos 32 se o usuário concordar que o caso de paciente atual não pertence realmente àquele grupo do caso de paciente. Isso pode ser feito, por exemplo, fornecendo ao usuário uma caixa de diálogos IGU perguntando Adicionar o caso de paciente atual ao grupo <<<>>>? onde <<<>>> é a identificação do grupo do caso de paciente indicado pelo sistema ADC como combinação do caso de paciente atual.
sistema ADC da FIGURA 1 pode ser realizado de várias formas. Na realização ilustrada, um computador 70 inclui um display 72 para a exibição da saída visual ou gráfica das componentes 30, 56, para a exibição de caixas de diálogo, janelas ou similares da componente de entrada de usuário 50, e assim por diante. O computador 70 também inclui o teclado ilustrado 74, o mouse 76, e/ou outro dispositivo ou dispositivos de entrada de usuário para a recepção de entradas de usuários e ainda inclui um processador digital (não mostrado) e uma ou mais mídias de armazenagem (não mostradas, mas configuradas adequadamente, por exemplo, por um disco rígido
18/35 magnético, um drive de disco ótico, uma memória de acesso randômico (RAM) , uma memória de leitura (ROM) , ou assim por diante). O processador digital executa as instruções de um programa de computador ou código de computador inseridos em uma ou mais mídias de armazenagem para implementar os componentes de processamento 10, 12, 16 do sistema ADC e a base de dados ADC 14 é guardada de forma adequada em uma ou mais mídias de armazenagem do computador 70 ou em um meio de armazenagem remoto acessado por uma rede digital hospitalar. Em outras realizações contempladas, o processador que configura os componentes de processamento 10, 12, 16 pode ser disposto com todo ou parte de um servidor remoto disposto logicamente na rede digital hospitalar, e o computador ilustrado 70 provê o hardware de interface 72, 74, 76. Em ainda outras realizações contempladas, o hardware de interface pode ser configurado por um assistente dos dados pessoais (ADP) do médico, telefone celular ou outro dispositivo eletrônico portátil com um processador digital.
Tendo fornecido uma visão geral ilustrativa do sistema ADC da FIGURA 1 que serve na presente como um exemplo ilustrativo, são apresentados alguns outros aspectos adicionais ou alternativos e outras revelações.
Em algumas realizações ilustrativas da presente, o sistema ADC e os correspondentes métodos ADC são descritos no contexto de um pedido ilustrativo de diagnóstico de câncer de mama com base na formação de imagem de ressonância magnética (RM) dinâmica e outras informações clínicas de não imagem. Deve ser entendido que este é meramente um pedido ilustrativo e uma modalidade ilustrativa de imagens, e que os sistemas ADC e métodos ADC revelados são geralmente aplicáveis a
19/35 substancialmente qualquer pedido de diagnóstico médico que empregue substancialmente qualquer modalidade de imagem que comprova o pedido médico ao qual o sistema ou o método ADC é direcionado.
Cada caso de paciente na base de dados pode incluir múltiplos e diferentes estudos de imagem da mesma modalidade ou de modalidades diferentes. Além disso, para cada caso, podem ser guardadas diferentes vistas desses estudos, ou podem ser obtidas pelo processamento de imagens. Ainda além, um dado caso de paciente pode, em alguns casos, ser um amálgama ou combinação de imagens ou de outros dados obtidos a partir de dois ou mais pacientes similares. Os estudos de imagem armazenados para cada caso de paciente na base de dados podem, em geral, ser obtidos por uma ou mais modalidades de imagens simples, como de raios-X, ultrassom, RM, TC, e assim por diante, ou por múltiplas modalidades de imagens de um único paciente, como mamografia por raios-X, ultrassom, estudos RM de mama. Os estudos de imagem opcionalmente incluem series de tempo. Por exemplo, para um caso de câncer de mama, podem ser obtidas diferentes séries de imagens RM com contraste dinâmico ampliado. Assim, para cada paciente, a base de dados pode guardar estudos de pré-contraste (antes do agente de contraste administrado ao paciente), e múltiplos estudos de pós-contraste, que são obtidos em diferentes instantes do tempo após o agente de contraste ter sido administrado. A base de dados pode também incluir sequências derivadas, como séries de subtrações múltiplas, que são a subtração de um estudo de pré-contraste de diferentes séries de póscontraste. A base de dados opcionalmente também inclui sequências de imagens obtidas representando a.s anormalidades e as áreas circundantes, por exemplo, o
20/35 volume de interesses (VI) dessas variações. A base de dados 20 opcionalmente ainda inclui informações clínicas baseadas em não imagens além dos estudos de imagem. Os dados de não imagens podem incluir, por exemplo, informações demográficas como genero, idade, etnia, história médica pessoal do paciente, história familiar, principais queixas, predisposições genômicas, (ex., no câncer de mama BRCA1 e/ou BRCA2 positivo), e outros fatores de risco. A base de dados 20 emprega adequadamente um modelo hierárquico de base de dados, um modelo de relaçao aplicando a técnica SQL ou outra realização adequada de base de dados.
Com referência à FIGURA 2, a interface gráfica de usuário de agrupamento de casos interativos (IGU) 30 mostra dados representantes de múltiplos casos de pacientes no display 80. Uma janela esquerda 82 mostra dados representantes de casos de pacientes não agrupados, enquanto uma janela direita 84 mostra dados representantes de casos de pacientes agrupados. A janela direita 84 está vazia na FIGURA 2, indicando que ainda não foram escolhidos casos de pacientes nos grupos. Deve ser entendido que o display 80 pode incluir dois ou mais dispositivos de display, como dois ou mais monitores de computador, e a indicação esquerda ou direita é arbitrária. Por exemplo, em certas realizações são providos dois monitores de computador - um monitor mostra a janela 82 que indica casos de pacientes não agrupados, enquanto o outro monitor mostra a janela 84 que indica os casos de pacientes agrupados. Nas realizações ilustrativas, os dados representativos mostrados compreendem uma imagem de paciente ou uma imagem resumida gerada a partir de uma imagem de paciente para representar cada caso de paciente. Em outras palavras, uma imagem de paciente ou a correspondente imagem resumida serve como um ícone de paciente para o processo de escolha gráfica. Preferivelmente, a imagem representada
21/35 representa o volume de interesse (VI) que contém uma anormalidade clínica de interesse. No exemplo ilustrativo da FIGURA 2, as imagens representativas são VIs obtidas como series de subtrações (isto é, estudos RM ponderados de 2o pós-contraste - pré-contraste Tl) e mostram lesões de mama.
Opcionalmente, também podem ser mostrados dados de não imagens. Por exemplo, a FIGURA 2 mostra uma janela popup 86 indicando os dados de não imagens como Idade: 47 para um caso de paciente responsive ao mouse ou a outro indicador que passa sobre o ícone representativo do paciente. A janela pop-up pode ser uma janela temporária que desaparece quando o indicador do mouse e removido, ou pode ser uma janela persistente que fique aberta até que seja fechada. Em certas realizações, o movimento do mouse produz uma janela temporária com informações limitadas de não imagem, enquanto uma ação positiva do usuário, como clicar sobre o ícone do paciente usando o mouse 76 produz uma janela persistente contendo mais informações. Além de mostrar os dados de não imagens, essas abordagens podem adicional ou alternativamente ser usadas para mostrar metadados de imagens, como marca temporal de aquisição, resolução ou assim por diante.
