CN101421736A - 在医疗计划中的个性化预后建模 - Google Patents

Abstract

带有个体的具体考虑的自动治疗计划(22)。一个或多个预后模型(18)对一个给定剂量指示与患者特定信息有关的耐受性。通过对多个剂量确定耐受性，来基于特定的患者并根据剂量来确定由耐受性所表示的生物模型(20)。相似地，确定并发症或者副作用的概率(20)。耐受性的概率和并发症的概率分别被用作或者代替肿瘤控制概率和正常组织并发症概率。根据患者特定剂量分布来选择期望肿瘤剂量和耐受剂量(216)。被选择的剂量被输入到逆向治疗计划的系统(22)，以确定辐射治疗参数。

Description

在医疗计划中的个性化预后建模

相关申请

本专利文献基于35U.S.C.§119(e)来要求在2006年4月17日申请的美国临时专利申请Nos.60/792,450的申请日期的权益，所述申请以引用的方式结合于此。

背景技术

本实施例涉及医疗计划。辐射治疗计划的目标在于计算一组参数以用于控制一个传送辐射给患者的辐射治疗设备。理想地，全部所述传送的辐射被集中在一个肿瘤内，并且没有辐射被传送到所述肿瘤的外面。事实上，这是不可能的。因此，辐射治疗计划试图找到一个对给所述肿瘤的辐射剂量和到所述肿瘤外部的辐射剂量作出权衡的解决方案。

一个操作员可以设置辐射治疗参数，如射束数目、射束位置、射束方向和射束强度。到所述肿瘤和所述肿瘤外部的预测辐射剂量根据操作员设置的辐射治疗参数来被计算。逆向治疗计划的系统(ITPS)已经被开发，其试图创建一个被给出一个目标功能的辐射治疗参数的最优解。该目标功能衡量一个特殊的辐射方案能够以何种程度实现治疗目标。

所述目标功能或者基于剂量或者基于一个通用生物模型。基于剂量的目标功能要求一个关于在一个规定肿瘤内的期望剂量应该到什么程度和所述肿瘤外部的期望剂量应该到什么程度的输入。ITPS随后试图优化一个解决方案以满足这些标准。基于生物参数的目标功能包括一个不同的剂量分布如何影响一个肿瘤和不同的剂量分布如何影响所述肿瘤外部的正常组织的通用模型。到所述系统的输入是期望肿瘤控制概率(TCP)和正常组织并发症概率(NTCP)。所述系统试图最大化期望肿瘤控制概率和最小化正常组织并发症概率，以符合期望目标。通过使用所述生物模型以提取到所述肿瘤的期望剂量以及允许到正常组织的耐受剂量，这些期望肿瘤控制概率和正常组织并发症概率目标的实现被执行。给定所述剂量，辐射治疗参数就被确定出。但是，辐射治疗参数对于一个给定患者来说未必是最佳的。

发明内容

在各种实施例中，系统、方法、指令以及计算机可读介质被提供用于带有对个体的具体考虑的自动治疗计划。一个或多个预后模型指示与一个给定剂量的患者专用信息有关的耐受性(survivability)。通过对于多个剂量确定耐受性，由与剂量有关的耐受性表示的生物模型被确定用于特定患者。同样，并发症或副作用的概率被确定。耐受性的概率以及并发症的概率分别被用作或代替所述肿瘤控制概率和正常组织并发症概率。与患者特定剂量分配有关的期望肿瘤剂量和耐受剂量被选择。所述被选择的剂量被输入到一个用于确定辐射治疗参数的逆向治疗计划的系统。

在一个第一方面中，一提供用于带有个体的具体考虑的自动治疗计划的系统。一个输入可操作以接收用于一个患者的多个患者特定特性的值。处理器可操作以把所述值施加到一个第一预后模型。所述第一预后模型把对应于所述值的多个变量与一个给定剂量的第一概率相关联。所述处理器可操作以把一个第一输入提供给一个逆向治疗计划的系统，其中第一输入取决于所述第一概率。显示器可操作以根据所述第一概率输出所述逆向治疗计划的系统提供的辐射治疗参数。

在一个第二方面中，一个计算机可读存储介质具有存储在其中的数据，该数据表示用于带有个体的具体考虑的自动治疗计划的可通过编程处理器执行的指令。所述指令包括：确定一个与剂量有关的存活概率的第一剂量分布，所述第一剂量分布根据专用于一个个体患者的第一值来通过一个预后模型输出；确定一个与剂量有关的并发症概率的第二剂量分布，所述第二剂量分布根据专用于所述个体患者的第二值来通过所述预后模型输出；从对应于一个期望的存活概率的所述第一剂量分布中选择一个肿瘤剂量；从对应于一个期望的并发症概率的所述第二剂量分配中选择一个耐受剂量；并且确定一个与所述肿瘤剂量和所述耐受(tolerance)剂量有关的辐射治疗方案。

在一个第三方面中，一个方法被提供用于带有个体的具体考虑的自动治疗计划。把患者的特定值施加到一个预测模型。一个存活概率响应于所述施加被从所述预后模型输出。一个根据所述存活概率的第一剂量被输入到一个逆向治疗计划的系统。一个辐射治疗方案响应于所述第一剂量从所述逆向治疗计划的系统输出。

任何一个或多个如上所述的方面可以被单独或组合使用。通过接下来的具体实施方式，这些以及其它方面、特征以及优点便会变得明显，所述具体实施方式将结合附图来理解。本发明由接下来的权利要求定义，并且在这个部分中没有什么应该作为在那些权利要求之上的限制。本发明的进一步方面以及优点在下面结合优选实施例被论述，并且可以在以后被独立地或组合地进行权利要求。

附图说明

图1是用于个体化的治疗计划的方法的一个实施例的流程图；

图2是用于个体化的治疗计划的方法的另一实施例的流程图；

图3是用于在辐射治疗方案中施加一个预后模型的系统的一个实施例的框图；

图4是在一个例子中的一个患者医疗记录的图解表示；以及

图5是用于推导一个预后模型的个体患者输入的数据挖掘器的一个实施例的图解表示。

具体实施方式

用于辐射治疗的治疗计划使用患者专用信息。期望肿瘤控制概率以及正常组织并发症概率模型基于通用模型，所述通用模型来自或者临床试验或者医学知识的其它资料来源。然而，每一个体可能具有用于剂量分布的一个唯一的期望肿瘤控制概率(TCP)或者正常组织并发症概率(NTCP)曲线。通过调整针对一个特殊个体的所述期望肿瘤控制概率或者正常组织并发症概率模型可以生成一个最优治疗。这些生物模型基于个体和/或治疗特性被修改，以个体化所述期望肿瘤控制概率以及正常组织并发症概率模型。所述产生的剂量和允许的对ITPS系统的耐受输入可能更加合理地反映适于一个个体患者的剂量。ITPS输出一个预测剂量到通过所述辐射治疗方案可达到的肿瘤和正常组织。

所述生物模型的个性化可以用多个方式构造。一个方法是构造小心的试验，其中在大量的患者基础上患者数据被收集，然后剂量和结果被测量。所述结果被随后返回关联到所述剂量和患者数据，以找到一个用于如何通过个体的患者数据来确定出结果的模型。然而，该方法可能是昂贵的，因为需要的不同患者的数目将是非常大的，以说明剂量和患者数据两者的变化。

在一个替代的方法中，一个预后模型基于患者的特定值来预测结果(例如存活率)和副作用(例如疾病)。与剂量有关的输出提供所述生物曲线。例如，所述预后模型源自于文献和/或一个数据库，例如在美国专利号＿＿＿(代理人编号2006P07714US01，与本申请同日提交)中，其公开内容在这里作为参考被包括。所述预后模型被用作用于剂量分布的生物模型。存活的概率和/或并发症的概率可能是通过利用很少数目的患者记录而不是数据密集的试验来建模而得到。存活的概率以及并发症的概率在一个逆向治疗计划的系统中被用作所述肿瘤控制概率和正常组织并发症概率。

