CN101911078B - 匹配类似患者病例 - Google Patents
匹配类似患者病例 Download PDFInfo
- Publication number
- CN101911078B CN101911078B CN200880122975.4A CN200880122975A CN101911078B CN 101911078 B CN101911078 B CN 101911078B CN 200880122975 A CN200880122975 A CN 200880122975A CN 101911078 B CN101911078 B CN 101911078B
- Authority
- CN
- China
- Prior art keywords
- clinical symptoms
- case
- patient
- group
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
一种从医学数据库中检索类似患者病例的方法,包括将当前患者病例与多个临床特征进行匹配,产生一组匹配的临床特征。该方法还包括基于当前患者病例和临床特征之间的匹配度,而确定当前患者病例在来自该组匹配的临床特征的每个临床特征中的隶属度。针对来自该组匹配的临床特征的至少一个临床特征,该方法包括从医学数据库中检索那些与当前患者病例具有基本上相应的隶属度的类似患者病例。
Description
技术领域
本发明涉及病例匹配,并且尤其涉及一种从医学数据库中检索类似患者病例的方法。本发明还涉及一种从医学数据库中检索类似患者病例的系统。本发明还涉及一种包括指令的计算机程序产品,所述指令在由计算机执行时使计算机执行这种方法。
背景技术
病例匹配,也称为相似性匹配,已经被用于提供关于使用来自以往实例或病例的证据而解决问题的推断。通过使用来自以往类似患者病例的信息而做出治疗建议,病例匹配可以用于协助健康护理提供者。历史患者数据可以协助护理提供者预测在患者上执行特殊临床介入的结果。在数据库中寻找类似患者是时间和资源密集型过程。在拥有增加找到类似患者的机会的足够大的数据库和搜索大数据库所耗费时间之间存在权衡。找到与当前受治疗患者类似的患者的类似性匹配算法必须快速响应以达到有效,并且不对患者治疗过程施加算法自身的时间要求。此外,找到的病例必须相对于其与当前病例的相关性而进行评估。存在医学分类系统,诸如ICD-9(疾病国际分类,版本9)。ICD-9编码是对疾病、征兆、症状、异常发现、不适、社会情况和损伤或疾病的外部诱因进行分类的编码(ICD-9-CM,称为临床修改延伸,设计为捕获更多发病率数据和附加程序代码)。这些分类代码在患者离开临床场所后被赋予给患者。通常,这些代码用于发病率和死亡率统计,并且在美国用于报销制度。
病例匹配的一个问题是,在具有重叠医学状况的患者之间难以执行匹配。
发明内容
在本发明一个方面,一种从医学数据库中检索每个均包括特定患者的数据的类似患者病例的方法,其中所述医学数据库包括多个临床特征(profile),每个临床特征包括指示患者的医学状况的一组数据。所述方法包括由处理器通过将和包括当前患者的数据的当前患者病例相关联的数据与和所述多个临床特征相关联的数据进行匹配而将当前患者病例与多个临床特征进行匹配,所述匹配产生一组匹配的数据并且因此产生一组临床特征。针对来自该组匹配的临床特征中的每个临床特征,该方法还包括基于当前患者病例和临床特征之间的匹配度而确定当前患者病例的隶属度。基于该组匹配的临床特征中的临床特征,从医学数据库中检索被认为是在至少一个临床特征中具有与当前患者病例基本相应的隶属度的类似患者病例。
使用隶属度是基于以下认识:具有重叠状况、即具有相应的隶属度的患者更相似,并且将患者与这些类似患者比较更有意义。如在Zadeh,L.A.Fuzzyset.Information&Control1965;8:338-353中所述,通过在临床特征中引入隶属度,可以根据在任何重叠状况下的相似性而检索患者。根据本申请另一方面,该方法包括:在多个时间点将当前患者病例与多个临床特征进行匹配,对多个时间点的每一点产生一组匹配的临床特征;并且对多个时间点的每一个执行确定和检索的步骤。随着引入当前患者与临床特征匹配的多个时间点,也可以随着时间检索类似患者病例。这允许根据当前患者的进展更新匹配的临床特征组和类似患者病例。
根据本申请另一方面,每个临床特征根据以下患者数据变量中的至少之一而编目医疗状况:状况数据(conditionaldata)、事件特定数据、人口数据、临床数据、医疗史、家族史、社会史、诊断史和治疗史。患者数据可以是状况特定的,例如充血性心力衰竭、心肌梗塞、败血症,以及诸如冠状动脉疾病、肺癌、囊肿性纤维化等的疾病,或者是事件特定的,例如急剧血压下降、水肿、高呼吸率、低射血分数、胸痛、活检阳性等。在特征中独立的描述(specification)可以包括人口数据,例如年龄、性别、身高、体重、体重指数。临床特征描述可以包括临床数据,例如实验室结果、成像测试、非成像测试、压力测试。还可以包括当前疾病史,例如症状、征兆,过往医疗史,例如共病性(co-morbidity),家族史,社会史,例如是否吸烟、酒精摄入,生理系统检查、药物、过敏、身体检查、初始印象、鉴别诊断和治疗计划数据。通过这些数据中的至少一个包括到临床特征中,可以基于这些数据的类似值而检索类似患者。
根据本申请的另一方面,每个临床特征被组织成多个等级,其中每个等级还指派有一组一个或多个描述和相关变量,并且如果患者与至少第一等级的(一个或多个)描述匹配,则当前患者病例与临床特征匹配。临床特征包括用于编目患者病例的多个等级的描述。最高等级的描述包括对于应用于患者的临床特征必须为真存在的描述。另一等级可以包括通常与临床特征相关联但并非必须为对于应用于患者的临床特征真存在的描述的描述。该等级可以用于指示用户丢失数据,该问题通过安排特定测试而被克服。例如:对于具有与糖尿病相关联的风险因子或者共病性的患者,可以向健康护理提供者建议安排葡萄糖测试。
根据本申请的另一方面,方法包括检索与为来自医学数据库的类似患者病例提供的治疗有关的信息并且向用户呈现所述信息。这种信息可以例如作为原始数据或者以统计的形式呈现给用户。其允许用户拥有对类似患者病例的可能治疗和结果的更多的认识,以便对可能为当前患者安排的测试和治疗做出更好的决策。
根据本发明的另一方面,用于从医学数据库检索类似患者病例的系统包括:匹配器,其将当前患者病例与多个临床特征进行匹配,产生一组匹配的临床特征;确定器,其基于当前患者病例和临床特征之间的匹配度而确定当前患者病例在来自该组匹配的临床特征中的每个临床特征中的隶属度;检索器,基于该组匹配的临床特征中的临床特征,其在医学数据库中检索被识别为在匹配的临床特征中的至少一个中具有与当前患者病例基本相应的隶属度的类似患者病例。
根据当前患者病例和临床特征的匹配度,确定器确定当前患者病例在来自该组匹配的临床特征中的每个临床特征中的隶属度。基于该组匹配的临床特征中的临床特征,检索器从医学数据库中检索类似患者病例,其被识别为在匹配的临床特征的至少之一中具有与当前患者病例基本相应的隶属度。
在本发明另一方面,计算机程序包括指令,当被计算机执行时所述指令使计算机执行根据本发明一方面的方法。
下面将描述由方法、系统、计算机程序产品所实现的优点和效果。
附图说明
在参考如由以下附图所示的下文所述的实施例之后,本发明的这些和其它方面将变得明显并且得以阐明:
图1示出了根据本发明的方法的主要步骤;
图2以示意性方式描述了将当前患者病例与临床特征进行匹配;
图3示意性地示出了根据本发明的一个系统;以及
图4示出了用于生成临床特征的示范性方法。
具体实施方式