Com referência à FIGURA 3, a ação positive do usuário, como clicar no ícone do paciente usando o mouse 76 também pode opcionalmente trazer informações mais completas. Na FIGURA 3, essa ação traz informações mais completas sobre o caso selecionado de paciente para ser exibido, de maneira a ocupar totalmente a janela esquerda 82. Opcionalmente, ambas as janelas 82, 84 podem ser usadas com essa finalidade, ou pode ser mostrada uma janela separada (isto é, terceira) contendo essas informações. Esse modo opcional de exibição permite ao usuário avaliar com mais exatidão o caso de paciente selecionado. No exemplo mostrado na FIGURA 3, esse modo exibe um estudo de imagens RM com o contraste relevante
22/35 de um caso de câncer de mama. Nesse exemplo, a janela esquerda 82 mostra uma vista bilateral da mama e uma flecha apontando para a anormalidade para mais fácil identificação. A flecha é adequadamente gerada com base nos metadados que identificam a anormalidade armazenada no PACS 22. Opcionalmente, o IGU 30 é configurado para permitir ao usuário mudar seletivamente as vistas entre diferentes estudos de imagem do caso clínico. Para os estudos de imagem RM de mama, por exemplo, o usuário pode opcionalmente alternar entre séries de pré-contraste, diferentes séries de pós-contraste, diferentes séries de aquisição, ex., sequências ponderadas T2 ou sequências derivadas, como séries de subtração. Para cada série, o usuário pode opcionalmente mudar um ajuste de janela ou de nível para ter uma vista ideal da série particular e para diferentes usuários. As curvas cinéticas podem ser exibidas representando a captação do agente de contraste das anormalidades no tempo, como mostrado, por exemplo, no canto esquerdo inferior da janela 82 na FIGURA 3. O canto esquerdo superior dessa vista também mostra os oito casos vizinhos a serem escolhidos, sendo representados pelos Vis. Ο VI do meio é o caso em que é mostrada toda a vista da mama no lado direito. Sob a vista bilateral da mama, são mostradas as informações clínicas. Opcionalmente, outras janelas, partes do monitor, ou outros monitores podem ter a mesma funcionalidade para mostrar outros casos clínicos. Por exemplo, em certas realizações as duas janelas 82, 84 podem ser selecionadas pelo usuário para mostrarem dois casos de pacientes em maiores detalhes para uma comparação visual conveniente.
Com referência à FIGURA 4, é mostrada uma vista sucinta do IGU de agrupamento de caso 30 sendo usado para criar grupos clinicamente relacionados na forma selecionada pelo usuário. O usuário emprega um mecanismo de arrasta-e
23/35 solta, em que os ícones de casos de pacientes são arrastados da janela esquerda 82 para uma região da janela direita 84 representando o grupo. Para criar um grupo, é arrastado um ícone de caso de paciente da janela esquerda 82 para uma região não indicada da janela direita 84 que define uma nova região de criação de grupo.
Quando o ícone de caso de paciente cai na região de criação de novo grupo, é criado um grupo de similaridade que inclui aquele caso de paciente. Opcionalmente, os grupos podem ser rotulados ou anotados de outra forma pelo usuário para indicarem a base da relação clínica dos casos de pacientes no grupo, ou para fornecer outras informações úteis. Opcionalmente, a subjanela de um grupo pode incluir barras de rolagem para acomodarem mais casos de pacientes do que pode ser mostrado simultaneamente, e/ou pode incorporar características como de zoom ou de movimentação por meio do uso do teclado, mouse ou de outros dispositivos de interação. Opcionalmente, um caso de paciente pode ser movido de um grupo para outro de acordo com a decisão de realocação do caso de paciente pelo usuário. Opcionalmente, um caso de paciente pode ser removido de qualquer dos grupos existentes e realocados entre um conjunto de casos que ainda não tiverem sido agrupados, isto é, a janela esquerda 82. As operações de arrasta-esolta podem ser feitas usando o mouse 76, ou usando o teclado 74 (por exemplo, espaçando entre as várias janelas e sub-janelas), ou por meio de outras operações de interface de usuário. Ainda, as manipulações do IGU como de laçamento e similares podem ser usadas para realizar as operações de agrupamento.
Na configuração mostrada na FIGURA 4, cada caso de paciente é exclusivamente indicado a um grupo único de
24/35 casos clinicamente relacionados. Em vista disso, o ícone de caso de paciente é removido da janela esquerda 82 quando é arrastado e solto em um dos grupos na janela direita 84, razão pela qual a grade de ícones de casos de pacientes mostrada na janela esquerda 82 da FIGURA 4 tem vários vazios. Em uma realização alternativa, cada caso de paciente pode opcionalmente ser indicado a dois ou mais grupos de casos clinicamente relacionados. Por exemplo, um caso de paciente único pode ser indicado a um sua relação clínica um determinado que tenha como grupo tumor característico, grupo que tenha como e pode também ser indicado a um clínica evidências de sua relação imagens de determinado realização alternativa, o ser retido na janela nível ícone de esquerda de metástase. Nessa caso de paciente após ter pode sido na janela movimentado para um grupo a continuar sendo disponível para direita 84, de forma inclusão em outros grupos de casos clinicamente relacionados.
Quando o usuário tiver terminado a alocação de casos de pacientes em grupos clinicamente relacionados, por exemplo, como descrito com referência às FIGURAS 2-4, o gerador de relatórios de agrupamentos de casos 34 é opcionalmente chamado para gerar um relatório para leitura humana descrevendo os grupos de similaridade. O relatório pode, por exemplo, ser um relatório de texto livre ou um relatório estruturado com base em planilhas. A descrição no relatório de um grupo clinicamente relacionado pode incluir, por exemplo: um nome do grupo; uma identificação dos casos contidos no grupo com a identificação da pessoa (de preferência, anônima), identificação do estudo e assim por diante; uma descrição textual do grupo considerado pelo usuário; ou assim por diante. É indicado um identificador de grupo de
25/35 similaridade para cada caso na representação interna dos dados.
Em certas realizações, quando um ícone de caso de paciente tiver sido arrastado para um grupo de similaridade, o identificado de grupo do caso de paciente é colocado no identificador daquele grupo. Assim, na geração do relatório é direcionado para determinar o número de grupos de similaridade. Quando tiver sido estabelecido o número total de grupos, o gerador de relatórios 34 circula em cada grupo, encontrando os casos de pacientes naquele grupo e escrevendo as informações relevantes no relatório. Opcionalmente, o gerador de relatórios 34 também pode gerar um relatório intermediário, sem escolher todos os casos de pacientes em grupos de similaridade.
Com referência à FIGURA 5, são obtidas verdades básicas de similaridade quantificadas pelos grupos clinicamente relacionados 32 que são processadas para identificar as características relevantes (isto é, de comprovação) perceptuais e clínicas que distinguem os grupos entre si. Na realização ilustrativa, as características de comprovação são obtidas por uma otimização da seleção de características de comprovação respectivas aos agrupamentos de casos 32, realizadas de maneira adequada pela aplicação das técnicas de processamento de imagens e de aprendizado de máquina.
Isso traduz o sentido de similaridade do médico, capturado pelos agrupamentos 32 que definem a verdade básica de similaridade em características de comprovação ideais identificadas por computador. Essas características de comprovação podem então ser usadas para representar os casos de pacientes no sistema ADC. Opcionalmente, é determinada uma distância ideal ou