可以使用任何预后模型。在一个实施例中，一个由公布文献获得的模型被使用。公布文献是用于建模的可靠资料的可用来源，甚至在大数据库不可用的地方。为了增加准确性，治疗结果(例如耐受性和并发症)通过组合多个资料来源的统计模型被预测，例如文献和数据驱动的模型。例如，非小细胞肺癌(non-small-cell lung-cancer，NSCLC)患者的2年存活率基于个体或者患者专用信息被预测。所述预测使用通过文献和一个数据库收集的知识库。通过把两者的信息源结合到一个联合模型中，所述预测的一致性和准确性可以被改进。

自动治疗计划可以与一个保健工作流程相关联。例如，患者数据挖掘或者人工输入提供数值到一个或多个预后模型。所述数值用于一个特定患者。所述模型或者多个模型生成一个涉及基于所述数值的可能的治疗的概率。所述模型或者多个模型可能重复地执行所述诊断以确定一个最佳的治疗，例如模拟不同的治疗概率。作为选择，输入建议的治疗并且输出与所述治疗相关联的预后。一个与耐受性的概率和一个并发症的可容忍的概率的期望组合相关联的剂量基于所述个体化的预后被选择。所述剂量和耐受被输出到一个逆向治疗计划的系统(ITPS)。所述ITPS和预后模型或者通过所述预后模型确定的剂量分布可以被重复地使用，以优化一个能实现的治疗计划。所述预后模型可以解释其它治疗，例如化学疗法、外科、和/或分馏法(fractionation)，以对个体的患者提供一个治疗方案。任何提供一个工作流程引擎的现在已知的或者以后开发的软件或者系统可以被配置为依照对特定的患者属性的考虑来进行自动治疗计划。

图1和2示出了用于带有个体的特定考虑的自动治疗计划的一个方法的实施例。所述方法采用图3所示的系统或者一个不同的系统被实现。所述动作依照所示的顺序或者一个不同的顺序被执行。另外的、不同的、或者更少的动作可以被提供。例如，图2中的动作202-210没有被提供。图1示出了用于确定一个治疗计划的患者特定值的使用。图2示出了用于确定一个治疗计划的一个预后模型及其后继使用的一个实施例的开发。

参照图2，在动作202中，用于一个疾病的预测器的定量的医学知识被从文献处收集。所述文献是任何公布信息，最好是可信的。所述文献资源可以是书、医学杂志、论文、报告或者其它出版物。一个或多个文献资源被使用。例如，与一种特定疾病和不同的治疗选择相关联的提示(leading)或者许多出版物被使用。所述文献可以报告临床研究的成果。

所述知识为了一个特定疾病或者一组相关疾病被收集。所述知识反映与一个或多个治疗相关联的耐受性和副作用(并发症)，所述一个或多个治疗例如一个同型治疗的不同的剂量。与一个疾病相关联的报告结果和对应治疗被收集。

一个变量的与结果相关性的任何指示可以被收集。定量的医学知识可以被提供作为一个表、一个图、文本或者其组合。例如，目标患者群体的特性、所述患者群体的整个存活率、展现某些特性的某些子群的存活率、危害比例、在一个接收治疗的研究中的患者比率、分组信息、治疗、结果、或者其它参数被收集。通常，所述文献报告一个有两组患者的研究，一个组接受治疗并且另一组不接受所述治疗。在所述研究开始时的所述两个组之间的患者比率、一个周期之后的整个存活率、以及危害(hazard)比例被给定。在其它出版物中，不同的、另外的、或者更少的信息被提供。没有直接报告过的数值可以从在文献中提供的信息被推定，为了缺少的信息单元可能需要另外的设想来弥补。

所述收集被人工地执行。例如，一个或多个人检查所述文献并且输入所述信息到一个数据库或者电子数据表中。所述收集、对所述收集的评估、或者用于收集的资源的选择可以通过一个医生或者其它博学的来源被执行或者检查。在可替代的实施例中，所述信息被自动或者半自动地收集。例如，在下面论述的数据挖掘被用来挖掘自由文本(free text)、其它非结构化的资源或者结构化的文献资源，以收集所希望的信息。手动的和自动的收集的组合可以被执行。

在动作204中，所述患者信息和结果之间的关系被确定。在一个实施例中，一个多变量模型通过所述收集信息在没有确定个体的关系的情况下被创建。在另一个实施例中，一个剂量和不同的预测器(即：与一个结果相关的不同患者信息变量)之间的单变量的关系通过所述定量的医学知识被独立地建模。在所述文献的报告成果的下层的统计模式和参数通过所收集的数据被反向工程(reverse engineered)。

在一个示例性实施例中，所述文献包括示出了与一个变量有关的结果的图。例如，与抽烟量有关的生存两年的概率可以被提供用于一个给定治疗。通过对所述图进行拟合，一个所述图的数学表达式被提供用于计算机的使用。线性、平方或者其它拟合可以被使用。作为选择，对应于所述图的逻辑(例如：if-then语句)对所述图建模。

在另一示例性实施例中，所述文献包括示出了与所述变量有关的结果的表。所述表被转换为供一个计算机使用的逻辑语句。作为选择，所述表被用作用于曲线拟合的数据点。所述拟合曲线建模所述表。

在又一个示例性实施例中，一个二进制分类利用一个逻辑或者Cox回归(Cox regression)被确定。所述分类通过一个表、一个图、文本、或者其组合被确定出。其它建模或者分类可以被使用。在其他实施例中，一个组合建模被确定用于单变量关系，例如同时使用分类和曲线拟合。两个不同的模型表示相同的关系。

作为一个分类的例子，总体存活率(S_av)、危害比例(h)、和与为与结果的相关性而学习的一个变量的不同的二进制数值(P＝0和P＝1)相关联的研究患者的比率被收集和用于建模一个单变量关系。所述患者的每一独立群的存活率可以不必独立地提供，建模也是如此。例如，一个总体存活率被提供，但是对于所述患者的两个组的每个来说，独立的存活率没有被提供。所述独立的存活率被建模。

使用一个用于二进制预测器P的Cox回归模型示例，所收集的数据被归类。危害比例的数值可以被给定为：h＝H_p＝0/H_p＝1。采用P＝0和P＝1的患者的比率可以通过w_P＝0和w_P＝1被表示。具有P＝0和P＝1的由S_P＝0和S_P＝1表示的所述子群的2年存活率被推断。所述比率在零时间(研究的开始)是已知的，而不是在所述研究结束时。一个存活时间的指数、韦伯(Weibull)、或者其它分布被假定或者已知。对于一个指数递减，公式： $w_{P=0}{s}_{p=1}^h+w_{P=1}=S_{\mathrm{av}}$ 产生。该公式包括作为一个指数项的危害比例、作为权重的相对比率、总体存活率、和患者的一个组的期望两年存活率。所述公式对S_P＝1被求解(数字地)。患者的其它组的两年存活率的关系表示为：S_P＝0＝(S_av-w_P＝1S_P＝1)/w_P＝0。结果是对于所述二进制预测器(变量)的两年之后的存活概率。

在上述例子中，一个特定的回归模型被使用。可以使用其它模型，例如逻辑回归。在所述例子中建模的结果是耐受性，但是其它结果可以被建模，例如并发症。两年存活率被建模，但是其它术语可以被使用。时间的范围(例如，4-10年存活率)对一个给定预测器可以被内插或者外插。其它公式可以被使用。其它参数可以被使用。非二进制的建模可以被使用。其它文献资源可以给定不同类型的信息，因此所述建模基于上下文可以不同。

对于一个给定治疗，不同的变量的与结果的关系可以被建模。例如，部分预后模型可以为一个给定剂量提供与所述输入变量有关的结果。不同的或者相同的模型可以被使用。任何变量可以被使用，但是统计上有显著意义的变量优先。其中可用的或者期望的、附加的单变量关系为一个给定治疗而建模。

在动作206中，所述单变量关系的建模被合并成一个多变量模型。任何组合可以被使用。因为关系反映概率，组合可以是随机的。例如，假定一个肺癌患者具有一个平均30％概率的两年存活率；和一个有肺癌的吸烟者具有一个27％概率的两年存活率，同时一个有肺癌的非吸烟者具有一个40％的概率；另外，假定有肺癌的男子具有一个25％概率的两年存活率，而妇女具有一个35％的概率。假定患者的性别和其烟瘾不彼此依赖(其实际上也许不正确)，人们可以组合这两个预测器，并且获得，举例来说，一个不吸烟妇女具有一个45.6％概率的两年存活率，而一个抽烟男子具有一个22.3％概率的两年存活率。