临床特征(CP)根据一组描述而编目医学状况,该组描述与在具有医学状况的患者中可能明显存在的医学状况相关联。每个医学特征意在捕获特定呈现的医学状况、例如败血症的患者变量之间的相关性。这种CP通常包括基于变量的一组独立描述,所述变量诸如人口数据(年龄、性别、身高、体重、体重指数),临床数据(实验室结果、成像测试、非成像测试,压力测试),以及来自入院报告的历史和生理信息,诸如患者主诉(chiefcomplaint)(表达)、当前疾病的历史(症状、征兆)、过往医疗史(共病性)、家族史、社会史(是否吸烟,酒精摄入),生理系统检查、药物、过敏、身体检查、初始印象、鉴别诊断和治疗计划数据等已知与该医学状况和在其情况下那些描述被视为满足该医学状况的任何变量相关联的信息。每个描述大致对应于诸如测试结果、诊断、人口数据或在特定时间对患者采集的测量读数的数据。
在一组已存储的CP中,每个CP可能涉及不同的医学状况或医学状况的变量,从而描述和/或它们相关联的变量根据CP而不同。
CP可能与患者病例链接。每个患者病例包括特定患者的数据。有利地是,患者病例的数据可能是从医生对患者的不同测试或测量中获得医学数据或者由患者自身获得的数据,并且可能包括与数据能够与其匹配的给定临床特征中的一个或多个描述相关的数据。
有利地是,CP还包括多个等级的描述,用于编目患者病例,每个等级具有与其相关联的一个或多个描述。例如,可能存在至少两个等级,第一等级指定CP的任何必需的描述,而一个或多个另外的等级指定在具有医学状况的患者中可能明显但是对于将患者诊断为具有医学状况而言并非显然的描述。举例而言,CP可能对于具有2型糖尿病的患者适用,并且等级可能是“定义性等级”、“共病性等级”和“风险因子等级”。“定义性等级”包括对于适用于患者的CP必须真存在的描述。“共病性等级”和“风险因子等级”包括通常与CP相关联的并非必需的描述的描述。在临床术语中,共病性是指在主要疾病或紊乱之外存在一个或多个紊乱(或疾病)。共病性大致包括在具有该CP的医学描述的患者中常常发现的其他医学状况。因而,例如,患有糖尿病的患者也非常可能经受肾病(肾功能紊乱)。“风险因子等级”列举了与CP相关联的风险因子(如果有的话)。糖尿病CP的风险因子的实例包括年龄、性别、在父母任一方中对该疾病的诊断等。有利地是,每个等级与权重(或多个权重)相关联。权重指示给定等级的相关重要性,其中最高的权重大致与定义性等级一致。权重的指派可以例如是临床专家执行的手动操作。作为实例,可以以下列方式定义临床特征CPn:
CPID | CPn |
医学状况 | 糖尿病 |
CP定义性等级:权重=1.0 | HgbA1c>7% |
CP共病性等级:权重=0.6 | 视网膜病肾病 |
CP风险因子等级:权重=0.3 | 心脏病性别年龄>60种族 |
表1
如表1中所示,左栏示出了对右栏中的值的说明。临床特征ID(CPID)识别CPn(其中n是数字,即CP1或CP234等),对于CPn的医学状况是糖尿病,后续行是与不同权重相关联的不同等级。右栏还对每个等级示出了不同组的描述。因此,第一(定义性)等级具有一个(或多个)描述,本文中是特定血清蛋白(HgbA1c)的量,其必须大于7%以满足的该描述。该等级给定为最大权重1.0,因为该特定等级与该特定糖尿病CP最相关。另一方面,对于与风险因子相关的最末等级:心脏病状况、性别、年龄和种族,被认为较不相关;这一等级被赋予0.3的相关权重,即较不相关。因此,等级的重要性是不同的,并且通过使用权重而将其在数学上表达出来。表1中所示的权重仅是出说明性目的,并且可以根据不同的CP而改变。给定等级中的每个描述可以具有相同的权重或可以不具有相同的权重。
当尚未执行特定测试时,不同等级有助于检测CP表现出的问题。例如,如果患者状态指示与糖尿病的共病性中的大部分匹配,但是尚未进行血糖测试,那么可能建议健康护理提供者进行快速葡萄糖测试。这不仅使得改进了诊断,还有助于更准确地定义患者病例,以寻找与该组临床特征的匹配。因而附加等级的第二应用是协助相似性匹配。
而且,描述的附加等级允许确定对CP的“隶属度”。一般地,对于给定患者为真的共病性和风险因子描述的(权重)数值越大,他或她与该CP的隶属度越大。
有利的是,除了定义性、共病性和风险因子之外,还定义了其他等级以协助推断测试建议和相似性匹配或符合其他要求。
任选地,CP还与包含以下中的至少一个的元数据相关:识别已经确定为该临床特征成员的特定患者的ID的识别器,为特定患者指定如下所述的临床特征隶属组(CPMS)的识别器,识别特定CPMS的开始时间的开始时间识别器,识别由一个或多个CP的患者隶属变化引起的特定CPMS的开始时间的开始时间识别器,识别特定CPMS的终止时间的终止时间识别器,以及识别由一个或多个CP的隶属变化引起的特定CPMS的终止时间的终止时间识别器。该元数据允许识别患者和/或CP的内容的更多细节,和/或用于确定不同的介入过程何时开始/结束等。
临床特征可以与患者病例中的时间戳相关联,以指示临床特征与患者相关的时间点。这可能更紧密地与诸如急剧血压下降的临床事件相关,但是还与定义患者已经患有该疾病多久的疾病特定特征相关。
可以使用许多不同的方法以开发临床特征,诸如:
(1)基于临床知识,假设特征的描述、变量及其值的范围。医师专家或者文献调查提供了描述、变量及其范围的列表。
(2)发现影响特定结果的相关变量:这可以在在先患者病例的数据库上使用诸如主成分分析、人工神经网络等的数据分析技术而确定。
(3)通过执行对数据库的加权搜索而进行对临床特征的引导发现。这种处理可以包括界面,其允许指定临床特征并且在数据库中搜索患者病例匹配。界面将允许选择变量子组,并且允许用户指定权重以表达所述子组在临床特征中的重要性程度。用户将能够保存和检索先前的临床特征。界面将响应于数据库中与所建议的临床特征匹配的患者病例数量的立即反馈。
图1示出了根据本发明一个方面从医学数据库中检索类似患者病例的方法的主要步骤。简言之,方法如下进行。方法在S100开始。在S102,将当前患者病例与多个临床特征进行匹配,产生一组匹配的临床特征。该步骤包括扫描患者病例中当前患者的近期历史数据,以找到与临床特征的匹配。任选地,在S104,对每个匹配的临床特征生成匹配的表示,诸如向量。在S106,针对来自该组匹配的临床特征的每个临床特征,基于当前患者病例和临床特征之间的匹配度,确定当前患者病例的隶属度。对于临床特征中的每个,重复步骤S104-S106,以生成患者病例的隶属组。隶属组可以包括CP中确定为患者病例对其具有隶属关系(或者至少对其具有隶属度阈值)的每个。因此对于当前时刻的当前患者,具有不同的隶属度的一个或多个特征的该隶属组概括了当前时刻的当前患者的状况。
在S108,基于隶属组中的CP,从医学数据库中匹配和检索类似患者病例。检索的患者病例可以包括被识别为在隶属组中的每个CP中具有与当前患者病例基本相应的隶属度的一些或所有患者病例。通过用户界面向用户呈现类似患者病例。该方法在S110处结束。下文是这些步骤的进一步细节。
该方法假设已经将当前患者病例的患者数据以计算机可读和/或可处理形式存储,并且使得可以访问已存储的CP、相关等级权重和存储包括患者数据的在先患者病例的患者数据库,其中每个已存储的在先患者病例与对至少一些已存储的CP具有的隶属度相关联。
在S102中,将当前患者特征与多个临床特征进行如下匹配:在患者数据和针对CP的一个或多个等级的各个描述之间执行匹配。匹配的结果是一个或多个CP与患者病例相关,其中存在患者数据与定义性等级的描述的匹配,以及任选地与其他等级的一个或多个描述的一个或多个匹配。作为实例,如果一部分患者数据与对于特定CP的“共病性等级”处的描述组中一个或多个描述匹配,如果患者还匹配定义性等级的所有描述,那么该CP与该患者相关联。因此,患者数据被“分类”到特定CP的等级中。