26/35 métrica de similaridade pelas técnicas de aprendizado de máquina usando a verdade básica de similaridade como dados de treinamento. Como mostrado na FIGURA 5, as imagens dos agrupamentos de casos 32 são processadas pela componente para a extração das características de imagem 40 para identificar as características de imagens. Opcionalmente, as características de não imagens são adicionadas 90 para gerar um conjunto de características disponíveis 92. Uma dada característica disponível pode ou não ser de comprovação, pelo qual pode ou não ser útil para a discriminação entre os casos de pacientes dos grupos 32. Depois, usando as técnicas de aprendizado de máquina é aplicada a seleção de características para encontrar o conjunto de características de comprovação e opcionalmente para ainda encontrar uma distância ou métrica de similaridade empregando as características de comprovação.
Na realização ilustrativa da FIGURA 5, o aprendizado de máquina emprega um algoritmo genetico acoplado a um aglomerado k médio, e usa os aglomerados de similaridade estabelecidos como verdade básica. Os algoritmos genéticos (AG) são úteis para a otimização dos problemas em espaços altamente dimensionais, e foram determinados como úteis em problemas combinatorics como a seleção de características. Na seleção de características AG, diferentes subconjuntos característicos são codificados em uma série de cromossomos. Uma população de diferentes cromossomos passa por um processo de combinação (características de troca), reprodução e mutação. A pressão da seleção é exercida de maneira que os cromossomos mais aptos, medidos por um critério adequado de aptidão, têm maior chance de passar suas informações genéticas. A população assim passa por
27/35 subconjuntos de características ideais em relação a uma função objetiva denominada de função de aptidão ou critério de aptidão.
Em certas realizações para a determinação do subconjunto ideal de características e de métrica de distância, os algoritmos genéticos são acoplados à classificação de vizinhança do k mais próximo e usando os aglomerados de similaridade estabelecidos como verdade básica. O algoritmo genético identifica iterativamente os subconjuntos de características candidatas, que são avaliadas por meio de uma função de aptidão. As informações clínicas de não imagens são opcionalmente adicionadas ao conjunto de características, por exemplo, usando um método de escalação de 1-de-C para comparar com as características de imagens.
São construídos os cromossomos 94 que representam as características disponíveis. Por exemplo, cada característica disponível pode ser representada por um gene binário do cromossomo, em que o valor binário de 1 indica que a característica é uma característica de comprovação e um valor binário de 0 indica que característica não é de comprovação. Em um algoritmo genético típico, um conjunto substancial (isto e, população) de cromossomos é gerado randomicamente com diferentes genes ou pseudo-randomicamente ligados on (isto é, tendo valor 1 indicando que a característica é de comprovação) ou off (isto é, tendo valor 0 indicando que a característica não é de comprovação) . Um algoritmo genético 96 é então aplicado de forma iterativa usando a correlação do algoritmo de seleção com os agrupamentos de casos 32 e incorporando algoritmos randômicos ou pseudo-randômicos de mutação de genes para otimizar ou evoluir a população de cromossomos
28/35 respectivamente à correlação com os agrupamentos de casos de pacientes 32. Os genes on ou combinações de genes on dos cromossomos da população evoluída definem então as características de comprovação ou as combinações de características 44.
Opcionalmente, os genes podem ter valores contínuos indicativos da potência da correlação das correspondentes características com os agrupamentos de casos 32, ao invés de ter valores de genes binários. Nessas realizações, o algoritmo genético expande os pesos dos genes da população de cromossomos, de maneira que os genes da população expandida proporcionam pesos de correlação para as características de comprovação. Em algumas dessas realizações, a combinação de pesos que melhor se adapta aos agrupamentos de casos de pacientes 96, como representadas pela combinação de genes nos cromossomos expandidos sobreviventes, pode também ser usada para definir uma distância ou uma métrica de similaridade.
Por exemplo, como primeira etapa de uma iteração do algoritmo genético 96, pode ser deixado fora um caso de paciente e as distâncias sao calculadas entre aquele caso de paciente e todos os demais casos usando as características representadas no cromossomo. A função de aptidão do algoritmo genético 96 pode ser determinada como uma função dessas distâncias e os grupos de similaridade aos quais os pertencem os casos de pacientes (ex. , hierarquizando as distâncias do mais curto ao mais longo, quantas distâncias que não pertencem ao próprio grupo de similaridade do caso de paciente deixado fora). Isso pode ser feito para cada caso de paciente nos grupos 32, e obtido um valor acumulado de aptidão. Depois, os cromossomos são modificados ou mutados de maneira
29/35 randômica ou pseudo-randômica, de acordo com o princípio do algoritmo genético escolhido 96.
Em outra realização, o algoritmo genético é restrito a sempre ligar ou desligar determinadas características de grupo em conjunto, de maneira a que possam ser ditadas por um médico ou por qualquer outra pessoa médica de diagnósticos que saiba que essas características são relacionadas. Nessas realizações, a construção dos cromossomos em operação 94 pode ser feita da seguinte maneira ilustrativa: um gene representa uma característica disponível e os genes que tentam medir a mesma categoria de características conceituais são agrupados. Dessa forma, o algoritmo genético 96 é restrito de maneira que o algoritmo genético nunca deixa todos os genes que representam as medidas calculadas de um aspecto, como a formação de espículas (por exemplo) seja descartada no total. Isto é, o algoritmo genético é restrito de maneira que pelo menos uma característica ou gene de formação de espículas esteja sempre presente em um cromossomo, já que a formaçao de espículas é conhecida pelos médicos como sendo uma característica de comprovação para diagnósticos de câncer de mama.
Em outras realizações, o tipo de métrica de distância (por exemplo, uma distancia Euclidiana, ou uma distância de Mahalanobis ou bloco de cidade, ou assim por diante) possa ser escolhido pelo algoritmo genético 96 que inclui genes representantes das diferentes funções de distância.
Apesar de o exemplo ilustrativo da FIGURA 5 empregar um algoritmo genético para a componente de aprendizado por máquina 42, este é somente um exemplo ilustrativo. Em geral, a componente de aprendizado por máquina 42 pode substancialmente empregar qualquer método
30/35 de aprendizado de máquina ou combinação de métodos, que incluem alguns outros exemplos ilustrativos: recozimento simulado; buscas exaustivas; buscas flutuantes: análise de componentes de princípios (ACP) ou outro método de redução de características; ou assim por diante. Além disso, é contemplado omitir a componente de aprendizado por máquina 42 e configurar o subsistema para a determinação de características de comprovação 12 para prover uma interface gráfica de usuário que permita ao médico ou de outra pessoa médica de diagnósticos ou uma pluralidade de médicos ou de outras pessoas médicas de diagnósticos, selecionar as características de comprovação manualmente com base em observações das características disponíveis dos grupos de casos de pacientes 32. Por exemplo, a lista de características de comprovação perceptual e clínica pode ser opcionalmente obtida manualmente com os médicos usando métodos cognitivos. Em uma aplicação de em imagens RM com contraste câncer de mama com dinâmico ampliado características morfológicas das anormalidades base as das áreas circundantes, como forma, margem, textura, curvas cinéticas ou assim por diante, podem ser calculadas de várias formas por técnicas de processamento de imagens, e examinadas por capacidade de comprovação pelo médico. Os médicos sabem, por exemplo, que a formação de espículas é uma característica de comprovação para diagnósticos de câncer de mama, e assim o médico deve provavelmente considerar diferentes medidas de formação de espículas como características candidatas de comprovação. Examinando os valores das diferentes medidas de formação de espículas entre os casos de pacientes dos grupos de casos de pacientes 32, o médico pode selecionar manualmente aquelas medidas de formação de espículas que