作为另一可能的组合，一个贝叶斯(Bayesian)网络作为多变量模型通过所述单变量关系形成。贝叶斯网络充当多变量定量模型，其以(随机的)因果关系影响的形式获取医学知识。其它网络或者联合模型可以被使用。

所述组合假定多样的单变量预测模型不彼此依赖。作为选择，单变量预测模型之间的关系是已知的或者确定的，并且作为所述组合的一部分被包括。

除所述文献之外，从内科医师获得的信息可以被包括在文献模型中。内科医师的知识可以为填充在文献中缺少的信息或用于形成所述多变量模型的变量之间的关系提供合理的设想。信息的其它来源，例如由一个患者记录数据库获得，还可以被包括或者独立地作为一个不同的预后模型而维护。

所述动作204和206的建模和组合被通过一个计算机或者人工地执行。所述建模可以借助于一个计算机开发。所述建模和组合被编程，从而一个计算机可以施加得到的针对个体患者的模型的数据。

可选的、附加的、或者替代的动作208中，一个数据驱动的模型被推导。任何现在已知的或者以后开发的数据驱动模型可以被创建，例如一个线性差别分析、相关性向量机、或者通过在公开号为2003/0126101的美国专利申请中公开的数据挖掘，其中所述公开内容作为参考在这里被包括。多个患者的病历被处理，以建模一个或多个剂量、治疗、和/或治疗方案(regime)的结果的变量。通过挖掘或者处理先前治疗的患者的患者信息的数据库，一个数值与结果的关系的模型借助于一个计算机被开发。

没有、一个、两个或更多数据驱动的模型可以被推导。在一个例子中，对于NSCLC患者，两个模型被推导。一个模型采用线性差别分析被推导。在该逻辑回归模型中的预测器基于所述文献被选择，但是可以从数据分析中或者借助于一个内科医师而被挑选出来。所述模型参数源自于可从多个先前患者的机构数据库中得到的数据。其它模型使用一个相关性向量机用数据驱动方式被推导。相关预测器和模型参数两个都借助于所述模型或者数据处理被确定。

用于每一模型的知识库是不同的或者相同的。例如，动作206的多变量模型基于有或者没有内科医师提供的信息的文献。在所述例子中的用于上述的动作208的模型是基于一个相同的数据库。当从所述患者数据中学习数据驱动模型的时候，所述文献驱动模型可以被用作先前的医学知识。先前的医学知识是从所述数据库并入机器学习的。所述医学知识可以被与从患者数据得到的信息进行权衡，以进行确认。

所述模型创建动作可以对于不同的剂量、治疗类型、和/或并发症重复。一批模型可以为了探索与对一个相同患者的不同选择相关联的可能的结果在预后模型中被提供。

在动作210中，模型是包括在一个计算机上的，例如在硬件、软件、或者两者中的。所述并入允许使用处理器将联合模型或者一个单个的模型作为一个对于个体患者的预后模型而运行。所述模型的预测器的数值被获得。医疗记录或者其它资源为一个特定的或者个体的患者提供数值。所述模型被用于所述个体的患者信息。一个或多个模型，例如来自动作206和208的所述数据驱动的模型和所述文献驱动的模型两者，都被用作预后模型。

来自不同模型的独立的输出可以被提供。作为选择，所述模型被包括以提供单个输出或者相关输出。联合模型可以是基于信息的多个资源的改进预测模型。不管所述输出的格式，一个或多个独立的或者联合的模型作为一个预后模型执行。

任何组合可以被使用。在一个实施例中，所述模型被组合为一个整体。不同模型的预测被组合，例如一个加权平均或者多数投票(majority vote)。不同的模型为了输入可以使用不同的预测器或者变量。如果待组合的所述模型具有相同的输入变量或者预测器，那么所述模型可以被融合。所述模型被合并成单个的模型，例如一个贝叶斯网络。

在动作212中，个体的患者数据为了所述预后模型的施加而被输入。所述患者特定值的输入对应于由所述模型使用的所述预测器或者变量。在一个个体患者的值不可用的地方，值可以被假定，例如使用一个平均值，或者留下空白。

任何现在已知的或者以后开发的与结果相互关联的变量可以被输入。例如，所述数值可以是用于关于所述患者的临床资料，例如年龄、病史(例如：用于肺癌的尼古丁使用)、肺脏功能、性别、和/或活动程度(activity level)。作为另一例子，所述数值可以用于基因组和蛋白质组变量。参照图1，动作14示出了患者专用信息的输入。

在图1中，动作16示出了治疗参数的输入，例如剂量的分级(fractionation)、全程治疗时间、并行的化学疗法、或者治疗方案的其它变量。该信息包括对于所述个体的提议的治疗计划。预后模型可以包括给定其它治疗的先前效能的对耐受性或者并发症的增减可能性的指示。不同的个体可能对于不同的治疗参数反应不同。

所述数据被人工地输入。作为选择，所述数据被挖掘自一个结构化数据库。如果数值可以来自非结构化数据，所述数值可以借助于搜索或者概率推理来挖掘。处理器从所述个体患者的医疗记录挖掘所述数值。例如，在下面论述的挖掘被执行。所述挖掘和/或人工输入的值被用于所述联合模型以获得一个结果预测，例如对于所述个体患者的治疗的存活率。

在图1的动作18中，剂量的生物效应基于所述患者特定值被估计。所述估计通过把一个患者的所述数值施加到所述预后模型而被执行。所述预后模型确定一个结果，例如与所述施加的数值有关的一个或多个概率。所述预后模型使用来自一个或多个资源的知识库来确定所述结果，所述资源例如来自临床研究出版物、其它文献、和/或一个数据库。

在图2的所述实施例中，所述生物效应在动作214中被确定。所述生物效应作为一个或多个剂量分布被确定，例如两个剂量分布。在一个实施例中，所述生物效应作为与剂量有关的存活概率的一个剂量分布被确定。所述预后模型提供与两个或更多个可能的剂量相关联的两个或更多个结果。一个可能的剂量可以是没有附加的辐射或者缺乏治疗。所述预后模型对一个剂量的范围估计一个概率的范围。在所述分布中的其它数值可以被内插或者外插。所述剂量分布表示基于患者专用信息在治疗中给定不同剂量的存活概率，所述信息例如肿瘤的大小、年龄、尼古丁使用、肺脏功能、性别、活动程度和/或其它变量。

在另一个实施例中，所述生物效应被所述预后模型确定为与剂量有关的并发症概率的剂量分布。相同的或者不同的值被用于所述预后模型的相同的或者不同的部分。所述预后模型提供与两个或更多个可能的剂量相关联的两个或更多个结果。一个可能的剂量可以是没有附加的辐射或者缺乏治疗。所述诊断模型对一个剂量的范围估计一个概率的范围。在所述分布中的其它数值可以被内插或者外插。所述剂量分布表示基于患者专用信息在治疗中给定不同剂量的并发症的概率。在一个实施例中，所述剂量分布具有针对所述肿瘤的剂量。在另一个实施例中，所述剂量分布具有针对正常组织的剂量。

在动作214中，所述治疗结果采用基于文献的模型被预测。所述预后模型可以采用另一模型预测结果。所述个体患者的相同的或者不同的数据被输入。其它模型基于一个不同的信息源，例如一个数据驱动的模型。与模型参数有关的所述模型采用多个患者的过往患者信息的数据库来作为一个知识库资源运行。一个统一、组合或者单个的结果从所述预后模型的不同模型中被估计。

所述治疗结果基于给定患者专用信息的一次辐射的剂量。所述治疗结果可能取决于其它可能的治疗，所述治疗例如化学疗法、药品类型、药品量、外科、辐射时间(例如，分级)、或者其它治疗、或者治疗组合。所述基于文献的模型作为一个知识库资源源自于在临床研究出版物中的参数。患者专用信息作为用于从所述文献识别的变量的数值被输入到所述模型。所述施加造成一个或多个预测治疗结果，包括与治疗方案和/或辐射剂量有关的存活概率。