匹配步骤S102的结果可以例如是向量A(患者)=[CP1,CP2,CP3,CP4,……,CPN]),其中每个向量元素是某一医学状况的CP。由于每个CP具有表示CP中描述的数量的相关维度M(它们的维度当然可以是不同的,M可以是最大的维度),因此向量A(患者)可以由N×M矩阵表示,其中M是CP的维度,而N是CP的数量。为简单起见,将使用术语向量以应用于患者数据和该组CP之间的匹配的输出的任何表示。因此,作为实例,CP1能够具有与患者数据共用的等级中的单一描述(例如,CP1在共病性等级处具有充血性心力衰竭的描述,并且一部分患者数据指定患者具有充血性心力衰竭),CP2具有10个等级,表示在患者数据中可能明显的描述等。
在一个实施例中,A(患者)的表达式可以仅示出具有在患者数据中出现的描述的那些CP。在另一实施例中,表达式可以使得即使一些CP、例如CP3和CP4与患者数据不具有共有的描述,所有CP也包括在向量A中。因而,对于该CP的向量元素可以认为是空,即,CP(患者)=[CP1,CP2,Φ,Φ,CP5,……,Φ,CPN]。这意味着无论是否与患者数据匹配,整组CP都包括在向量中。
在S104中,任选地使用CP中的权重,以确定与CP等级的描述匹配的患者数据的描述中的每个的有效权重值。作为实例,已确定的向量的每个元素包括一组权重值,例如,每个描述具有一个权重值。权重值可以是等级的权重与基于与患者数据的比较而赋予描述的值的乘积。权重可以由临床专家输入,临床专家基于如前在表1中讨论、并且优选以下降次序呈现的等级的重要性而选择权重,例如CP1=[0.8,0.4,0.3,0.15,0.1,0.1],CP2=[0.9,0.5,0.4,0.35,0.3,0.2,0.1]等。作为实例,假设对于给定患者,未测试HgbA1c,但是存在肾病。存在性可以评估为真存在=1或不存在=0。在该情况中,尚未测试HgbA1c的事实根据数学术语可以书写为0*1.0=0,其中“0”意味着未测试(或者不存在HgbA1c),而1.0是与CP定义性等级相关联的权重。然而,在患者数据中检测到存在肾病的事实,给出了CP共病性等级的有效权重值1*0.6=0.6,其中“1”简单地意味着检测到肾病,即真存在=1,而“0.6”代表与共病性等级(参见表1)相关联的权重值。因而,对于CP定义性等级的有效权重值是零,而对于CP共病性等级的有效权重值等于0.6。另外,假设患者年龄小于60岁,那么对于CP风险因子等级的有效权重值将是0*0.3=0,其中值为“0”是因为患者小于60岁,而“0.3”是CP风险因子等级(参见表1)的权重。对于该特定CPn的隶属可以表示为[0,0.6,0]。在该实施例中,对每个等级赋予单一权重值,这可以基于该等级中每个描述的权重值。这对所有CP执行,即CP1,……,CPn,……,CPN。因而,某一患者可以具有下列隶属:[CP1:[0,0,0],CP2:[0,0.8,0.3],……,CPn:[0,0.6,0],……,CPN[0,0,0]]。
在S106中,确定具有与患者数据匹配的至少一个描述或至少一个等级(一般地,至少定义性等级的描述)的每个相应CP,产生根据隶属规则的CP隶属。一般地,使用有效权重值作为输入数据。该计算针对将用于确定CP的隶属值的临床特征隶属组(CPMS)的CP而产生患者的CP隶属值组。
参考先前实例,其中CPn的有效权重值是[0,0.6,0],可以基于各种隶属规则而确定CP隶属。一个规则可以例如是选出最大值,即max[0,0.6,0]=0.6,其中0.6是CPn的隶属值。隶属规则的另一实例是:sum[0,0.6,0]=0.6,即对所有向量元素进行求和(其在该实例中是相同的)。参考患者,其中CP1:[0,0,0],CP2:[0,0.8,0.3],CP3:[0,0,0],……,CPn:[0,0.6,0],……,CPN-1:[0.8,0.2,0],CPN:[0,0,0],表2示出了如果隶属规则是“max”规则,那么该患者的CP隶属组将是如何:
CP | CP1 | CP2 | CP3 | …… | CPn | …… | CPN-1 | CPN |
隶属值 | 0 | 0.8 | 0 | 0.6 | 0.8 | 0 |
表2
表3示出了如果隶属规则是“sum”规则那么CP隶属组将是如何。
CP | CP1 | CP2 | CP3 | …… | CPn | …… | CPN-1 | CPN |
隶属值 | 0 | 1.1 | 0 | 0.6 | 1.0 | 0 |
表3
作为实例,术语“隶属规则”可以包括任何类型的数学运算或数学规则。作为实例,隶属规则可以包括选择CP1、CP2、CP5和CPN中的最大元素,或者其可以包括计算这些CP的每一个中的总和。因此,通过根据患者数据和CP描述之间的匹配度,在临床特征中引入隶属或隶属度的概念(参见FuzzyLogic:“Zadeh,L.A.Fuzzysets.Information&Control1965;8:338-353”)将来自当前受评估患者数据、优选在一时刻与所有CP进行匹配。从该处理中,优选在该时刻,在每个CP中为患者提供隶属度。术语隶属可以指对于其如隶属规则所确定的所赋予的隶属值非零(或者高于预定阈值)的任何CP。在给定时刻中的当前患者的隶属组被定义为具有非零(高于阈值)隶属值的CP组。CP中隶属度可以是隶属值的函数,其中较高的值通常与较高的隶属度相关联。隶属度可以是隶属值、基于所有隶属值的排序等。隶属组概念允许根据他们在任何重叠描述中类似的度而匹配患者。这样,对患者病例构建CP数据库,其允许从医学数据库中选择类似患者病例。
在S108中,通过比较当前患者病例的CPMS和在前病例的CPMS而在当前患者病例和医学CP数据库之间执行病例匹配。在一个实施例中,检索在CP中具有类似隶属度的病例。
通过使CP与患者病例中的“时间戳”相关联,可能指示CP与患者相关的时间点。这样,本发明允许持续更新匹配的CP组,并且因而更新匹配类似患者病例的组。这可以通过在CP定义中传播已改变的值而进行,诸如由Rete算法执行,用于在产生规则系统(productionrulesystem)中传播来自大量事实的推断,“Forgy,C.Rete:afastalgorithmforthemanypattern/manyobjectpatternmatchproblem.ArtificialIntelligence1982;19:17-37”。包括时间指示器可以更紧密地依赖临床事件,诸如急剧血压下降,但是还可以与疾病特定特征相关,其定义了患者具有疾病的时长。
在S108中,针对来自匹配的CP组的每个CP从医学数据库检索类似患者病例,所述类似患者病例与当前患者病例具有基本上相应的隶属度。如果未发现与这项相同临床特征存在精确匹配,那么可以采用相似性度量,其为当前患者定义了与隶属组的匹配度。例如,如果多个患者显得相似,那么可以应用诸如k近邻的其他测量或本领域熟知的其他相似性测量,以确定其他相似度。
任选地在S108中,通过用户界面向用户呈现类似患者病例。呈现包括患者病例的所有患者数据。可选地,呈现患者数据子组。向健康护理提供者呈现基于类似病例的关于介入和结果的信息。例如,呈现可以包括类似患者病例的不同治疗。基于所呈现的信息,临床医生可以决定对于当前患者需要执行什么治疗和研究。
仍然在S108中,任选地,同样为用户识别出使得检索到类似患者病例的CP(或多个CP),允许用户评估与该CP相关联的医学状况是否在临床上合理,并且识别其结果可以影响该CP中已确定的隶属度的其他测试。
示范性方法克服了现有方法的许多问题。在先方法通常要求用户在利用医学状况对患者进行分类之前提供发现或诊断。示范性方法提供自动分类(例如,CP隶属度),并且不需要用户对患者当前状况进行诊断。该方法随后基于分类,执行对患者病例的数据库的搜索。该方法还克服了匹配具有重叠医疗状况的患者的困难。示范性方法通过生成隶属组而按照规定匹配多个重叠状况。该方法还克服了匹配病例中的伪相关性的问题。执行自动搜索或匹配的共同问题是,匹配的病例基于伪相关性。该方法通过考虑每个CP的多个描述而确保匹配基于临床有效的论证。