31/35 mais se correlacionarem com os agrupamentos 32 como características de comprovação. As técnicas manuais de análise cognitiva podem também ser combinadas com vantagens com abordagens de aprendizado de máquina. Por exemplo, a análise cognitiva pode ser usada para gerar um conjunto de características de comprovação candidatas, seguidas por ACP ou por outro método de redução de características para a redução do número de características de comprovação.
Com referência à FIGURA 6, é descrita uma operação ilustrativa de um subsistema de interface de usuário ADC 16. A interface de entrada de dados de casos de pacientes atuais 50 é acessada pelo usuário para entrar com dados de um paciente presente 100. A entrada de dados do paciente presente 100 geralmente inclui uma ou mais imagens de pacientes, como imagens do paciente obtidas por um ou mais de: imagens TC, imagens RM, imagens PET, imagens SPECT, imagens de fluoroscopia, imagens de ultrassom, e imagens de raios-X. A componente para a extração das características de imagem 52 processa essas imagens de pacientes presentes para extrair as características de imagens de comprovação, e opcionalmente as características de comprovação de não imagens 102 são combinadas com as características de imagens de comprovação para definirem um conjunto de características de comprovação ou combinações de características do caso de paciente atual 104. Como notado anteriormente, a componente para a extração das características de imagem 52 pode opcionalmente ser configurada pela mesma componente que configura a componente para a extração das características de imagem 40 do subsistema para a determinação de características de comprovação 12.
32/35
É feita uma operação de inferência 110 pelo motor de inferência ADC 54 para gerar informações para apoio da decisão clínica 112 que é apresentada ao usuário pela interface de saída ADC de caso de paciente atual 56. 0 motor de interface ADC 54 pode ser configurado de várias formas. Em certas realizações, a distância ou a métrica ou métricas de similaridade 48 sao usadas para quantificara distância (ou, analogamente, para quantificar a similaridade) do caso de paciente atual com relaçao a cada caso em cada grupo de casos clinicamente relacionados dos agrupamentos 32. Para uma métrica de distância, a inferência emprega a seguinte relação: Graatch = ming{d(c, g)}, onde d(c,g) representa o valor médio da métrica de distância d do caso de paciente atual indicado c a partir dos casos que compreendem um grupo indicado g , o operador ming{ . . . } indica o mínimo com relação a todos os grupos g dos agrupamentos 32, e Gmatch, representa o grupo na distância mínima (e assim, o grupo mais similar ao caso de paciente atual c) . Para uma métrica de similaridade s, a expressão análoga é: Gmatch= max{s(c,g)}. Também podem ser usados outros algoritmos de inferência, como um classificador treinado que recebe as entradas das características de comprovação do caso de paciente atual e saídas do grupo que combine mais proximamente. Esse classificador pode ser treinado, por exemplo, usando um conjunto de treinamento de casos de pacientes pré-anotados com as identificações do grupo, como nos agrupamentos 32. Em certas realizações, é usado um classificador (k-NN) vizinho do k mais próximo, que fornece uma estimativa da probabilidade posterior a que pertence um caso de pesquisa a um grupo do caso de pacientes. Com base nos casos obtidos de k mais similar (menores distâncias, no caso de uma métrica de distância), esta probabilidade posterior é
33/35 estimada pelo número de casos do grupo do caso de pacientes dos casos de k mais similar dividido por k. Este é somente um exemplo ilustrativo, podendo ser usados outros classificadores.
O seguinte descreve os outros aspectos de uma realização proposta direcionada ao diagnóstico de cancer de mama. Atualmente, o câncer de mama é o câncer mais comum e a segunda causa mais comum de morte por câncer entre as mulheres nos Estados Unidos. Sistemas e métodos ADC baseados na recuperação de imagens baseada no conteúdo (RIBC), como revelada na presente, imitam o julgamento natural do médico, recuperando casos similares que pareçam casos de pacientes previamente revisados e diagnosticados. Esses métodos se baseiam na experiência passada coletada e oferecem novos conhecimentos, como o da identificação automatizada das características de comprovação correlacionadas, de apoio da tomada de decisões do médico. Portanto, O sistema ADC revelado baseado em conteúdo para o diagnóstico do câncer de mama ajuda os médicos a decidirem se um caso pesquisado tem probabilidade de ser maligno ou benigno, evitando assim a má interpretação e evitando biópsias desnecessárias. Apesar de o RMI dinâmico com ampliação de contraste (DCE-RMI) ter emergido como uma principal ferramenta de diagnósticos na caracterizaçao das lesões de mama, devido à sua maior sensibilidade, geralmente conduz a uma alta incidência de biópsias negativas. O subsistema para a determinação de características de comprovação 12 que inclui a componente de aprendizado por máquina 42, como revelada na presente, traduz o senso subjetivo do médico (ou dos médicos) sobre a similaridade do caso de paciente como refletida nos agrupamentos de casos 32 em características de comprovação 44 que opcionalmente inclui métrica automaticamente
34/35 computável 46, 48.
Espera-se que um sistema ADC baseado em RIBC, como revelado na presente, que é otimizado em similaridade clínica para estudos DCE-RMI de câncer de mama melhore substancialmente a precisão de diagnóstico do médico e que reduza tanto as biópsias desnecessárias como os atrasos no tratamento. Uma recuperação baseada em conteúdo com base nas características morfológicas e cinéticas extraídas dos estudos DCE-RMI de mama pode recuperar casos anteriores com o mesmo diagnóstico e similares características de imagens que um caso de pesquisa. Os sistemas e métodos ADC revelados permitem o agrupamento com base na similaridade clínica dos casos de câncer de mama usando a perícia de médicos experimentados. As características de imagens de comprovação e características de não imagens são identificadas com base na análise cognitiva ou em outras técnicas para a correlação das características com os agrupamentos de casos. Pela integração da visão avançada de computador, as técnicas de processamento de imagens e de aprendizado de máquina, é desenvolvido e otimizado o sistema ADC com base em RIBC para a aplicação do diagnóstico de câncer de mama, de maneira a espelhar substancialmente os julgamentos de similaridade feitos pelos peritos médicos humanos. Apesar de o uso do diagnóstico de câncer de mama ser uma aplicação ilustrativa, será apreciado que a metodologia subjacente pode ser generalizada e adaptada a outros tumores sólidos, como de cólon, pulmão, fígado, cancer de cérebro e para diagnósticos de outros tipos de doenças médicas, tanto dentro como fora da oncologia.
Este pedido descreveu uma ou mais realizações nreferidas. Podem ocorrer modificações ou alterações às
35/35 pessoas após a leitura e compreensão da descrição supramencionada. Pretende-se que o pedido seja compreendido como incluindo todas essas modificações e alterações até o limite em que estiverem no escopo das 5 reivindicações anexas ou de seus equivalentes.