在图1的动作20中，一个或多个存活概率从所述预测模型输出。所述概率可能被输出为一个表、分布、或者单个数值。在一个实施例中，与剂量和/或治疗方案有关的存活概率的一个剂量分布被输出。一个或多个并发症概率被另外或者作为选择输出。其它概率可以被输出，例如与剂量以及其它治疗有关或者与治疗方案有关的概率。

所述输出被提供以响应于所述患者特定值的施加。基于一个给定患者的所述数值，对所述特定患者的辐射治疗的生物效应被估计和输出。对于不同的患者，所述输出由于在医疗记录、病历、或者患者中的区别可以是不同的。

所述输出被用来确定输入到一个治疗计划的系统的剂量。待施加到所述肿瘤的剂量和到肿瘤外部的组织的容许剂量随所述概率而被选择。所述选择部分地基于所述治疗目标。

在动作12中，治疗目标被输入。所述治疗目标被人工地输入，例如通过一个内科医师或者患者。作为选择，所述治疗目标通过处理器被确定，例如基于可能的目标、共同目标、或者其它信息。

所述治疗目标可能包括一个存活率和一个并发症概率。例如，一个只有5％并发症概率的70％的存活率是被期望的。其它治疗目标可以被提供，例如没有化学疗法或者其它治疗方案限制。

如在图2的动作216中的指示，所述剂量根据所述肿瘤控制概率和所述正常组织并发症概率被确定。在一个例子中，所述存活概率被用作所述肿瘤控制概率，而所述并发症概率被用作所述正常组织并发症概率。

与所述期望概率相关联的所述剂量被选择。例如，与等于或者好于一个治疗目标的存活率相关联的剂量被选择。给定所述选择的剂量，并发症的概率被审查。如果并发症的概率低于对应治疗目标，大于能实现并发症治疗目标的所选剂量的剂量范围可以被提供。例如，肿瘤剂量60Gy可能提供70％的存活率和3％的并发症概率。基于对并发症的剂量分布，直到65Gy仍可能提供5％或者更少的并发症概率。对并发症的一个5Gy的耐受被确定。在其他实施例中，剂量的初始选择基于有基于耐受性而给定的耐受的并发症。所述剂量(例如，60Gy)随着并发症和存活率分布两者的变化而被选择。所述剂量分布通过被审查的剂量而彼此相关。

在另一示例中，其中一个治疗目标没有把另一治疗目标考虑进去。例如，1％的并发症被期望，但是相关联的剂量可能只提供一个40％的存活率，其中一个70％的概率被期望。反馈可以被提供给所述用户以选择不同的目标。所述反馈可以包括所述剂量分布。所述用户可以基于所述剂量分布而选择所述治疗目标。所述反馈可以包括给定剂量分布的可能的治疗目标的一个基于计算机的输出。选项的范围可以被输出。

其它选择和相关联的标准可以被使用。作为另一例子，提供所述期望目标的用于所述个体患者的所述肿瘤剂量(例如，60Gy)被选择。用于所述个体患者以提供对组织辐射量的期望限制的所述正常组织剂量(例如，5Gy)被选择。所述选择基于通过所述预后模型提供的用于特定患者数值的所述剂量分布。

在图1的动作22中，所述选择的肿瘤剂量和正常组织剂量、选择的剂量和相关联的耐受性、选择的存活概率和并发症概率、或者其它信息被输入给所述逆向治疗计划的系统。所述剂量以Gy或者其它类型的值被提供。所述容许剂量以Gy、一个所述肿瘤剂量的百分比、或者其它类型的值被提供。待治疗的肿瘤的位置和维数也被输入。

所述逆向治疗计划的系统为所述输入信息确定治疗参数。例如，射束数目、射束位置、射束方向、射束强度、和/或通过所述治疗设备能实现的其它治疗参数被确定，以用于提供肿瘤剂量的期望量并且不超过正常组织剂量的期望量。因为所述射束的聚焦不是一个点并且所述辐射经过正常组织到达肿瘤，正常组织对所述治疗计划而言是受辐射的。所述组合治疗参数优化所述治疗，以用于限制正常组织剂量并且最大化肿瘤剂量。

在动作218(图2)中，所述辐射治疗方案或者参数被输出。响应于所述输入肿瘤剂量和/或正常组织剂量，参数被提供以用于引导所述辐射治疗。所述参数可以为一个或多个剂量而尽可能地完善，所述剂量例如在正常组织耐受性内提供最大肿瘤剂量，在实现所述肿瘤剂量时最小化正常组织剂量，或者其组合。

如果所述治疗方案在给定对正常组织剂量的限制时无法提供所述肿瘤剂量，所述处理可以在图1的动作24和/或图2的动作220中进行反馈。所述反馈有助于在图2的动作216中确定一个不同剂量或者在图1的动作20中概率输出的不同的使用。

所述反馈可以包括选择，例如由满足所述肿瘤剂量而产生的正常组织剂量，和/或反之亦然。能实现的肿瘤和/或容许剂量被提供。所述结果可以带有一个所述期望目标无法实现的警告被发送给用户。

所述剂量分布用来确定其它能实现的可能的剂量。如果该剂量不是在期望的技术要求内，所述数值可以被送回给所述模型，并且预测的耐受性和并发症概率、以及因此预测的结果(寿命、副作用等等)对于现实或者能实现的剂量而被计算。

所述反馈甚至可以在治疗计划满足肿瘤剂量以及正常组织耐受性时被提供。所述辐射治疗方案可以随着能实现的肿瘤剂量、能实现的容许剂量、以及所述第一以及第二剂量分布的变化而被优化。使用所述剂量分布以及一个在肿瘤剂量和正常组织剂量上的优先次序、其它优先次序、或者其组合，所述治疗计划可以被改变。例如，能实现的肿瘤剂量大于给定的所述正常组织耐受性。剂量分布对于一个增加的剂量可以提供一个更大的存活率。倘若如此，所述增加剂量可以被使用。如果不是，导致较少并发症概率的较少的肿瘤剂量可以被维持。在并发症以及耐受性的剂量的关系中的区别可以允许基于期望的优先次序的优化。带有治疗计划的迭代概率以及剂量选择可以被使用。

在一个实施例中，预后模型用来选择一个治疗方案。带有辐射方案的一个治疗方案的同步优化可以导致一个更佳的综合处理方案以及由此带来的结果。所述预后模型指示与患者特定值有关的耐受性和/或并发症。预后模型包括与不同的治疗方案相关联的不同的部分。有最高存活概率、最少并发症概率、或者较高存活概率和较低并发症概率的组合的治疗方案被选择。患者特定值用来为一个患者预测最优治疗方案。所述治疗方案可以提供化学疗法、外科、激素治疗、其它治疗、和/或辐射治疗。更加复杂的考虑可以包括在所述治疗方案中，例如化学疗法的药品类型、治疗时间、辐射类型、辐射治疗类型和/或辐射治疗的分级。如果所述治疗方案包括辐射治疗，所述辐射治疗参数被确定。

只要治疗实际开始，所述治疗计划处理可以被重复。所述实际传送和/或测量的剂量可以是一个所述诊断模型的输入值。耐受性概率(例如，用作期望肿瘤控制概率)和并发症概率(例如，用作正常组织并发症概率)的预测结果可以使用所述改进的生物模型(即，预后模型)来计算，并且呈现给内科医师。新的治疗参数可以被确定以用于说明与计划治疗的区别和/或患者情况的变化。

图3示出了用于具有个体的特定考虑的自动治疗计划的一个示例系统100的框图。所述系统100被显示为一个硬件设备，但是可以被实现为各种形式的硬件、软件、固件、专用处理机、或者其组合。某些实施例被实现为软件，其作为被确实包含在一个程序存储装置上的程序。通过用一个系统或者程序来实现，半自动的或者自动的工作流程被提供，以用于帮助一个用户生成一个辐射治疗方案。