示范性方法的另一优点是可以实现更快速的数据库搜索。搜索大数据库的共同问题在于在搜索穷尽度和搜索耗费时间之间的权衡。示范性CP实现数据库中患者的先验编目,以有助于实时决策支持中的更快速的病例匹配。在示范性方法中,使用隶属组作为索引方案。使用CP隶属组作为搜索索引可以有助于更快速的搜索和检索,因为搜索的变量数目减少了一个等级(从患者变量到CP)。
图1中所示的方法可以在计算机程序产品中实施,所述计算机程序产品可以在计算机上执行。计算机程序产品可以是其上记录有控制程序的有形计算机可读记录介质,诸如磁盘、硬驱动,或者可以是其中控制程序实施为数据信号的可传输载波。计算机可读介质的通用形式包括例如软盘、软磁盘、硬盘、磁带或任何其他磁存储介质,CD-ROM,DVD,或者任意其他光学介质,RAM、PROM、EPROM、FLASH-EPROM,或其他存储芯片或盒式磁带(cartridge),传输介质,诸如在无线电波和红外数据通信等中生成的声波或光波,或者计算机可读取和使用的任何其他介质。
图2以示意性方式描述了将当前患者与临床特征进行的匹配。附图标记201a和201b指的是临床特征数据库的开发,其可以快速找到与当前经受治疗的患者类似的患者,其中创建覆盖了感兴趣的医学状况的一组临床特征,其中在实施相似性匹配或相似性匹配算法之前,这些临床特征应用于医学数据库中的一组回顾患者数据。这些临床特征覆盖了一定范围的感兴趣状况,并且获自于医学知识源,诸如临床研究212和专家医师意见210。附图标记202指的是将临床特征应用于患者数据库214,以核实在数据库中存在具有在特征中定义的状况的患者。创建临床特征数据库216,其将患者数据库中存在的临床特征的患者病例编入索引。临床特征数据库的每个入口可以包括下列字段:患者ID、时间、临床特征ID和临床特征中的隶属度。临床特征数据库的每条记录识别对于给定患者何时出现临床特征(即,何时至少符合定义性描述)。患者病例可以属于一个以上的临床特征,并且每个情况都列出在临床特征数据库中。将关于患者的所有存在问题确定每个患者的临床特征。
附图标记203指的是实时使用决策支持系统,其中必须基于存在问题和相关变量而识别当前患者218可能属于的可能的临床特征。如前讨论的,将当前患者数据应用于CP。附图标记204指的是在当前时刻对于当前患者识别具有不同的隶属度的一个或多个CP220的组。包括当前患者状况的该组称为在当前时刻的当前患者的“临床特征隶属组”。该处理包括例如扫描当前患者最新历史数据,以找到与临床特征的匹配。附图标记205描述了其中使用当前患者218的临床特征220以在临床特征数据库216中搜索类似患者(匹配相同临床特征的患者)的步骤。如果未发现与相同临床特征的精确匹配,那么可以实施为当前患者定义了与隶属组的匹配度的其他相似性度量。附图标记206描述了其中从医学数据库214中检索临床特征数据库中具有匹配的CP隶属组的那些患者ID的步骤。由于从医疗数据库中匹配和检索具有由CP表示的医学状况的患者,因此使用CP的这一方法起到相似性匹配方法的作用。如果检索到许多匹配的患者,那么可以采用诸如k近邻的另外的技术。附图标记207指的是向健康护理提供者222呈现基于类似病例的关于介入和结果的信息。可以在输出处显示用于将当前患者与医学数据库中患者进行匹配的临床特征作为证据,以显示用于使用相似性匹配算法进行匹配的变量。
图3以示意性方式描述了根据本发明的系统。系统300包括存储器302、304、306以及任选地308,其设计为包括当被处理器312实施时使系统300执行根据本发明的方法的指令。该系统还包括患者数据库316以及临床特征数据库314。存储器、处理器和数据库通过通信软件总线310彼此连接。系统300通过输出/输入接口318连接至显示器320。存储器302(“匹配器”)设计为包括用于实施将当前患者病例与多个临床特征进行匹配以产生一组匹配的临床特征指令。存储器304(“确定器”)设计为包括用于实施基于当前患者病例和临床特征之间的匹配度而确定当前患者病例在来自该组匹配的临床特征中的每个临床特征中的隶属度的指令。存储器306(“检索器”)设计为包括用于实施针对来自该组匹配的临床特征中的每个临床特征检索医疗数据库中与当前患者病例具有基本上相应的隶属度的那些类似患者病例的指令。任选地,存储器304和306的指令包括对于多个时间点确定它们各自的功能。存储器308(其可以是匹配器302的一部分)设计为包括用于实施在多个时间点将当前患者病例与多个临床特征进行匹配以对多个时间点的每一个产生一组匹配的临床特征的指令。患者数据库316包括如前所述的患者数据(在先病例)。在处理期间,当前病例的患者数据可以存储在该存储器或单独的存储器中。临床特征数据库312包括如前所述的临床特征。通过允许用户向系统提供输入并且向用户显示系统的输出,显示器320或其他用户输入设备允许用户与系统交互。如前所述,输出包括关于当前患者和匹配患者的信息的反馈。整个系统可以具有分布特性,其中例如数据库位于与存储器、软件总线和处理器不同的地理位置。在该情况下,系统的不同部分可以利用已知的有线或无线通信协议而彼此通信。
图4示出了用于生成临床特征的示范性方法。方法在S400处开始。S402包括选择特定疾病、状况或事件,其将是临床特征的医学状况(CP医学状况)。S404包括通过从文献、专家和临床实践指导中提取相关参数(值/阈值以及变化率)、时间窗口、共病性,而开发CP医学状况的操作定义。S406包括使用医学数据库(例如,数据库316)以识别用于CP医学状况的黄金标准。S408包括确定医学数据库中多少患者具有CP医学状况。S410包括将CP操作定义应用于数据库。S412包括经由真值表而确定CP已识别患者和黄金标准之间的匹配。在S414中,关于匹配是否足够良好做出评估。如果“是”,那么在S416,将CP识别(CPID)数字赋予CP定义。如果“否”,那么方法返回S404,其中改进操作定义。方法在S418处结束。
应当注意到,上述实施例说明而非限制本发明,并且本领域技术人员将能够设计许多备选实施例,而不脱离随附权利要求的范围。在权利要求中,位于括号中的任何附图标记不应理解为限制权利要求。措辞“包括”不排除存在权利要求中未列出的其他元件或步骤。元件之前的措辞“一”或“一个”并不排除存在多个这种元件。本发明的实施可以借助于包括多个不同元件的硬件,并且借助于合适编程的计算机。在例举多个装置的系统权利要求中,多个这些装置可以实施为一项并且同一项计算机可读软件或硬件。某些方法在彼此不同的从属权利要求中引用的事实,并不意味着不能组合这些方法以获益。
Claims (12)
1.一种从医学数据库中检索每个均包括特定患者的数据的类似患者病例的方法,其中所述医学数据库包括多个临床特征,每个临床特征包括指示患者的医学状况的一组数据,每个临床特征被组织成多个等级,每个等级中具有一组描述,其中,每个所述等级与权重指示和指示每个等级中的所述描述的一组所述描述数据相关联,该方法包括:
由处理器(312)将包括当前患者的数据的当前患者病例与所述多个临床特征进行匹配包括将所述当前患者病例的患者数据与所述描述进行比较以确定对于任意所述描述是否存在匹配,所述匹配产生一组匹配的数据并且因此产生一组临床特征;
针对来自该组匹配的临床特征的每个临床特征,由所述处理器(312)基于所述当前患者病例与所述临床特征之间的匹配度,确定所述当前患者病例的隶属度,其中,所述隶属度基于至少一个匹配的描述数据以及与其相关联的权重指示;以及
基于该组匹配的临床特征中的所述临床特征,由所述处理器(312)从所述医学数据库中检索被识别为在所述临床特征中的至少一个中具有与所述当前患者病例基本相应的隶属度的类似患者病例。