Claims (15)

  1. REIVINDICAÇÕES
    1. SISTEMA DE APOIO À DECISÃO CLÍNICA (ADC), caracterizado por compreender: um subsistema de agrupamento de casos (10) que inclui uma interface gráfica de usuário (30) que opera para exibir simultaneamente dados representantes de uma pluralidade de casos de pacientes e ainda configurado para permitir que um usuário agrupe casos selecionados de pacientes representados pelos dados exibidos simultaneamente nos grupos clinicamente relacionados (32) na forma selecionada pelo usuário; um subsistema para a determinação de características de comprovação (12) que opera para determinar as características de comprovação (44) que se correlacionam com os clinicamente relacionados, e uma interface ADC de usuário (16) que opera para receber os dados do paciente atual que se relacionam com o caso do paciente atual e para produzir informações de apoio da decisão clínica com base nos valores das características de comprovação determinadas a partir dos dados recebidos do paciente atual.
  2. 2. SISTEMA ADC, de acordo com a reivindicação 1, caracterizado em que o subsistema de agrupamento de casos (10) que inclui a interface gráfica de usuário (30) opera para prover agrupamento de caso tipo arrasta-e-solta onde o usuário arrasta os dados mostrados representantes de um caso de paciente a partir de uma região de exibição visual de origem (82) para uma região (84) recorrente em um grupo clinicamente relacionado.
  3. 3. SISTEMA ADC, de acordo com a reivindicação 2, caracterizado em que o subsistema de agrupamento de casos (10) que inclui a interface gráfica de usuário (30) opera para prover um agrupamento tipo arrasta-e-solta em que o usuário arrasta os dados mostrados representantes de um caso de paciente a partir de uma região de exibição visual de origem (82) para uma região de criação de novo grupo (84)
    2/4 para criar um grupo clinicamente relacionado.
  4. 4. SISTEMA ADC, de acordo com qualquer uma das reivindicações 1 a 3, em que os dados mostrados representantes de um caso de paciente são caracterizados por compreender uma imagem de paciente ou uma imagem resumida gerada a partir de uma imagem de paciente.
  5. 5. SISTEMA ADC, de acordo com a reivindicação 1, caracterizado em que o subsistema de agrupamento de casos (10) que inclui uma interface gráfica de usuário (30) opera para exibir de forma concomitante ícones de casos de pacientes que compreendem as imagens de pacientes ou imagens resumidas geradas pelas imagens de pacientes e para permitir que o usuário agrupe graficamente ícones de casos de pacientes selecionados em grupos clinicamente relacionados na forma selecionada pelo usuário.
  6. 6. SISTEMA ADC, de acordo com as reivindicações 4 e
    5, caracterizado em que as imagens de pacientes são uma ou mais de: imagens de tomografia computadorizada (TC), imagens de ressonância magnética (RM), imagens de tomografia por emissão de positrons (TER), imagens de tomografia computadorizada por emissão de fóton único (TCEFU), imagens de fluoroscopia, imagens de ultrassom e imagens de raios-X.
  7. 7. SISTEMA ADC, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado em que o subsistema para a determinação de características de comprovação (12) inclui um componente de aprendizado por máquina (42) que opera para determinar automaticamente as características de comprovação (44) tendo valores para diferentes casos de pacientes que se correlacionam com os grupos clinicamente relacionados (32).
  8. 8. SISTEMA ADC, de acordo com a reivindicação 7, caracterizado em que o subsistema para a determinação de características de comprovação (12) que inclui um componente de aprendizado por máquina (42) ainda opera para determinar
    3/4 automaticamente a distância ou a função de similaridade (48) que combina as características de comprovação (44).
  9. 9 . SISTEMA ADC, de acordo com qualquer uma das reivindicações 1 a 8, em que o subsistema para a determinação de características de comprovação (12) é caracterizado por compreender ainda: um componente para a extração das características de imagem (40) que opera para extrair as características de imagens de uma imagem de paciente, o componente de aprendizado por máquina (42) operando pelo menos nas características de imagens.
  10. 10. SISTEMA ADC, de acordo com qualquer uma das reivindicações 1 a 9, caracterizado em que a interface de usuário ADC (16) compreende:
    um motor de inferência (54) que opera para gerar as informações para apoio da decisão clínica com base nos valores das características de comprovação determinadas a partir dos dados recebidos do paciente atual.
  11. 11. MÉTODO (ADC) DE APOIO À DECISÃO CLÍNICA IMPLEMENTADO POR UM SISTEMA ADC, o método ADC é caracterizado por compreender:
    o provimento de uma interface gráfica de usuário (30) pela qual o usuário agrupe os casos de pacientes em grupos clinicamente relacionados (32), a interface gráfica de usuário representando graficamente os casos de pacientes por ícones de casos de pacientes compreendendo a imagens de pacientes ou imagens resumidas geradas a partir das imagens de pacientes;
    a determinação de características de comprovação (44) dos casos de pacientes tendo valores que se correlacionam com os grupos clinicamente relacionados; e o provimento automático de informações para a decisão de apoio clínico com base nos dados recebidos do paciente atual que se relacionam com o caso do paciente atual
    4/4 com base nos valores das características de comprovação determinadas a partir dos dados recebidos do paciente atual.
  12. 12 . MÉTODO ADC, de acordo com a reivindicação 11, caracterizado em que a interface gráfica de usuário (30) provê a manipulação arrasta-e-solta dos ícones de casos de pacientes pelos quais o usuário agrupa os casos de pacientes em grupos clinicamente relacionados (32).
  13. 13. MÉTODO ADC, de acordo com a reivindicação 11 ou
    12, caracterizado em que a determinação:
    determinar automaticamente as características de comprovação (42) dos casos de pacientes tendo valores que se correlacionam com os grupos clinicamente relacionados (32) usando um componente de aprendizado por máquina (42).
  14. 14. MÉTODO ADC, de acordo com a reivindicação 13, caracterizado em que a determinação automática é compreende ainda: das características de imagens da as características de imagens sendo a extração imagens de pacientes, processadas pelo componente de aprendizado por máquina (42).
  15. 15. MÉTODO ADC, de acordo com a reivindicação 13 ou
    14, caracterizado em que o componente de aprendizado por máquina (42) ainda processa pelo menos algumas características de não imagem.
BRPI1006388A 2009-04-15 2010-03-09 sistema de apoio à decisão clínica (adc) e método (adc) de apoio à decisão clínica implementado por um sistema adc BRPI1006388A2 (pt)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16947309P 2009-04-15 2009-04-15
PCT/IB2010/051013 WO2010119356A2 (en) 2009-04-15 2010-03-09 Clinical decision support systems and methods