所述系统100是一个计算机、个人计算机、服务器、PACs工作站、成像系统、医疗系统、网络处理机、网络、或者其它现在已知的或者以后开发的处理系统。所述系统100包括至少一个处理器102，其可操作地通过一个系统总线104耦合至其它组件。在一个实施例中所述处理器102在一个具有硬件部件的计算机平台上实现。所述计算机平台还包括一个操作系统以及微指令代码。此处所述的多样的处理、方法、动作与功能可以是或者微指令代码的一部分或者一个程序的一部分(或者其组合)，其通过所述操作系统执行。

其它组件包括存储器(只读存储器106和/或随机存取存储器108)、一个网络接口112、一个外部存储器114、一个输入/输出接口110、显示器116、以及用户输入118。附加的、不同的、或者更少的组件可以被提供。

所述用户输入118、网络接口112或者外部存储器114可以作为一个输入运行，其可操作以接受一个患者的多个患者特定特性的数值。所述数值是用于由一个或多个模型使用的变量。所述数值可以人工地输入和/或通过处理器输入，例如输入作为从外部存储器114中的一个数据库或者其它地方挖掘的一部分的数据。

所述用户输入118是一个鼠标、键盘、跟踪球、触摸屏、游戏杆、触摸板、按钮、旋钮、滑块、其组合、或者其它现在已知的或者以后开发的输入设备。所述用户输入118作为用户接口的一部分运行。例如，一个或多个按钮显示在显示器116上。用户输入118用来控制一个用于选择以及激活与所述按钮相关联的功能的指针。作为选择，硬编码或者固定的按钮可以被使用。

所述网络接口112可以是一个硬接线(hard-wired)接口。但是，在各种示例性的实施例中，网络接口112可以包括适合于往返于另一设备传输信息的任何设备，例如一个通用异步接收机/传输器(UART)、一个并行数字接口、一个软件接口或者已知的或者以后开发的软件以及硬件的任何组合。所述网络接口112可以链接到各种类型的网络，包括局域网(LAN)、广域网(WAN)、内联网、虚拟专用网络(VPN)、以及因特网。处理器102或者网络接口112提供数据接口，其可操作以接受被处理器102或者一个不同的处理器从数据挖掘的数值。

所述处理器102具有任何适当的体系结构，例如一个通用处理器、中央处理单元、数字信号处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、其组合、或者任何其它现在已知的或者以后开发的用于处理数据的设备。所述处理器102可以是一个单个的设备或者包括在用于并行和/或串行处理的分布式结构中的多个设备。同样，处理策略可以包括多道处理、多重任务、并行处理等等。一个程序可以被上载到处理器102，以及通过处理器102执行。

处理器102执行工作流程、数据挖掘、模型施加、逆向治疗计划、和/或其它此处所述的处理。例如，所述处理器102或者一个不同的处理器可操作以提取用于所述期望变量的数值。

处理器102对应于一个存活和/或并发症概率的数值来把施加所述数值施加到一个涉及多个变量的预后模型。在一个实施例中，每一变量涉及一个用于结果的概率。所述模型参数表示由文献获得的医学知识。与给定剂量或者治疗区域的输入值有关的概率被确定。用于各种变量的数值的概率，为了施加所述模型，通过处理器102组合。关系也许已由内科的医生得出。

在一个实施例中处理器102把患者的相同的数值和/或附加的数值施加到另一模型。其它模型源自于一个不同的知识库，例如是一个由多个患者的患者数据的数据库获得的统计模式。处理器102可能把数值施加到其它模型，例如由一个数据库获得的另一统计模式。用于不同的模型的变量是相同的或者不同的，有或者没有重叠。各种模型的输出被合，并以提供一个预后模型的存活概率、并发症概率，或者其它概率。

处理器102输出一个存活率。输出可以是存活率与针对给定患者数值的不同的剂量的关系。同样，副作用的概率被输出。所述概率是通过处理器输出的剂量分布的一部分或者是不依赖于分布的个体的概率。所述输出是在处理器102内部或者输出到处理器102外部。

到一个逆向治疗计划的系统的输入从所述诊断模型的一个或多个输出中被确定。所述概率用来确定待输入到逆向治疗计划的系统的剂量。作为选择，所述概率、剂量、耐受、或者其它派生值被输入到所述逆向治疗计划的系统。例如，所述存活概率被用作肿瘤控制概率。所述存活概率也许不与肿瘤控制概率相同，但是可以用一个相似的方式使用。所述并发症概率被用作正常组织并发症概率。所述并发症概率也许不与正常组织并发症概率相同，但是可以用一个相似的方式使用。所述概率和治疗目标用来确定肿瘤和正常组织剂量和/或耐受。所述概率与剂量相关联。

处理器102或者一个不同的处理器实现所述逆向治疗计划的系统。任何现在已知的或者以后开发的逆向治疗计划的系统可以被使用。所述逆向治疗计划的系统接受限制、剂量、目标、和/或其它信息，并且为一个或多个辐射治疗方案输出治疗参数以治疗一个肿瘤。所述输出参数可能提供一个完整的方案或者一个方案的一部分。任何现在已知的或者以后开发的参数可以被输出。

处理器102可能提供所述预后模型和所述逆向治疗计划的系统之间的交互。例如，所述逆向治疗计划的系统输出辐射治疗能实现的剂量，以及所述预后模型的输出用于确定给定治疗目标和能实现的剂量的可能的概率。

处理器102可能确定一个治疗方案，例如一个包括辐射、外科、和/或化学疗法的治疗方案。所述治疗方案可能包括辐射治疗。能实现的辐射治疗参数被确定。一个治疗方案被确定，其满足带有能实现的辐射治疗参数的所述治疗目标。一个或多个可能的治疗方案以及相关联的概率可以被输出用于用户选择。在一个实施例中，最佳方案被确定基于选择或者设置的优先级来最大化和/或最小化概率。

处理器102输出预测的结果到显示器116上、到一个存储器中、经由一个网络、到一个打印机、或者到另一介质中。显示器116是一个CRT、LCD、等离子、投影仪、监视器、打印机、或者其它用于显示数据的输出设备。所述显示是文字、图形、或者其它显示。

所述显示器116可操作以输出通过所述逆向治疗计划的系统提供的辐射治疗参数，其与根据一个预后模型确定的一个或多个概率有关。其它信息可以被输出，例如剂量分布、能实现的剂量、肿瘤剂量、正常组织剂量、耐受、治疗参数、患者数值、预后模型信息、逆向治疗计划信息、其组合、和/或其它信息。一个存活概率和/或一个并发症概率可以被输出。支持信息，例如数值、不同的模型输出、选项、或者其它支持信息，可以被显示。

处理器102依据指令运行。带有个体特定考虑的自动治疗计划的指令和/或患者记录被存储在一个计算机可读存储器中，例如外部存储器114、只读存储器106、和/或随机存取存储器108。用于实现在这里论述的处理、方法和/或技术的指令被提供在计算机—可读存储介质或者存储器上，例如一个高速缓存、缓冲器、随机存取存储器、可移除介质、硬盘驱动器或者其它计算机可读存储介质。计算机可读存储介质包括各种类型的易失的以及非易失存储器介质。在图中举例说明的或者此处所述的功能、动作或者任务响应于存储在计算机可读存储介质中或者存储在计算机可读存储介质上的一个或多个指令集而执行。所述功能、动作或者任务不依赖于指令集的具体类型、存储介质、处理器或者处理策略，并且可以通过软件、硬件、集成电路、固件、微代码等等被执行，单独或者组合运行。在一个实施例中，所述指令被存储在一个由本地或者远程系统读取的可移除介质设备上。在其他实施例中，所述指令被存储在通过一个计算机网络或者经由电话线传送的远程位置中。在又一实施例中，所述指令被存储在一个给定计算机、中央处理器、GPU或者系统内。因为在附图中描述的某些组成系统组件和方法动作可以用软件实现，所述系统组件(或者所述处理步骤)之间的实际连接可能根据编程方式而不同。