2.根据权利要求1所述的方法,其中,由所述处理器(312)进行的所述检索包括检索被识别为在所述匹配的临床特征的隶属组的每个所述临床特征中具有与所述当前患者病例基本相应的隶属度的患者病例。
3.根据权利要求1所述的方法,其中,每个所述临床特征根据以下患者数据变量中的至少一个而编目医学状况:
状况数据,
事件特定数据,
人口数据,
临床数据,
医疗史,
家族史,
社会史,
诊断史,以及
治疗史。
4.根据权利要求1所述的方法,还包括识别将在所述患者上执行的测试,所述测试结果是临床特征的所述描述中的一个,所述临床特征具有与所述患者数据匹配的至少一个另一描述。
5.根据权利要求1所述的方法,还包括针对来自所述医学数据库的所检索的类似患者病例中的一个,为用户识别用于检索所述类似患者病例的所述临床特征。
6.根据权利要求1所述的方法,还包括将所述当前患者病例链接至来自该组匹配的特征中的至少一个临床特征。
7.根据权利要求6所述的方法,还包括基于所述隶属度将所述当前患者病例链接至该组匹配的特征的隶属组。
8.根据权利要求6所述的方法,还包括基于所述当前患者病例链接至来自该组匹配的特征的所述至少一个临床特征时的时间而对所述当前患者病例进行时间戳记。
9.一种用于从医学数据库中检索每个均包括特定患者的数据的类似患者病例的系统,其中所述医学数据库包括多个临床特征,每个临床特征包括指示患者的医学状况的一组数据,其中,每个临床特征被组织成多个等级,每个等级中具有一组描述,其中,每个所述等级与权重指示和指示每个等级中的所述描述的一组所述描述数据相关联,该系统包括:
匹配器,其将包括当前患者的数据的当前患者病例与所述多个临床特征进行匹配包括将所述当前患者病例的患者数据与所述描述进行比较以确定对于任意所述描述是否存在匹配,所述匹配产生一组匹配的数据并且因此产生一组临床特征;
确定器,其基于所述当前患者病例和所述临床特征之间的匹配度而确定所述当前患者病例在来自该组匹配的临床特征中的每个临床特征中的隶属度,其中,所述隶属度基于至少一个匹配的描述数据以及与其相关联的权重指示;以及
检索器,基于该组匹配的临床特征中的所述临床特征,所述检索器在所述医学数据库中检索被识别为在所述匹配的临床特征中的至少一个中具有与所述当前患者病例基本相应的隶属度的类似患者病例。
10.根据权利要求9所述的系统,其中,所述匹配器设计为用于在多个时间点将所述当前患者病例与所述多个临床特征进行匹配,对所述多个时间点的每一点产生一组匹配的临床特征;并且所述确定器和检索器设计为用于对所述多个时间点的每一点进行确定和检索。
11.根据权利要求9所述的系统,其中,每个临床特征被组织成多个等级,并且每个等级中具有一组描述,其中,当至少一个等级的所有描述与所述患者数据匹配时,所述匹配器确定所述当前患者病例和临床特征之间匹配。
12.根据权利要求11所述的系统,还包括:信息检索器,其设计为用于检索关于为来自所述医学数据库的所述类似患者病例提供的治疗的信息;和呈现器,其设计为用于将所述信息呈现给用户。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US1732307P | 2007-12-28 | 2007-12-28 | |
US61/017,323 | 2007-12-28 | ||
PCT/IB2008/055135 WO2009083833A1 (en) | 2007-12-28 | 2008-12-08 | Retrieval of similar patient cases based on disease probability vectors |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101911078A CN101911078A (zh) | 2010-12-08 |
CN101911078B true CN101911078B (zh) | 2016-01-20 |
Family
ID=40445182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200880122975.4A Active CN101911078B (zh) | 2007-12-28 | 2008-12-08 | 匹配类似患者病例 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9997260B2 (zh) |
EP (1) | EP2229643A1 (zh) |
CN (1) | CN101911078B (zh) |
WO (1) | WO2009083833A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169259A (zh) * | 2016-12-12 | 2017-09-15 | 为朔生物医学有限公司 | 基于协同过滤和建议的个性化医学决定支持系统 |
Families Citing this family (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101911078B (zh) | 2007-12-28 | 2016-01-20 | 皇家飞利浦电子股份有限公司 | 匹配类似患者病例 |
US8738610B2 (en) * | 2008-10-24 | 2014-05-27 | Ingenix, Inc. | Apparatus, system and method for rapid cohort analysis |
WO2010088610A2 (en) * | 2009-01-31 | 2010-08-05 | Mayo Foundation For Medical Education And Research | Presentation of critical patient data |
JP5383431B2 (ja) * | 2009-10-27 | 2014-01-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
RU2013122758A (ru) * | 2010-10-19 | 2014-11-27 | Конинклейке Филипс Электроникс Н.В. | Система и способ динамического приращения базы данных пациентов случаями, демонстрирующими особые характеристики |
US8630868B2 (en) * | 2010-11-21 | 2014-01-14 | Datagenno Interactive Research Ltda. | Method and system to exchange information about diseases |
RU2626898C2 (ru) * | 2011-02-04 | 2017-08-02 | Конинклейке Филипс Н.В. | Идентификация медицинских концепций для выбора протокола визуализации |
US20130226616A1 (en) * | 2011-10-13 | 2013-08-29 | The Board of Trustees for the Leland Stanford, Junior, University | Method and System for Examining Practice-based Evidence |
JP5450556B2 (ja) | 2011-10-14 | 2014-03-26 | 富士フイルム株式会社 | 診療情報処理装置および方法並びにプログラム |