Publications (1)

Publication Number Publication Date
BRPI1006388A2 true BRPI1006388A2 (pt) 2020-02-04

Family

ID=42229296

Family Applications (1)

Application Number Title Priority Date Filing Date
BRPI1006388A BRPI1006388A2 (pt) 2009-04-15 2010-03-09 sistema de apoio à decisão clínica (adc) e método (adc) de apoio à decisão clínica implementado por um sistema adc

Country Status (8)

Country Link
US (1) US10504197B2 (pt)
EP (1) EP2419849B1 (pt)
JP (1) JP5506912B2 (pt)
CN (1) CN102395975B (pt)
BR (1) BRPI1006388A2 (pt)
PL (1) PL2419849T3 (pt)
RU (1) RU2543563C2 (pt)
WO (1) WO2010119356A2 (pt)

Families Citing this family (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5506912B2 (ja) * 2009-04-15 2014-05-28 コーニンクレッカ フィリップス エヌ ヴェ 臨床決定支援システム及び方法
US20120116804A1 (en) * 2010-11-04 2012-05-10 International Business Machines Corporation Visualization of social medical data
EP3242270B1 (en) * 2010-12-20 2021-03-03 Koninklijke Philips N.V. System and method for automatic generation of initial radiation treatment plans
US20120159395A1 (en) 2010-12-20 2012-06-21 Microsoft Corporation Application-launching interface for multiple modes
US8689123B2 (en) 2010-12-23 2014-04-01 Microsoft Corporation Application reporting in an application-selectable user interface
US8612874B2 (en) 2010-12-23 2013-12-17 Microsoft Corporation Presenting an application change through a tile
US9423951B2 (en) 2010-12-31 2016-08-23 Microsoft Technology Licensing, Llc Content-based snap point
US9383917B2 (en) 2011-03-28 2016-07-05 Microsoft Technology Licensing, Llc Predictive tiling
US20120272171A1 (en) * 2011-04-21 2012-10-25 Panasonic Corporation Apparatus, Method and Computer-Implemented Program for Editable Categorization
US9104307B2 (en) 2011-05-27 2015-08-11 Microsoft Technology Licensing, Llc Multi-application environment
US20120304132A1 (en) 2011-05-27 2012-11-29 Chaitanya Dev Sareen Switching back to a previously-interacted-with application
US8893033B2 (en) 2011-05-27 2014-11-18 Microsoft Corporation Application notifications
US9104440B2 (en) 2011-05-27 2015-08-11 Microsoft Technology Licensing, Llc Multi-application environment
US9658766B2 (en) 2011-05-27 2017-05-23 Microsoft Technology Licensing, Llc Edge gesture
US9158445B2 (en) 2011-05-27 2015-10-13 Microsoft Technology Licensing, Llc Managing an immersive interface in a multi-application immersive environment
US20130057587A1 (en) 2011-09-01 2013-03-07 Microsoft Corporation Arranging tiles
US20130067412A1 (en) * 2011-09-09 2013-03-14 Microsoft Corporation Grouping selectable tiles
US9557909B2 (en) 2011-09-09 2017-01-31 Microsoft Technology Licensing, Llc Semantic zoom linguistic helpers
US10353566B2 (en) 2011-09-09 2019-07-16 Microsoft Technology Licensing, Llc Semantic zoom animations
US8922575B2 (en) 2011-09-09 2014-12-30 Microsoft Corporation Tile cache
US9244802B2 (en) 2011-09-10 2016-01-26 Microsoft Technology Licensing, Llc Resource user interface
US9146670B2 (en) 2011-09-10 2015-09-29 Microsoft Technology Licensing, Llc Progressively indicating new content in an application-selectable user interface
US8682049B2 (en) * 2012-02-14 2014-03-25 Terarecon, Inc. Cloud-based medical image processing system with access control
US8553965B2 (en) * 2012-02-14 2013-10-08 TerraRecon, Inc. Cloud-based medical image processing system with anonymous data upload and download
US20130226612A1 (en) * 2012-02-26 2013-08-29 International Business Machines Corporation Framework for evidence based case structuring
US9274678B2 (en) * 2012-09-13 2016-03-01 Google Inc. Identifying a thumbnail image to represent a video
US10453561B2 (en) 2012-12-28 2019-10-22 Volcano Corporation Multi-modality case explorer system and method
US11120896B2 (en) 2012-12-28 2021-09-14 Philips Image Guided Therapy Corporation Multi-modality anonymizing system and method
US10409951B2 (en) 2012-12-28 2019-09-10 Volcano Corporation Multi-modality case management system and method
CA2896519A1 (en) * 2012-12-28 2014-07-03 Volcano Corporation Devices, systems, and methods for handling data in the context of invasive, multi-modality medical systems
JP5668090B2 (ja) * 2013-01-09 2015-02-12 キヤノン株式会社 医療診断支援装置及び医療診断支援方法
US9949696B2 (en) * 2013-03-14 2018-04-24 Tensys Medical, Inc. Apparatus and methods for computing cardiac output of a living subject via applanation tonometry
US10354281B2 (en) * 2013-10-31 2019-07-16 International Business Machines Corporation Communicating with a customer traveling on a route to a location