相同的或者不同的计算机可读介质可以被用于所述指令、所述个体患者、记录数据、和先前治疗患者的数据库。所述患者记录被存储在外部存储器114中，但是可以在其它存储器中。外部存储器114可以使用一个由处理器102管理并驻留在一个存储器上的数据库管理系统(DBMS)来实现，所述存储器例如一个硬盘、随机存取存储器、或者可移除介质。作为选择，存储器114被内置于处理器102中(例如高速缓存)。所述外部存储器114可以在一个或多个附加的计算机系统上实现。例如，外部存储器114可能包括一个数据库系统，其驻留在一个独立的计算机系统、一个PACS系统、或者任何其它现在已知的或者以后开发的医院、医疗机构、内科的办公室、试验设备、药店或者其它内科病人记录存储器系统上。外部存储器114、一个内部存储设备、其它计算机可读介质、或者其组合存储一个患者的至少一个患者记录的数据。所述患者记录数据可以象图4所示的那样被分散在多个存储设备上或者在一个位置中。

逐渐地，保健供应商为了信息存储和检索采用自动化技术。一个维护患者信息的计算机化患者记录(CPR)的使用是一个这样的例子。如图4所示，一个示例性CPR200包括经一个患者的治疗过程或者设施的使用而收集的信息。该信息可能包括，例如，计算机X线断层摄影术(CT)照片、X射线照片、实验室试验结果、医生病情记录、关于医疗过程的细节、处方药物信息、辐射性的报告、其它专题报告、人口统计的信息、家族史、患者信息、以及帐单(金融)信息。

一个CPR可能包括多个数据源，每个通常反映患者护理的一个不同的方面。作为选择，所述CPR并入一个数据源中。结构化数据资源，例如金融、实验室、以及药店数据库，通常在数据库表中维护患者信息。信息还可以被存储在非结构化数据资源中，诸如例如，自由文本、图像、以及波形。往往，关键的临床发现只存储在未组织的内科医师报告、在图像上的注解、或者其它非结构化数据资源内。

用于推导数据驱动模型的数据库可以是以CPR 200的形式。已往治疗的多个患者的数据被存储。作为选择或者附加地，待治疗个体的病历被存储在所述CPR 200中。

在一个实施例中，通过所述模型施加施加的患者数值、用于数据驱动模型开发的数据和/或模型参数被从患者病历中挖掘。参见公开号为2003/0126101的美国专利申请，其公开内容在这里作为参考被包括。任何现在已知的或者以后开发的数据挖掘可以被使用。对于结构化的病历，不同的搜索子程序可以基于所述结构使用。在一个实施例中对于非结构化的或者结构化的以及非结构化的病历，概率推理被用于挖掘。所述挖掘被通过处理器执行。对于挖掘，事实被从一个患者记录中提取。所述事实可以是指示一个结论的数据点。所述事实可能是或者可能不是准确的。

患者记录为了涉及对应于建模中使用的变量或者可能的变量的多个数值的信息而被挖掘。在某些情况下，所述患者记录可以分布或者存储在不同的设施上。不同的设施包括医生的办公室、医院、保健网、诊所、图像机构或者其它医疗组织。所述不同的设施具有独立的患者记录，但是可能或者也许不彼此附属或者共同拥有。为了挖掘所述患者记录，所述不同的设施的患者记录被链接。作为一个例子，考虑国家医院质量测量技术规范手册的一个指导原则。如果一个有心力衰竭的原始诊断的患者被许可进入医院，那么应该有在到来之前或者在住院治疗期间的任何时间的左心室收缩功能(LVSF)评估的文献汇编。第一，医院记录被搜索以发现被允许进入的有一个心力衰竭原始诊断的患者。这可以通过搜索医院的记录(例如，帐单记录和/或其它数据源)来进行。但是，评估第二部分是更复杂的。如果一个LVSF评估的记载在医院记录中存在，如病史、出院摘要、或者其它地方的一部分，那么所述数据可以从医院数据中单独被评估。但是往往，所述数据在那里不是可用的，而是在其它地方。例如，如果患者被其心脏病专家指定到所述医院，所述专家前一天在其办公室执行了所述LVSF评估，那么LVSF评估的记录和医师的实习记录在一起。如果所述LVSF评估在一个医院执行，然后所述患者被转送到当前的医院，那么所述LVSF评估的记录和先前的医院在一起。

用于建模或者待施加于一个模型的数值源自于所述提取信息。所述数值被从一个或多个数据点确定。所述数值可以被取作所述提取的一部分。例如，所述数值通过组合仿真陈述(factoid)而被随机地推导。数值可以由已经提取的信息获得。非随机的推导可以被使用。

用于数据挖掘的示例性实施例包括使用概率从非结构化的患者记录中挖掘。美国公开申请号2003/0120458的申请公开了挖掘非结构化的以及结构化的信息以提取结构化的临床资料。缺少的、不一致的或者可能不正确的信息通过概率分配或者推断被处理。这些挖掘技术用于质量保持(美国公开申请号2003/0125985)、顺应性(美国公开申请号2003/0125984)、临床试验规格(美国公开申请号2003/0130871)、账单(美国公开申请号2004/0172297)、患者状况的规划(美国公开申请号2003/0126101)、以及改进(美国公开申请号2006/0265253)。上面参考的这些公开申请的公开内容作为参考在这里被包括。其它患者数据挖掘或者挖掘方法可以被使用，例如只从结构化信息挖掘、在没有概率分配的情况下挖掘、或者在没有用于不一致、缺少或者不正确的信息的推断的情况下挖掘。

处理器102或者一个不同的处理器挖掘所述患者记录并且自动提取数值。图5举例说明了通过处理器102实现的一个示例性数据挖掘系统，其用于挖掘一个患者记录以创建高质量结构化的临床信息。所述数据挖掘系统的处理组件是软件、固件、微代码、硬件、其组合、或者其它基于处理器的对象。所述数据挖掘系统包括一个数据挖掘器350，其使用一个知识库330中包含的特定领域知识从一个计算机化患者记录(CPR)310中挖掘信息。所述数据挖掘器350包括组件，所述组件用于从CPR中提取信息352、随着时间的过去(over time)以一个有原则的方式组合所有可用的证据354、并且从该组合过程中形成推断356。所述挖掘信息可以被存储在一个结构化的CPR380中。在图5中描述的体系结构支持插件模块，其中所述系统可以是对于新的数据资源、疾病和医院容易扩展的。新的元素抽取算法、元素组合算法、和推断算法可用于扩充或者替换存在的算法。

所述挖掘与领域知识有关地执行。涉及感兴趣的域的细节知识，诸如例如一个感兴趣的疾病，引导所述处理以识别相关信息。领域知识基础330可以用两个形式出现。它可以被编码作为一个到所述系统的输入，或者作为产生可以被所述系统理解的信息的程序。例如，诊断一种特定疾病或者多种疾病的临床指导原则提供与所述预后有关的信息。所述临床指导原则对所述挖掘被用作领域知识。所述领域知识可以被从与预后相关联的文献资源中提供。另外或者作为选择，领域知识基础330可以从与另外的开发的临床指导原则有关或者无关的试验数据中学习。到一个诊断或者预后的信息的学习关系可以是一个临床指导原则。

所述特定领域知识还可以包括特定的疾病领域知识。例如，所述特定的疾病领域知识可能包括多样的因素，其影响一个疾病的风险、疾病级数信息、并发症信息、结果、以及涉及一个疾病的变量、涉及一个疾病的测量、和通过医疗主体确定的策略和指导原则。所述特定领域知识基础可能包括同义词、术语、或者其它被确定与一个特定的条件、指导原则、或者影响因素有关的指示器。

通过所述临床指导原则被标识为相关的信息提供一个概率的指示，其中一个因素或者信息项指示或者没有指示一个特定的诊断或者预后。所述相关性可以被一般地估计，例如为任何信息项提供更可能指示诊断或者预后为75％或者其它概率超过50％的相关性。所述相关性可以更加具体，例如基于临床经验、文献、测试、研究或者机器学习来分配一个指示一个特定的预后的信息项的概率。所述领域知识指示具有一个概率的元素，所述概率大于指示患者状况、诊断、所期望的数据点、数值、预后、或者测量的阈值。其它概率可以与组合信息相关联。

用于挖掘数据源的特定领域知识可能包括特定设施的领域知识。例如，与特定医院的可用数据、医院的文件结构、医院的策略、医院的指导原则、以及与一个医院相关联的任何变化有关的信息。所述领域知识引导所述挖掘，但是可能在没有从一个患者记录指示一个具体的信息项的情况下进行引导。