CN102591949A (zh) * | 2011-12-27 | 2012-07-18 | Tcl集团股份有限公司 | 医疗数据的检索方法及系统 |
US8996428B2 (en) * | 2012-01-17 | 2015-03-31 | International Business Machines Corporation | Predicting diagnosis of a patient |
US10127271B2 (en) * | 2012-09-06 | 2018-11-13 | Koninklijke Philips N.V. | Generating a query |
US9852266B2 (en) | 2012-09-21 | 2017-12-26 | Md Revolution, Inc. | Interactive graphical user interfaces for implementing personalized health and wellness programs |
WO2014052921A2 (en) * | 2012-09-27 | 2014-04-03 | University Of Utah Research Foundation | Patient health record similarity measure |
JP5844247B2 (ja) * | 2012-11-30 | 2016-01-13 | 富士フイルム株式会社 | 検査結果表示装置及びその作動方法、並びにプログラム |
US20140200920A1 (en) * | 2013-01-11 | 2014-07-17 | Mckesson Financial Holdings | Method and apparatus for associating patient identifiers utilizing principal component analysis |
EP2775412A1 (en) * | 2013-03-07 | 2014-09-10 | Medesso GmbH | Method of generating a medical suggestion as a support in medical decision making |
JP6101563B2 (ja) * | 2013-05-20 | 2017-03-22 | 株式会社日立製作所 | 情報構造化システム |
US20140358587A1 (en) * | 2013-06-04 | 2014-12-04 | Koninklijke Philips N.V. | Emergency response protocol recommender |
US10846774B2 (en) * | 2013-07-24 | 2020-11-24 | Koninklijke Philips N.V. | System and method for patient specific customized recommendations of hospitals and ACOs |
US20160180051A1 (en) * | 2013-08-12 | 2016-06-23 | Your.Md As | Method and arrangement for matching of diseases and detection of changes for a disease by the use of mathematical models |
EP3069281B1 (en) | 2013-11-13 | 2021-01-06 | Koninklijke Philips N.V. | Clinical decision support system based triage decision making |
US10978208B2 (en) * | 2013-12-05 | 2021-04-13 | International Business Machines Corporation | Patient risk stratification by combining knowledge-driven and data-driven insights |
US20150178368A1 (en) * | 2013-12-19 | 2015-06-25 | Honeywell Intrnational Inc. | System and Method of Observational Suggestions from Event Relationships |
US9589231B2 (en) | 2014-04-28 | 2017-03-07 | Xerox Corporation | Social medical network for diagnosis assistance |
US9882151B2 (en) | 2014-11-14 | 2018-01-30 | Universal Display Corporation | Organic electroluminescent materials and devices |
CN105701330B (zh) * | 2014-11-28 | 2019-01-15 | 薛海强 | 健康信息处理方法及系统 |
CN106156457B (zh) * | 2015-03-27 | 2019-04-09 | 时云医疗科技(上海)有限公司 | 一种基于体征数据的信息推送方法及系统 |
EP3164063A4 (en) * | 2015-04-21 | 2018-03-28 | Medaware Ltd. | Medical system and method for predicting future outcomes of patient care |
CN104835096B (zh) * | 2015-05-15 | 2018-06-19 | 北京胡杨众联科技有限公司 | 一种检索方法、装置及终端 |
CN106326623B (zh) * | 2015-07-06 | 2019-05-10 | 薛海强 | 健康信息处理方法及系统 |
CN105389465B (zh) * | 2015-10-29 | 2018-09-28 | 徐翼 | 病历数据处理方法、装置以及系统 |
CN105468743B (zh) * | 2015-11-25 | 2018-12-28 | 钟岑 | 一种智能诊断手术编码检索方法 |
CN105335623A (zh) * | 2015-12-04 | 2016-02-17 | 上海市第六人民医院 | 一种骨转移癌骨相关事件的判断系统 |
US20170177822A1 (en) * | 2015-12-18 | 2017-06-22 | Pointright Inc. | Systems and methods for providing personalized prognostic profiles |
CN108780661A (zh) * | 2016-03-16 | 2018-11-09 | 皇家飞利浦有限公司 | 用于改善将具有相似简档的患者聚类在一起的聚类模型的性能的相关性反馈 |
US10431343B2 (en) | 2016-05-23 | 2019-10-01 | Koninklijke Philips N.V. | System and method for interpreting patient risk score using the risk scores and medical events from existing and matching patients |