US10978208B2 (en) * 2013-12-05 2021-04-13 International Business Machines Corporation Patient risk stratification by combining knowledge-driven and data-driven insights
US9373075B2 (en) * 2013-12-12 2016-06-21 International Business Machines Corporation Applying a genetic algorithm to compositional semantics sentiment analysis to improve performance and accelerate domain adaptation
US9152761B2 (en) 2014-01-10 2015-10-06 Heartflow, Inc. Systems and methods for identifying medical image acquisition parameters
CN106233322A (zh) * 2014-03-03 2016-12-14 赛曼提克姆德公司 基于个性化内容的患者检索系统
KR102298602B1 (ko) 2014-04-04 2021-09-03 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 확장가능한 애플리케이션 표시
CN105359055A (zh) 2014-04-10 2016-02-24 微软技术许可有限责任公司 计算设备的滑盖
EP3129846A4 (en) 2014-04-10 2017-05-03 Microsoft Technology Licensing, LLC Collapsible shell cover for computing device
CA2957379A1 (en) * 2014-08-07 2016-02-11 Curelator, Inc. Chronic disease discovery and management system
CN106796621B (zh) * 2014-09-10 2021-08-24 皇家飞利浦有限公司 图像报告注释识别
EP3215968B1 (en) * 2014-11-07 2023-08-23 Koninklijke Philips N.V. Optimized anatomical structure of interest labelling
EP3234835A1 (en) * 2014-12-19 2017-10-25 Koninklijke Philips N.V. Automated derivation of quality assurance rules
US9626267B2 (en) 2015-01-30 2017-04-18 International Business Machines Corporation Test generation using expected mode of the target hardware device
KR102031738B1 (ko) 2015-02-02 2019-10-14 노바다크 테크놀러지즈 유엘씨 피검체의 조직을 특성화하는 방법 및 시스템
EP3262605A1 (en) 2015-02-26 2018-01-03 Brainlab AG Adaptation of image data sets to an updated atlas-based reference system
US20160306936A1 (en) * 2015-04-15 2016-10-20 Canon Kabushiki Kaisha Diagnosis support system, information processing method, and program
RU2613029C2 (ru) * 2015-05-05 2017-03-14 Ольга Анатольевна Клочихина Автоматизированная система формирования расширенного регистра инсульта
RU2598578C1 (ru) * 2015-05-05 2016-09-27 Ольга Анатольевна Клочихина Способ профилактики заболеваемости инсультом
RU2622498C1 (ru) * 2016-01-26 2017-06-15 Ольга Викторовна Гончарова Способ повышения качества медицинской помощи, связанный с электронной информационной системой
JP7117246B2 (ja) * 2016-03-16 2022-08-12 コーニンクレッカ フィリップス エヌ ヴェ 類似するプロファイルを持つ患者を共に分類する分類モデルの性能を改善するための適合性フィードバック
WO2018018160A1 (en) 2016-07-29 2018-02-01 Novadaq Technologies ULC Methods and systems for characterizing tissue of a subject utilizing machine learning
US10025902B2 (en) * 2016-08-12 2018-07-17 Verily Life Sciences Llc Enhanced pathology diagnosis
US11195313B2 (en) * 2016-10-14 2021-12-07 International Business Machines Corporation Cross-modality neural network transform for semi-automatic medical image annotation
US20180330805A1 (en) * 2017-05-10 2018-11-15 Koninklijke Philips N.V. Cohort explorer for visualizing comprehensive sample relationships through multi-modal feature variations
EP3460807A1 (en) 2017-09-20 2019-03-27 Koninklijke Philips N.V. Subject clustering method and apparatus
US20190147620A1 (en) * 2017-11-14 2019-05-16 International Business Machines Corporation Determining optimal conditions to photograph a point of interest
US11393587B2 (en) * 2017-12-04 2022-07-19 International Business Machines Corporation Systems and user interfaces for enhancement of data utilized in machine-learning based medical image review
US10922944B2 (en) 2018-06-28 2021-02-16 Hill-Rom Services, Inc. Methods and systems for early detection of caregiver concern about a care recipient, possible caregiver impairment, or both
US11302423B2 (en) * 2019-01-23 2022-04-12 International Business Machines Corporation Predicting patients who can benefit from a clinical trial
JP7122279B2 (ja) * 2019-03-15 2022-08-19 株式会社日立製作所 医療機関選定サーバ及び医療機関選定方法
CN110517745B (zh) * 2019-08-15 2023-06-27 中山大学肿瘤防治中心 医疗检查结果的展示方法、装置、电子设备及存储介质
CN110584605B (zh) * 2019-09-10 2023-01-31 江苏恒盛信息技术有限公司 一种相似度匹配的诊断监控综合医疗系统及其匹配方法
CN111091907A (zh) * 2019-11-15 2020-05-01 合肥工业大学 基于相似病例库的健康医疗知识检索方法和系统
RU197528U1 (ru) * 2019-12-26 2020-05-12 федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский политехнический университет Петра Великого" (ФГАОУ ВО "СПбПУ") Компрессионный блок для фиксации молочной железы при неинвазивном способе её исследования и/или лечения
US20230187039A1 (en) * 2021-12-10 2023-06-15 International Business Machines Corporation Automated report generation using artificial intelligence algorithms

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030013951A1 (en) 2000-09-21 2003-01-16 Dan Stefanescu Database organization and searching
US7043474B2 (en) * 2002-04-15 2006-05-09 International Business Machines Corporation System and method for measuring image similarity based on semantic meaning
US20070175980A1 (en) 2003-12-16 2007-08-02 Koninkiljke Philips Electronics, N.V. Clinical decision support system for guideline selection and knowledge/location indication with the guideline
CN1914641A (zh) 2004-01-26 2007-02-14 皇家飞利浦电子股份有限公司 基于样本的诊断决策支持
US20050261941A1 (en) 2004-05-21 2005-11-24 Alexander Scarlat Method and system for providing medical decision support
RU2299470C2 (ru) * 2004-09-09 2007-05-20 Институт иммунологии и физиологии Уральского отделения Российской Академии наук (ИИФ УрО РАН) Способ построения единого информационного пространства для практического врача
RU2285950C2 (ru) * 2004-11-05 2006-10-20 Виктор Валентинович Омельченко Способ визуального отображения и динамического анализа состояния живого организма
JP2006146623A (ja) * 2004-11-19 2006-06-08 Takahiko Tomoyose 画像データ編集システムおよびコンピュータプログラム
US20060231108A1 (en) 2005-04-18 2006-10-19 General Electric Company Method and apparatus for managing multi-patient contexts on a picture archiving and communication system
CN101346722A (zh) 2005-10-31 2009-01-14 皇家飞利浦电子股份有限公司 临床工作流管理和决策系统与方法
JP4799251B2 (ja) 2006-04-05 2011-10-26 富士フイルム株式会社 類似症例検索装置、類似症例検索方法およびそのプログラム
TW200817956A (en) 2006-06-16 2008-04-16 Koninkl Philips Electronics Nv Clinician-driven example-based computer-aided diagnosis
JP4493637B2 (ja) * 2006-09-29 2010-06-30 オリンパス株式会社 診断支援装置及び診断支援方法
JP4979334B2 (ja) * 2006-10-18 2012-07-18 富士フイルム株式会社 医用画像読影支援システム及びプログラム
JP5125128B2 (ja) * 2007-02-01 2013-01-23 コニカミノルタエムジー株式会社 医用画像管理システム、データ管理方法
US8189880B2 (en) 2007-05-29 2012-05-29 Microsoft Corporation Interactive photo annotation based on face clustering
JP2008300652A (ja) * 2007-05-31 2008-12-11 Toshiba Corp 半導体装置の製造方法
EP2283445A1 (en) * 2008-05-19 2011-02-16 F. Hoffmann-La Roche AG Computer research tool for the organization, visualization and analysis of metabolic-related clinical data and method thereof
US8607148B2 (en) * 2008-08-26 2013-12-10 General Electric Company Method and system for performing drag and drop operation
EP2338122B1 (en) * 2008-09-26 2018-12-05 Koninklijke Philips N.V. System and method for fusing clinical and image features for computer-aided diagnosis
JP5506912B2 (ja) * 2009-04-15 2014-05-28 コーニンクレッカ フィリップス エヌ ヴェ 臨床決定支援システム及び方法

Also Published As

Publication number Publication date
US20120041779A1 (en) 2012-02-16
JP5506912B2 (ja) 2014-05-28
JP2012523877A (ja) 2012-10-11
EP2419849B1 (en) 2017-11-29
WO2010119356A3 (en) 2010-12-02
EP2419849A2 (en) 2012-02-22
CN102395975A (zh) 2012-03-28
US10504197B2 (en) 2019-12-10
WO2010119356A2 (en) 2010-10-21
CN102395975B (zh) 2016-02-10
PL2419849T3 (pl) 2018-05-30
RU2011146142A (ru) 2013-05-20
RU2543563C2 (ru) 2015-03-10

Similar Documents

Publication Publication Date Title
BRPI1006388A2 (pt) sistema de apoio à decisão clínica (adc) e método (adc) de apoio à decisão clínica implementado por um sistema adc
RU2533500C2 (ru) Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера
US10282840B2 (en) Image reporting method
JP5523342B2 (ja) 類似事例検索を精密化するための方法及び装置
JP7021215B2 (ja) Ｃａｄシステム推薦に関する確信レベル指標を提供するためのｃａｄシステムパーソナライゼーションの方法及び手段
JP2007524461A (ja) 乳房撮像の自動診断及び決定支援システム及び方法
JP5431924B2 (ja) 臨床医駆動の例示ベースのコンピュータ支援診断
CN1914617A (zh) 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法
KR20110090919A (ko) 위험 평가 및 진단을 위해 적용된 복잡성 과학 및 전문 지식을 사용한 의료 데이터의 자동 관리
CN102915400A (zh) 用于计算机支持地显示或分析医学检查数据的方法和装置
US20190214138A1 (en) Diagnosis support apparatus, diagnosis support system, and diagnosis support method
CN101903888A (zh) 用于基于跨模态病例的计算机辅助诊断的方法和系统
JP2019121390A (ja) 診断支援装置、診断支援システム、及び診断支援プログラム
JP2023503610A (ja) 医療スキャン映像の相互位置合わせおよびそれとともに使用する方法
JP5676597B2 (ja) 内容に基づく画像検索についての関連性フィードバック
CN114078593A (zh) 临床决策支持
Barnett et al. Interpretable mammographic image classification using case-based reasoning and deep learning
An et al. COVID-19 screening in chest X-ray images using lung region priors
WO2021107099A1 (ja) 文書作成支援装置、文書作成支援方法及びプログラム
Novaliendry et al. Medical Internet-of-Things Based Breast Cancer Diagnosis Using Hyper Parameter-Optimized Neural Networks
Qin et al. Application of artificial intelligence in diagnosis of craniopharyngioma
CN111265234A (zh) 一种肺部纵膈淋巴结的性质判定方法及系统
Oniga et al. Applications of ai and hpc in the health domain
Tang et al. Work like a doctor: Unifying scan localizer and dynamic generator for automated computed tomography report generation
Wang et al. A framework for interpretability in machine learning for medical imaging

Legal Events

Date Code Title Description
B06F Objections, documents and/or translations needed after an examination request according [chapter 6.6 patent gazette]
B25D Requested change of name of applicant approved

Owner name: KONINKLIJKE PHILIPS N.V. (NL)

B25G Requested change of headquarter approved

Owner name: KONINKLIJKE PHILIPS N.V. (NL)

B06U Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette]
B07A Application suspended after technical examination (opinion) [chapter 7.1 patent gazette]
B09B Patent application refused [chapter 9.2 patent gazette]
B12B Appeal against refusal [chapter 12.2 patent gazette]
B350 Update of information on the portal [chapter 15.35 patent gazette]
B08F Application dismissed because of non-payment of annual fees [chapter 8.6 patent gazette]

Free format text: REFERENTE A 14A ANUIDADE.

B08K Patent lapsed as no evidence of payment of the annual fee has been furnished to inpi [chapter 8.11 patent gazette]

Free format text: EM VIRTUDE DO ARQUIVAMENTO PUBLICADO NA RPI 2765 DE 02-01-2024 E CONSIDERANDO AUSENCIA DE MANIFESTACAO DENTRO DOS PRAZOS LEGAIS, INFORMO QUE CABE SER MANTIDO O ARQUIVAMENTO DO PEDIDO DE PATENTE, CONFORME O DISPOSTO NO ARTIGO 12, DA RESOLUCAO 113/2013.