所述提取组件352从涉及一个患者或者多个患者的每一数据源收集小块的信息。所述信息单元或元素作为关于患者在特定时间的概率性的推断而表示。作为选择，所述元素不与任何概率相关联。所述提取组件352从CPR310获取信息，以产生关于所述患者的与时间或者周期的一个时刻有关的概率性的推断(元素)。该处理依照领域知识基础330中包含的所述领域知识的指导而进行。用于提取的领域知识通常专用于各自的资源，但是可以被一般化。

所述数据源包括结构化的和/或非结构化的信息。结构化信息可以在适当的地方被转换为标准化单位。非结构化信息可能包括ASCII文本字符串、DICOM(医学数字图像及通信)格式的图像信息、或者基于领域知识的文本文档分块。可能将是不正确的或者缺少的信息可以被记录，从而行动可以被采取。例如，挖掘信息可能包括校正信息，所述校正信息包括校正的ICD-9诊断代码。

从一个数据库资源的提取可以通过查询所述资源中的一个表而进行，在这种情况下，所述领域知识编码所述数据库的字段中表示的信息。另一方面，所述提取过程可能涉及计算所述数据库中包含的所述信息的一个复杂函数，在这种情况下，所述领域知识可以被以一个程序的形式提供，其执行该计算，所述计算的输出可以被馈送到所述系统其余的部分。

从图像或者波形的提取可以通过提供到所述系统的图像处理或者特征抽出程序而被执行。从一个文本资源的提取可以通过短语发现而被执行，其需要规定感兴趣的短语的规则列表以及可以从那里形成的推断。例如，如果在一个医生证明中存在带有言词“有证据说明肝中有转移性的癌”的叙述，那么，为了从该语句推定所述患者具有癌，一个规则引导所述系统去寻找短语“转移性的癌”。如果所述短语被发现，一个有高度准确性的所述患者具有癌的断言(其在本实施例中译为生成一个元素，所述元素有名称“癌”、数值“真”以及准确性0.9)被生成。

所述组合组件354组合在相同周期指的是相同变量的所有元素，以形成一个涉及该变量的统一的概率性推断。组合包括从来自相同的/不同的资源的可能冲突的推断中产生一个在给定时间点的每一变量的统一观点的处理。该统一的概率性的推断被称为仿真陈述。所述仿真陈述从一个或多个元素被推定。其中所述不同单元指示不同的仿真陈述或者用于一个仿真陈述的数值，有一个足够的(阈值)或者来自所述概率性推断的最高概率的仿真陈述被选择。领域知识基础可能指示使用的特定元素。作为选择，有足够的决定概率的唯一单元被使用。有大于指示一个患者状况的阈值的概率的元素(例如，直接或者间接地作为一个仿真陈述)被选择。在各种实施例中，所述组合使用涉及由元素(“先前的概率”)表示的变量的统计量的领域知识来被执行。

所述患者状况是一个患者状况的单模型。所述患者状况是关于所述患者的人们可能关心的变量的集合，例如通过所述域知识库所确定的。所述感兴趣的信息可能包括一个状态序列，即，在患者的治疗期间在不同时间点的患者状况的数值。

推断组件356处理这些仿真陈述的组合，在相同的时间点和/或在不同的时间点，以产生一个时间上患者状况的进程的相关的以及简明的图片。该患者状况的进程被称为一个状态序列。所述患者状况被从所述仿真陈述或元素推定。有一个足够的(阈值)、高的概率或者最高的概率的患者状况或者状况被选为一个推断的患者状况或者差别状况。

推断是采用关于一个患者的可用的所有仿真陈述和/或元素并且通过疾病状况、治疗方案、室内试验、临床作用、或者其组合来产生一个患者的进展的综合观点的处理。主要地，一个患者的当前状态可以受一个先前状况以及任何新的综合观察的影响。

该处理所需的领域知识可以是一个统计模式，其描述跨越整个患者群体的感兴趣的疾病的演变的一般模式、以及患者疾病和可以被观察的变量(实验室测试结果、医生证明、或者其它信息)之间的关系。患者的概述可以被产生，其被认为最符合仿真陈述和所述领域知识中包含的信息。

举例来说，如果观测结果似乎说明一个癌症患者正在接受化学疗法而他或她没有癌的生长，鉴于领域知识说明化学疗法只有当患者具有癌时被给定，那么所述系统可能判定或者：(1)所述患者没有癌并且没有接受化学疗法(也就是说，所述观察也许是不恰当的)，或者(2)所述患者具有癌并且正在接受化学疗法(初始推断—所述患者没有癌—是不恰当的)；取决于给定所有其它信息的哪一个命题是更加合理的。事实上，(1)和(2)两者都可以被作为结论得出，但是有不同的概率。

作为另一例子，考虑这样一种情况，其中一个例如“所述患者具有转移性的癌症”的叙述在一个医生证明中被发现，并且根据该叙述得出结论<cancer＝True(probability＝0.9)>。(应注意的是，这等于断言<cancer＝True(probability＝0.9)，cancer＝unknown(probability＝0.1)>)。

现在，进一步假定存在一个癌症的基础概率<cancer＝True(probability＝0.35)，cancer＝False(probability＝0.65)>(例如，35％的患者具有癌症)。那么，这断言与癌症的所述基础概率组合以获得，例如，断言<cancer＝True(probability＝0.93)，cancer＝False(probability＝0.07)>。

同样，假定冲突的证据指示了接下来的：

1.<cancer＝True(probability＝0.9)，cancer＝unknown(probability＝0.1)>

2.<cancer＝False(probability＝0.7)，cancer＝unknown(probability＝0.3)>

3.<cancer＝True(probability＝0.1)，cancer＝unknown(probability＝0.9)>

4.<cancer＝False(probability＝0.4)，cancer＝unknown(probability＝0.6)>

在此情况下，这些元素可以与癌症的基础概率<cancer＝True(probability＝0.35)，cancer＝False(probability＝0.65)>结合以得出结论，例如，<cancer＝True(prob＝0.67)，cancer＝False(prob＝0.33)>。

在替代的实施例中，在没有对一个全面的或者暂时的患者状况挖掘的情况下，特殊的概率性的结论被确定。例如，在没有确定与一个患者相关联的状况进展或者其它病史的情况下，预后预测的数值被提取。

很多数据源可以被评估以收集元素，以及处理缺少的、不恰当的、和/或不一致的信息。作为一个例子，假设，在确定一个患者是否具有糖尿病的过程中，接下来的信息可以被提取：

(a)用于与糖尿病相关联的二次诊断(secondary diagnose)的ICD-9账单代码(billing codes)；

(b)与治疗糖尿病相关联的给予患者的药品(例如，胰岛素)；

(c)患者的实验测试值(lab values)，其是对糖尿病的诊断(例如，两次连续血糖读取在250mg/d之上)；

(d)在H&P(病史和体格检查)或者出院记录(自由文本)中的所述病人有糖尿病的医生记载；以及

(e)与是糖尿病相关联的患者经历(例如，足部检查)。

正如可以看到的那样，存在多个独立信息源，根据其的观测结果可以支持(有不同程度的确定性)所述患者有糖尿病(或更通常具有某些疾病/状况)。不是所有的它们都可以存在，而实际上，在某些情况下，它们可能互相冲突。概率性的观测结果可以是推导的，有不同程度的可信度。这些观测结果(例如，关于所述账单代码、所述药品、所述实验测试等等)可以被随机地合并以找到糖尿病的一个最终的概率。应注意的是，在所述患者记录中可以有信息同糖尿病相矛盾。举例来说，病人具有某些紧张事件(例如，一个手术)并且他的血糖没有上升。在另一例子中，在一个心电图(EKG)中ST抬高的观测结果可以增加患者有心脏病发作的可信度，即使单独的所述ST抬高不是心脏病发作的确凿证据。

上述给出的例子只是为了举例说明的目的，并且没有意图进行限定。组合元素的实际方式根据在考虑中的特殊域以及所述系统的用户需求。进一步，虽然上述论述涉及一个患者—中心的方法，多个患者可以被同时处理。另外，一个学习过程可以在任何或者全部阶段(即，提取、组合、推断)被并入领域知识基础330。

在遗漏信息的情况下，没有支持证据被找到。处理器102可以用两种方法的其中一个响应。所述字段可以被留下空白，或者先验概率被用于计算最可能的响应。例如，其中一个询问的问题是所述患者是否是一个吸烟者。如果在患者记录中没有证据提供所述用户是否是一个吸烟者，那么所述系统保留这些空白或者记录所述用户不是一个吸烟者，因为先验概率(基于吸烟者的百分比)暗示所述患者也许不是一个吸烟者。

所述挖掘可以使用所述因特网被运行。创建的结构化的临床信息还可以使用所述因特网访问。另外，所述数据挖掘器可以作为服务运行。例如，多个医院可以参与所述服务，以拥有其为一致性而挖掘的患者信息，并且这些信息可以被存储在一个被服务供应商拥有的数据库中。所述服务可以被一个第三方服务供应商(即，不与所述医院相关联的实体)执行。

所述域知识库、提取、组合和/或推断可以随一个或多个参数值而作出响应或者执行。例如，所述概率性的推断通常可以与一个平均数或者平均值相关联。但是，一些开业医生或者机构可能期望一个特殊的元素或多或少地表示一个患者状况。一个不同的概率可以与一个元素相关联。作为另一例子，一个特殊的疾病或者临床指导原则的领域知识基础中包括的元素组对于不同的人或者情况可以是不同的。足够概率的阈值或者其它阈值对于不同的人或者情况可以是不同的。

所述挖掘生成数据点和/或数值。只要所述结构化的CPR 380被填充有患者信息，数据点被提供在一个有助于回答涉及预后的问题的表格中，例如为建模预测器或者变量确定数值。所述结构化信息可能包括除数据点以外用于推导所述数值的数值。例如，仿真陈述以及组合信息作为提取的或者结构化的信息被包括。

此处所述的多样的改进可以一起或者独立地使用。任何形式的数据挖掘或者搜索可以被使用。虽然此处已经参考附图描述了例证性的实施例，但是应该理解的是，本发明不局限于那些精确的实施例，本领域普通技术人员在不脱离本发明的范围或者构思的情况下，可以对其做出各种其它改变和修改。

Claims (21)

1、带有个体的具体考虑的自动治疗计划的系统(100)，

所述系统(100)包括：

输入(118，112，114)，其可操作以接受患者的多个患者具体特性的数值；

处理器(102)，可操作以把所述数值施加到第一预后模型(18)，所述第一预后模型(18)把对应于所述数值的多个变量与在给定剂量的第一概率相关联，所述处理器(102)可操作以把第一输入提供给逆向治疗计划的系统(22)，所述第一输入取决于所述第一概率；以及

显示器(116)，可操作以根据所述第一概率来输出通过所述逆向治疗计划的系统(22)提供的辐射治疗参数。

2、如权利要求1所述的系统(100)，其中所述第一预后模型(18)根据来自文献的医学知识来把所述变量与所述第一概率相关联。

3、如权利要求1所述的系统(100)，其中所述输入(118，112，114)包括数据接口(112)，该数据接口可操作以接受通过所述处理器(102)或者不同的处理器从数据中挖掘出的所述数值。

4、如权利要求1所述的系统(100)，其中所述第一预后模型(18)取决于从文献中收集的医学知识，所述医学知识被转换为每个不依赖于其它变量的变量的功能关系。

5、如权利要求1所述的系统(100)，其中所述处理器(102)可操作以把所述患者的所述数值或者附加的数值施加到第二预后模型，所述第二预后模型是从多个患者的患者数据的数据库中获得的统计模型，所述第一概率取决于所述第一以及第二预后模型的输出。

6、如权利要求1所述的系统(100)，其中所述第一预后模型(18)可操作以输出存活率以作为所述第一概率，所述存活率作为肿瘤控制概率被输入到所述逆向治疗计划的系统(22)。

7、如权利要求1所述的系统(100)，其中所述第一预后模型(18)可操作以输出副作用概率来作为所述第一概率，所述副作用概率作为正常组织并发症概率被输入到所述逆向治疗计划的系统(22)。

8、如权利要求6所述的系统(100)，其中所述第一预后模型(18)可操作以输出副作用概率来作为第二概率，所述副作用概率作为正常组织并发症概率被输入到所述逆向治疗计划的系统(22)。

9、如权利要求1所述的系统(100)，其中所述第一预后模型(18)可操作以输出与所述数值有关的剂量分布，所述剂量分布包括在所述给定剂量的所述第一概率，所述第一输入是所述剂量分布。

10、如权利要求1所述的系统(100)，其中所述处理器(102)可操作以提供所述第一预后模型(18)和所述逆向治疗计划的系统(22)之间的交互，所述第一预后模型(18)可操作以根据所述输出辐射治疗参数中的至少一个来确定第二概率。

11、如权利要求10所述的系统(100)，其中所述处理器(102)可操作以确定至少包括辐射疗法和化学疗法的治疗方案，所述治疗方案取决于能够实现的辐射治疗参数。

12、在计算机可读存储介质(106，108，114)中，其中存储有表示用于带有个体的具体考虑的自动治疗计划的可被编程处理器(102)执行的指令的数据，所述指令包括：

根据剂量来确定(20，214)存活率的第一剂量分布，所述第一剂量分布与专用于个体患者的第一数值有关，通过预后模型输出；

根据剂量来确定(20，214)并发症概率的第二剂量分布，所述第二剂量分布与专用于所述个体患者的第二数值有关，通过所述预后模型输出；

从对应于期望存活率的所述第一剂量分布中选择(216)肿瘤剂量；

从对应于期望并发症概率的所述第二剂量分布中选择(216)剂量耐受；

并且

根据所述肿瘤剂量和所述剂量耐受来确定(218)辐射治疗方案。

13、如权利要求12所述的指令，其中选择(216)所述肿瘤剂量和所述剂量耐受包括把所述第一剂量分布与所述第二剂量分布相关联。

14、如权利要求12所述的指令，其中确定(214)所述第一和第二剂量分布包括采用具有来自临床研究出版物的知识库的预后模型进行确定。

15、如权利要求12所述的指令进一步包括：

根据来自逆向治疗计划的系统(22)的反馈来优化(220)所述肿瘤剂量和所述剂量耐受，所述逆向治疗计划的系统(22)可操作以输出所述辐射治疗方案。

16、带有个体的具体考虑的自动治疗计划方法，所述方法包括：

把患者特定值施加到预后模型；

响应于所述施加来从所述预后模型输出(20)存活概率；

根据所述存活概率把第一剂量输入到逆向治疗计划的系统(22)；并且

响应于所述第一剂量来由所述逆向治疗计划的系统(22)提供(218)辐射治疗方案。

17、如权利要求16所述的方法，其中输出(20)所述存活概率包括估计与剂量有关的存活概率的第一剂量分布；

进一步包括：

响应于所述施加，利用所述预后模型来估计(20)与剂量有关的并发症概率的第二剂量分布；以及

选择(216)与所述第一和第二剂量分布有关的第一剂量。

18、如权利要求17所述的方法，进一步包括：

从所述逆向治疗计划的系统(22)反馈(24)能实现的肿瘤剂量和能实现的容许剂量；并且

优化(220)与所述能实现的肿瘤剂量、所述能实现的容许剂量、和所述第一和第二剂量分布有关的所述辐射治疗计划。

19、如权利要求16所述的方法，进一步包括：

响应于所述施加来从所述预后模型输出(20)并发症概率；并且

选择(216)所述第一剂量作为肿瘤剂量和选择容许剂量，所述肿瘤剂量和容许剂量中的每个均取决于所述存活概率和所述并发症概率；并且

把所述容许剂量输入(20)到所述逆向治疗计划的系统(22)。

20、如权利要求16所述的方法，进一步包括：

采用所述预后模型来选择与所述数值有关的治疗方案。

21、如权利要求16所述的方法，其中输出(20)包括采用所述预后模型来估计(18)表示多个不同类型的知识库源的预后模型。

Images