CN107564569A (zh) * | 2016-06-30 | 2018-01-09 | 诺基亚技术有限公司 | 基于计算机的医患双向对接方法及系统 |
EP3312748A1 (en) | 2016-10-19 | 2018-04-25 | Fujitsu Limited | Method for aiding a diagnosis, program and apparatus |
CN106650292B (zh) * | 2017-01-04 | 2018-03-09 | 梁月强 | 一种具有过程决策支持功能的个人健康记录系统 |
EP3432173A1 (en) * | 2017-07-18 | 2019-01-23 | Siemens Aktiengesellschaft | Method and system for predictive clinical decision support |
EP3460807A1 (en) * | 2017-09-20 | 2019-03-27 | Koninklijke Philips N.V. | Subject clustering method and apparatus |
WO2019079490A1 (en) * | 2017-10-18 | 2019-04-25 | Memorial Sloan Kettering Cancer Center | PROBABILISTIC MODELING TO MATCH PATIENTS WITH CLINICAL TRIALS |
US11335460B2 (en) | 2017-11-09 | 2022-05-17 | International Business Machines Corporation | Neural network based selection of representative patients |
US10910112B2 (en) | 2017-12-04 | 2021-02-02 | Koninklijke Philips N.V. | Apparatus for patient record identification |
US11139080B2 (en) | 2017-12-20 | 2021-10-05 | OrthoScience, Inc. | System for decision management |
CN108595547A (zh) * | 2018-04-09 | 2018-09-28 | 南京网感至察信息科技有限公司 | 一种基于语义抽取的相似案件检索方法 |
JP7088863B2 (ja) * | 2019-02-20 | 2022-06-21 | ヤフー株式会社 | 提供装置、提供方法及び提供プログラム |
CN113064960A (zh) * | 2020-01-02 | 2021-07-02 | 广州创金谷科技有限公司 | 一种精确搜索与患者病情相似病例的方法 |
US11830183B2 (en) | 2020-09-03 | 2023-11-28 | Merative Us L.P. | Treatment planning based on multimodal case similarity |
CN112259245B (zh) * | 2020-10-21 | 2023-07-25 | 平安科技(深圳)有限公司 | 待检查项确定方法、装置、设备及计算机可读存储介质 |
CN112182412B (zh) * | 2020-11-26 | 2021-04-02 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
CN112466472B (zh) * | 2021-02-03 | 2021-05-18 | 北京伯仲叔季科技有限公司 | 病例文本信息检索系统 |
WO2022260740A1 (en) * | 2021-06-10 | 2022-12-15 | Alife Health Inc. | Machine learning for optimizing ovarian stimulation |
CN115376643A (zh) * | 2022-10-26 | 2022-11-22 | 神州医疗科技股份有限公司 | 病例自定义检索方法、装置、电子设备和计算机可读介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6177940B1 (en) * | 1995-09-20 | 2001-01-23 | Cedaron Medical, Inc. | Outcomes profile management system for evaluating treatment effectiveness |
US6108635A (en) * | 1996-05-22 | 2000-08-22 | Interleukin Genetics, Inc. | Integrated disease information system |
US20010020229A1 (en) * | 1997-07-31 | 2001-09-06 | Arnold Lash | Method and apparatus for determining high service utilization patients |
CN1636210A (zh) * | 2001-11-02 | 2005-07-06 | 美国西门子医疗解决公司 | 用于临床试验的病人数据挖掘 |
US7457731B2 (en) * | 2001-12-14 | 2008-11-25 | Siemens Medical Solutions Usa, Inc. | Early detection of disease outbreak using electronic patient data to reduce public health threat from bio-terrorism |
US20030191666A1 (en) * | 2002-04-09 | 2003-10-09 | Kline Jeffrey A. | System and method for evaluating pretest probabilities of life-threatening diseases |
US20060259329A1 (en) * | 2002-04-09 | 2006-11-16 | Charlotte-Mecklenburg Hospital Authority D/B/A Carolinas Medical Center | System and Method for Determining the Degree of Abnormality of a Patient's Vital Signs |
US7124149B2 (en) * | 2002-12-13 | 2006-10-17 | International Business Machines Corporation | Method and apparatus for content representation and retrieval in concept model space |
US8540516B2 (en) * | 2006-11-27 | 2013-09-24 | Pharos Innovations, Llc | Optimizing behavioral change based on a patient statistical profile |
CN101911078B (zh) | 2007-12-28 | 2016-01-20 | 皇家飞利浦电子股份有限公司 | 匹配类似患者病例 |
-
2008
- 2008-12-08 CN CN200880122975.4A patent/CN101911078B/zh active Active
- 2008-12-08 WO PCT/IB2008/055135 patent/WO2009083833A1/en active Application Filing
- 2008-12-08 US US12/810,021 patent/US9997260B2/en active Active
- 2008-12-08 EP EP08867953A patent/EP2229643A1/en not_active Ceased
Non-Patent Citations (1)
Title |
---|
combining case-based and model-based reasoning for the diagnosis of complex devices;FERET M F ET AL;《APPLIED INTELLIGENCE: THE INTERNATIONAL JOURNAL OF ARTIFICIAL INTELLIGENCE, NEURAL NETWORKS, AND COMPLEX PROBLEM-SOLVING TECHNOLOGIES KLUWER ACADEMIC PUBLISHERS NETHERLANDS》;19970130;第7卷(第1期);57-78行 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169259A (zh) * | 2016-12-12 | 2017-09-15 | 为朔生物医学有限公司 | 基于协同过滤和建议的个性化医学决定支持系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101911078A (zh) | 2010-12-08 |
US9997260B2 (en) | 2018-06-12 |
US20100312798A1 (en) | 2010-12-09 |
WO2009083833A1 (en) | 2009-07-09 |
EP2229643A1 (en) | 2010-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101911078B (zh) | 匹配类似患者病例 | |
US11410760B2 (en) | Medical evaluation system and method for use therewith | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
Tsoukalas et al. | From data to optimal decision making: a data-driven, probabilistic machine learning approach to decision support for patients with sepsis | |
US7899764B2 (en) | Medical ontologies for machine learning and decision support | |
CN110291555B (zh) | 用于促进对健康状况的计算分析的系统和方法 | |
JP2008532104A (ja) | 複数の医療関連アウトカムの予測を行い、インターベンション計画の評価を行い、更に同時にバイオマーカー因果性検証を行うことのできる、予測モデルを生成して適用する方法、そのシステム、及びそのコンピュータ・プログラム製品 | |
JP2018060529A (ja) | コンテキストベースの患者類似性の方法及び装置 | |
US11527312B2 (en) | Clinical report retrieval and/or comparison | |
US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
Bellamy et al. | Evaluating progress on machine learning for longitudinal electronic healthcare data | |
US20200342332A1 (en) | Methods and systems for classification using expert data | |
Kadi et al. | Systematic mapping study of data mining–based empirical studies in cardiology | |
US20130159022A1 (en) | Clinical state timeline | |
CN114121266A (zh) | 一种智能化的辅助诊断方法和系统 | |
Mlakar et al. | Mining telemonitored physiological data and patient-reported outcomes of congestive heart failure patients | |
EP3929939A1 (en) | System and method for peri-anaesthetic risk evaluation | |
Huang et al. | Study on patient similarity measurement based on electronic medical records | |
JP7315165B2 (ja) | 診断支援システム | |
Douibi et al. | An analysis of ambulatory blood pressure monitoring using multi-label classification | |
CN114098638A (zh) | 一种可解释的动态疾病严重程度预测方法 | |
Zaman et al. | A review on the significance of body temperature interpretation for early infectious disease diagnosis | |
Gupta et al. | An overview of clinical decision support system (CDSS) as a computational tool and its applications in public health | |
KR102597133B1 (ko) | Phr과 진료기록에 기반한 임상의사결정 지원 방법 및 장치 | |
Vujjini et al. | Survey on real-time tracking and treatment of infectious diseases using mixed reality in visualisation technique with autoimmune therapy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |