CN102073783A - 预见人群中的疫情的方法及其系统 - Google Patents
预见人群中的疫情的方法及其系统 Download PDFInfo
- Publication number
- CN102073783A CN102073783A CN2010105552819A CN201010555281A CN102073783A CN 102073783 A CN102073783 A CN 102073783A CN 2010105552819 A CN2010105552819 A CN 2010105552819A CN 201010555281 A CN201010555281 A CN 201010555281A CN 102073783 A CN102073783 A CN 102073783A
- Authority
- CN
- China
- Prior art keywords
- clinical symptoms
- patient
- principal computer
- epidemic situation
- record
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出了一种预见人群中的疫情的方法及其系统,该系统包括在分布在不同位置的客户端计算机(103)和主计算机(101)。该系统能够通过客户端计算机(103)记录患者的临床症状,并汇编该临床症状以记录临床症状或临床症状的特定组合的任何突然增加。因此可在诊断和统计能够确认传染病爆发之前,就关注倾向,使得医生能够预见传染病的爆发或疫情。
Description
技术领域
本发明涉及一种检测人群中临床症状的增加的系统和方法。更具体地,本发明涉及疾病传播或传染病爆发的预见。
背景技术
当患者因很多疾病中常见的临床症状的状况,例如发烧和疼痛,而去私人诊所就诊时,医生通常意识不到该患者是否意味着一种可能导致疫情的特殊的传染病爆发的开始。
为了确认传染病的爆发,需要诊断患者的状况。随后,也需要观察被诊断为相同疾病或传染病的患者的数量是否突然增加。
通常,这意味着应该有很多患者已经进入医院且其状况已被诊断和确认。此外,必须完成实验室检测以识别传染原并确定该传染病的易传播程度。此外,需要汇编统计,因为有时只有在人群中有足够多数量的人被传染时才能识别出爆发。
如果疾病不特别致命,这一过程通常费时,且可能被忽视,直到被传染的人数惊人的攀升。
因此,只有在疫情爆发之后,医生才被通知传染病的发生。没有确认的诊断,医疗机构难以倾向于传染病。因此存在这样的风险,即某些患者的传染病可能已经被误诊,而且没有警告其状况的传染性就让他们回家了。
因此,需要提供一种方法来改进传染病爆发或疫情的监控和预见。
发明内容
在第一方面,本发明提供了一种用于预见疫情的系统,该系统包括主计算机,和具有用于记录患者的临床症状的用户界面的多个客户端计算机,该多个客户端计算机具有到主计算机的通信链路,该多个客户端计算机的每一个包括规则组,该规则组表示至少一个临床症状,当患者的临床症状被记录到该多个用户计算机中的一个时,该多个用户计算机中的一个将该患者的临床症状与该规则组中的至少一个临床症状进行对比,如果该患者的临床症状与该规则组中的该至少一个临床症状相匹配,则将患者状况数据发送给主计算机,其中该主计算机将来自该多个客户端计算机的患者状况数据进行汇编。
在第二方面,本发明提供了一种用于预见疫情的系统,该系统包括主计算机,具有用于记录患者的临床症状的用户界面的多个客户端计算机,该多个客户端计算机具有到主计算机的通信链路以将患者的临床症状记录上传到主计算机,该主计算机存储预先确定的阈值,该主计算机能够识别出现高于该阈值的至少一个临床症状,该主计算机具有到客户端计算机的通信链路,用来在客户端计算机中触发针对该出现高于该阈值的该至少一个临床症状的警报。
可选地,该阈值是警报频率,如果症状的出现频率高于该警报频率,可发出突然出现过多具有该症状的患者的警报。可选地,该阈值是基于历史数据的百分数。可选地,该阈值是预先确定的出现频率的增长率。
在第三方面,本发明提供了一种预见疫情的方法,该方法包括步骤:在多个客户端计算机中提供的界面上记录患者的临床症状,将患者的临床症状记录上传到主计算机,汇编主计算机上的患者的临床症状记录,从该临床症状记录中识别出现次数高于预定阈值的至少一个临床症状,在客户端计算机中针对该至少一个临床症状触发警报。
因此,本发明提供了在卫生机构能够通过实验室检测、统计和汇编确认的诊断确认传染病爆发之前,就预见传染病爆发或疫情的可能性。换言之,本发明提供了监控跨区域或国家的患者的临床症状,并识别临床症状的出现的任何显著增加的可能性。因此,可在确认爆发之前向医生发出可能有传染病爆发的警报。因此,在医生开始防范之前,不需要依赖缓慢的提交、诊断的汇编以及实验室检测。
换言之,本发明也提供了警告医生他的患者的临床症状最近出现在很多其他患者身上的可能性。因此,可警告该医生特别小心地治疗该患者,因为其可能有传染性。由此,该医生也可以在确认传染病爆发之前,就开始关注其他呈现出相同临床症状的患者。
此外,本发明提供了实际上实时地跨区域的多个医生的记录中收集和汇编患者数据的可能性。这大大减少了汇编信息以识别传染病爆发所需的时间,或跟踪传染病的传播方向所需的时间。
优选地,针对临床症状的特定组合,而不是个别临床症状来监控患者。这是因为很多疾病由临床症状的特定组合表征,使得疾病彼此区分。
此外,本发明提供了跟踪特定传染病的传播,以及地理上绘制传播方向的可能性。
附图说明
参考描述本发明的可能配置的附图将更方便地描述本发明,其中相同的附图标记指代相同的部分。本发明也可有其他配置,因此附图的细节不应理解为取代了对本发明以上描述的概括,其中
图1描述了本发明的第一实施例;
图2描述了在图1的实施例中使用的界面;
图3是图1的实施例中的界面的另一图示;
图4描述了如何通过第二实施例来监控临床症状;
图4a描述了在如何通过第二实施例来监控临床症状中使用的警报消息;
图5描述了如何通过第二实施例来监控临床症的可选方式;
图6描述第二实施例的可能的流程图;以及
图7描述了图6的针对第二实施例的流程图的补充流程图。
具体实施方式
现在描述本发明的实施例,其中这些实施例包括用于预见例如传染病的疾病的爆发的监视系统100。
图1描述了第一实施例100,其包括主计算机101和多个客户端计算机103。该主计算机101与多个客户端计算机103通信。该主计算机101优选地为包括数据库的服务器,且患者的临床症状记录在该数据库中。客户端计算机103放置在不同位置的诊所中,且优选地跨国家或地理区域分布。
通过医疗机构建立并设置一“规则”组,来识别可能的传染疾病的症状,该规则组存储在主计算机101中。该规则包括要针对每个新患者核对的临床症状列表,这可以指示该患者是否被传染了怀疑能造成疫情的传染原。
在该第一实施例中,客户端计算机103被编程为偶尔轮询(poll)该主计算机101以下载最新的规则组。当规则组被下载后,该规则被存储在客户端计算机103中。
当患者到诊所就诊时,医生记录患者的临床症状并将其对患者的临床症状的观察输入到诊所内的客户端计算机103。然后该客户端计算机103将患者的临床症状与规则中列出的那些临床症状进行比对。如果患者的临床症状与规则中列出的临床症状相匹配,该客户端计算机103将患者的数据发送给主计算机101。此外,该客户端计算机103触发弹出消息以通知医生该患者的症状与规则中的那些症状匹配,因此该患者可能携带传染性疾病。这样,主计算机101能够接收并汇编患者的临床症状,并对呈现出规则中列出的该临床症状的患者计数。因此,主计算机101能够提供有多少人出现相同症状的数据。然后医疗机构能够根据该数据判断是否有可能的传染病爆发,并且在预见传染病爆发时准备好其资源。因此可完成对患者样本(例如微生物、血液、大便和粘液等)的分析和检测,且因此可统计地汇编大量确诊的患者。
因此该实施例为医生和医疗机构提供了可能但不确定的传染病爆发的早期警报,也提供了在爆发被确认之后,跟踪可能感染传染病的患者的可能性。
然而,规则中列出的临床症状是由医疗机构建立的,这些临床症状不一定表示确认的传染病。规则本身并不诊断或帮助诊断患者的状况。规则只帮助识别具有特定的临床症状组的人。
优选地,主计算机101记录患者的地址,并绘制症状传播方向(未示出)。此外,主计算机101记录患者就诊的时间。当确认有传染病爆发时,这可以帮助反跟踪传染病传播的速度。
下面给出了规则的示例,其具有三个要关注的临床症状:
1)发烧>38℃
2)皮疹
3)厌光
在任意时刻在客户端计算机103上可能存储了不止一个规则组。这解决了导致不同症状的两个传染原同时爆发的可能。
图2显示了位于客户端计算机103的屏幕上的可能的图形化用户界面200,通过该图形化用户界面医生可记录从患者身上看到的临床症状。图2描述的临床症状的示例包括在几个特定温度范围内的发烧、具有特定特征的皮疹等等。所描述的图形化用户界面200显示了体温的下拉列表202,医生可以从该下拉列表中进行选择。
该图形化用户界面200也显示了第二下拉列表202,其列出了可供选择的选项以正确描述患者所患皮疹的类型。
图形化用户界面200中的下拉列表202优选地被设计为向下展开格式。图3描述了这一点,其显示了在图形化用户界面200中,身体的不同部分或机能被表示为可选标签301,即皮肤、肠运动、视力、检测(可能是血液检测)等等。医生可简单地选择每个标签301来记录其对身体部分的观察或观察类别。
在每个标签301下还有可能的观察或临床症状的进一步的子分类303,医生可从中进行选择。图3描述了在皮肤上可能看到的可能的临床症状303,包括肿瘤、皮疹、水泡创口和脓水。
在每个临床症状分类303的下面可以有子分类305。例如,图3显示了如何将皮疹进一步子分类为干、痒或持续的等等。这些选项305不是互斥的,可以选择一个以上。图3描述了如何选择持续了1周以上的皮疹。
有利的,临床症状303的子分类305引导医生进行其临床观察,其用作核对列表,以有序的方式记录临床症状。
可选地,为使系统100更易于使用,子分类中可仅包含在任何传染病中都可能出现的临床症状。通常与传染病无关的症状或其他健康问题可以省略,例如撞伤和骨折。
图形化用户界面200可记作安装到每个客户端计算机103上的可执行程序,或实现为采用例如HTML和ASPx等基于web的技术的浏览器启动界面。可用技术的范围是公知的,这里不需详细说明。
在第二实施例中,主计算机101能够自动记录可能的传染病爆发。
当患者到诊所就诊时,医生记录患者的临床症状并将其对患者身上看到的临床症状的观察输入诊所中的客户端计算机103。然后该客户端计算机103将该观察上传到主计算机101的数据库中。通常,从国家各个位置的不同的客户端计算机103上传在多个患者身上看到的临床症状的信息。
然后主计算机101汇编从所有客户端计算机103上传的临床症状,从而计算每个临床症状的出现频率。可针对不同的间隔期间获得每个临床症状的出现频率,例如一小时、几小时、一天、三天或长达一周、一个月、或甚至一年或更长。例如,可检测在所有采用系统100的诊所中,在特定的一天内发烧出现了100例。
主计算机101包括针对每个临床症状的“警报频率”,该“警报频率”是预先确定的并由医疗机构设置。当特定的临床症状的出现高于其“警报频率”时,其显示了在人群中检测到了该临床症状的显著高发。这指示可能有在患者身上导致该临床症状的传染病爆发。然后主计算机101向所有客户端计算机103发出关于该临床症状的警报。然后客户端计算机103显示该警报以将该临床症状通知给医生。通常,通过传染病爆发的历史记录来建立该警报频率。
因此,在该实施例中,医疗机构不需要手动地研究在主计算机101中收集的数据以确定是否有可能的传染病爆发。
优选地,针对不同的临床症状设置不同的警报频率。这是因为在没有传染病爆发时,某些临床症状比其他临床症状更常见。例如流鼻涕的警报频率可设置为每天100例,而大量内出血的警报频率可设置为每天1例。换言之,流鼻涕的容忍度比内出血要高。
此外,甚至针对相同的临床症状可为不同的时间间隔设置不同的警报频率。例如,发烧的警报频率可设置为每天100例,也可设置为每周50例。这有助于检测和监控具有不同传播速度的不同类型的传染病。
图4显示了柱状图,其中的柱表示某些临床症状的出现频率。图4中描述的频率b就是上述的警报频率。尽管说明了对于不同的临床症状可能有不同的警报频率,为了简明起见,图4假设所有的临床症状共享相同的警报频率b。
图4显示了发烧高于38℃的出现高于频率b。相似地,皮疹临床症状和厌光临床症状也高于频率b。因此,向所有客户端计算机103发出警报以通知医生关注具有这些临床症状的患者。
图4a描述了出现在客户端计算机103的屏幕上的弹出消息402的示例,这是由主计算机101发出的警报。该弹出消息指示了临床症状,并警告医生特别关注具有该临床症状的患者。可选地,可通过主计算机101向医生发出电子邮件或SMS。因此,即便是医生离开了诊所,也能够警告他关注该临床症状。这对于经常进行家访,不常驻在其诊所中的医生是有利的。
图4显示了当分别监控发烧>38℃、皮疹和厌光的临床症状时,这些临床症状的每一个都高于警报频率b。然而,如果组合地监控临床症状,图4可能看上去非常不同。这将在图5中描述。
图5描述了一种可选的方式,其中可通过主计算机101汇编关于患者临床症状的数据,其中组合地监控临床症状,而不是分离地监控个别临床症状。该组合基于在任何单个患者身上看到的几个临床症状。这是因为很多疾病由一个以上的临床症状表征并且相区别。因此,汇编在患者身上看到的所有临床症状并寻找其他患者身上以相似组合出现的临床症状是有利的。更具体地,图5显示了仅具有厌光的单个临床症状,而不伴随发烧和皮疹临床症状的患者的出现频率低于警报频率b。对于个别发烧临床症状和个别皮疹临床症状也是一样的。但是,在任何单个患者身上全部三个临床症状的出现频率仍然很高,高于频率b。这意味着有很多例患者具有所有三个临床症状,即发烧>38℃、皮疹和厌光。因此,主计算机101向每个客户端计算机103发送警报,以通知医生特别仔细地记录其患者的该临床症状的组合,因为预见到导致这些临床症状的传染病爆发。
此外,回到图4,如果个别监控而不是组合地监控临床症状,仅具有皮疹的患者的数量非常高(患者A、B、C和E)。然而皮疹的高发可解释为几种类型的疾病的共同临床症状。这显示了组合地监控临床症状使得能够识别基于单个临床症状的假警报。
另一方面,由于很多传染病具有一个或两个共同的临床症状,特定临床症状在时间期间内的高发并不总意味着导致该临床症状的传染病的爆发。相反,单个临床症状的高出现频率也可能是因为几种无关的疾病的适度增加导致的,所有这些无关疾病可能都导致该临床症状,但是这些疾病的适度增加不等于单个传染病的爆发。因此通过组合地监控临床症状,可避免由几种无关疾病造成的共同临床症状导致的对恶性传染病爆发的假警报。由很多疾病和传染病造成的共同临床症状的示例是发烧。除非伴随有其他临床症状,例如皮疹、水泡、流鼻涕、体内疼痛等等,人群中发烧的突然高发本身不总意味着单个疾病的传染病爆发。
表I进一步描述了如何挖掘第二实施例的数据
表I
为了简明起见,假设该表显示了大量的发烧>38℃、皮疹和厌光的患者(例如患者A和B)。
因此,主计算机101将警报发送到每个客户端计算机103,指示医生关注具有发烧>38℃、皮疹和厌光全部三个临床症状的组合的患者。
患者A身上的腹泻临床症状没有出现在患者B和C身上,该临床症状可看作偶然出现而排除。因此,不应向医生警报预见到导致腹泻的传染病。然而,这不意味着腹泻的患者应被忽略,因为其可能感染有相同的传染病。相反,这意味着任何具有警报的临床症状组合的患者,不论有腹泻还是不腹泻,都应该被监控,因为可能是预见的传染病的携带者。
因此,尽管患者A身上出现了咳嗽和腹泻等额外的临床症状,患者A、B和C都一起被识别为具有共同的临床症状:发烧>38℃、皮疹和厌光,且可能具有相同的传染病。这有助于避免因为患者A具有相对于警报的那些临床症状额外的临床症状而简单地忽略患者A可能是该传染病的携带者,这些额外的临床症状可能是偶然的临床症状。
此外,该表显示了甚至更多的患者仅具有皮疹和厌光(患者A、B和C)。因此,可向每个客户端计算机103发送第二警报以通知医生关注具有皮疹和厌光的临床症状组合的患者。因为报告的仅具有这两个临床症状的病例数比具有全部三种临床症状:发烧>38℃、皮疹和厌光的病例数要多,第二警报的优先权比第一警报要高。
如本领域技术人员所知,可按照很多方式设置警报的优先权。例如,主计算机101可被编程为对任何涉及非常严重的临床症状的警报设置更高的优先权。例如,可为任何指示大量内出血的警报设置比没有指示大量内出血的其他警报更高的优先权。
优选地,在客户端计算机103的屏幕上可给出指示,以指示优先权等级,例如“极高”、“高”、“中等”等等(未示出)。优选地,没有低优先权,因为警报总是需要紧急关注。可选地,可采用数字化指示来指示优先权,例如等级1到10指示低优先权到高优先权。
尽管表I显示了有两个具有腹泻的患者(患者A和D),这与具有发烧>38℃、皮疹和厌光的患者的数量相同,但是不会向客户端计算机103发出预见导致腹泻的疫情的警报。这是因为由很多不同的原因引起的腹泻在人群中非常普遍。因此,需要更高的出现频率来发出针对腹泻的警报。
可选地,取代基于出现频率来触发警报,可基于临床症状的出现数量高于典型基线的增长百分数来触发警报。这使得系统100能够解决季节变化的问题。例如,可将警报设置为当普通感冒病例的数量增加30%时触发警报。如果在夏天当没有疫情时普通感冒通常每天出现大约100例,那么每天出现130例时发出警报。此外,如果在冬天当没有疫情时普通感冒通常每天出现大约200例,那么在冬天每天出现260例时发出警报。因此,通过高于历史数据的百分数来监控临床症状,能够防止系统100因季节性波动而发出假警报。
可选地,基于相对于前一天记录的出现数量,临床症状出现的增长“率”触发警报。下面的表II描述了这种情况。
表II
第1天 | 第2天 | 第3天 | 第4天 | |
病例数量 | 60 | 80 | 120 | 180 |
增长率 | 无 | 33.3% | 50% | 50% |
表II显示了在第1天,系统100记录了只有60个例如发烧的出现。在第2天,系统100记录了80个新的出现。在第3天,系统100记录了120个新的病例。如果根据图4的实施例的警报频率b设置为每天出现130例,前3天将不会触发任何警报。只有在第4天才看到症状出现的数量足够高以发出警报。
然而,如果可基于高于前一天记录的出现数量的“增长率”>=30%来触发警报,则在第2天就会发出警报,因为第2天看到的病例比第1天多33%。相似地,第3天看到的比第2天多50%,第4天看到的比第3天多50%。因此,第3天和第4天也会发出警报。
因此,无论实际的出现数量如何,出现数量的任何突然增加都会发出警报。
本领域技术人员应知道,可以天、周或月为单位来监控症状出现的增长率。
可选地,一旦向客户端计算机103发出警报,客户端计算机103也轮询主计算机101以下载最新的规则,如同第一实施例。可通过客户端计算机针对该规则快速核对医生所查看的下一个患者的临床症状,从而可由客户端计算机103向医生发出警报,以指示患者的临床症状与规则中的那些临床症状相匹配。然后将该患者状况的数据发送给主计算机101,如上文所述。
图6描述了第二实施例的流程图,该流程图是由主计算机101执行的步骤的可能示例。图7显示了相对应的指示由客户端计算机103执行的步骤的流程图。
在图6中,当主计算机101开始监视功能时,主计算机101开始监听、或监控来自客户端计算机103的输入数据。例如,在步骤603主计算机101周期性的核对来自任何客户端计算机103的新数据。客户端计算机103中的患者状况及其临床症状的任何记录都被发送到主计算机101。
因此,如果没有发送自任何客户端计算机103的数据,主计算机101的监视功能循环以持续监控输入数据。然而,如果医生将患者的临床症状输入到客户端计算机103并将该数据发送到主计算机101,主计算机101接收该数据并更新主计算机101中的数据库,即步骤607。然后主计算机101在数据库中进行汇编,以计算患者中临床症状的出现频率。如前文的示例所述,可针对个别临床症状的每个来计算出现频率,也可针对在患者身上看到的临床症状的组合来计算出现频率。优选地,也可针对在患者身上看到的临床症状的所有组合的不同子集来计算出现频率,如表I所述。如果任何临床症状、临床症状的组合、或临床症状的组合的子集的出现频率高于其各自的预定警报频率,主计算机101向客户端计算机103发送警报,即步骤609,且如果需要的话,发送针对该临床症状、临床症状的组合、或临床症状的组合的子集的新的规则组。因此,医生被警告具有特定临床症状的患者数量增加,预见了可能的传染病爆发。然后系统100继续监控来自其他客户端计算机103的新数据,即步骤603。
现在参考图7,显示了客户端计算机103具有两种输入。第一种是从主计算机101发送到客户端计算机103的警报和规则,第二种是由医生输入到客户端计算机103的数据。
在步骤703,客户端计算机103从医生那里接收到记录了患者的临床症状的输入,在步骤705,客户端计算机103将患者的临床症状与规则中列出的临床症状进行对比。如果患者的临床症状与规则中列出的临床症状相匹配,在步骤707,客户端计算机103显示患者可能携带常见传染病的警报,并通知主计算机101。
在步骤709,无论患者的临床症状是否与规则中的临床症状相匹配,客户端计算机103将该患者临床症状发送给主计算机101,从而可将患者的临床症状包括到主计算机101中的现有数据中。除非流程停止,否则该流程从步骤711开始继续循环。
因此,所述实施例100包括用于预见人群中的疫情的系统100,该系统包括主计算机101,和具有用于记录患者的临床症状的用户界面的多个客户端计算机103,该多个客户端计算机103具有到主计算机101的通信链路,该多个客户端计算机103的每一个包括规则组,该规则组指示至少一个临床症状,当患者的临床症状被记录到多个客户端计算机103中的一个时,该多个客户端计算机103中的一个将该患者的临床症状与规则组中的该至少一个临床症状进行对比,如果患者的临床症状与规则组中的该至少一个临床症状相匹配,则将患者状况的数据发送给主计算机101,其中主计算机101对来自多个客户端计算机103的患者状况的数据进行汇编。
因此,所述实施例100包括用于检测人群中临床症状的增加的系统100,该系统包括主计算机101,和具有用于记录患者的临床症状的用户界面的多个客户端计算机103,该多个客户端计算机103具有到主计算机101的通信链路,以将患者的临床症状的记录上传到该主计算机101,主计算机101存储预定的阈值,主计算机101具有识别出现高于阈值的至少一个临床症状的能力,该主计算机101具有到客户端计算机103的通信链路,以在该客户端计算机103中触发针对该出现高于阈值的至少一个临床症状的警报。
因此,所述实施例100包括预见人群中的疫情的方法,该方法包括步骤:在多个客户端计算机103中提供的界面上记录患者的临床症状,将患者的临床症状的记录上传到主计算机101,汇编主计算机101上的患者的临床症状的记录,从临床症状的记录中识别出现次数高于预定阈值的至少一个临床症状,在客户端计算机103中触发针对该至少一个临床症状的警报。
尽管在上文中描述了本发明优选实施例,本领域技术人员应该理解可在设计、构造或操作的细节中进行很多变化或修改,而不会背离本发明所主张的范围。
优选地,客户端计算机103可布置于分散在广大区域内的诊所中。更优选地,所述诊所是跨国的诊所。这能够跟踪国际间的传染病传播。
优选地,不会将关于用户身份的信息上传到主计算机101,以防止个人信息的泄露。如果需要联系或隔离特定的人,可以联系上传此人的记录的诊所来跟踪此人。
在本实施例的变体中,客户端计算机103也可记录关于患者的信息而不是关于临床观察的信息,例如其住址或其行程记录。主计算机101包含倾向于某种疾病的区域的信息。因此,当患者的临床症状可能由于几种疾病导致时,系统100有助于将可能的疾病缩小到可能性更大的几个。例如,如果患者具有发烧和皮疹,主计算机101包含这样的信息,即患者的住地有老鼠出没,则系统110可警告医生该患者可能患有斑疹伤寒,这是由鼠蚤携带的传染病。因此系统100通过提供为什么患者会感染斑疹伤寒的解释,来防止医生发出斑疹伤寒疫情的假警报。
本领域技术人员应知道,临床症状的记录可通过除数据库之外的不同形式存储,例如文本文件形式,或XML文件形式。
此外,尽管所述客户端计算机103位于诊所中,客户端计算机103也可能是便携式设备,例如笔记本计算机,或个人数字助理(PDA),医生可携带它们到现场。这在需要监控不住在健康机构附近的人的健康状况的情况中特别有用,例如监控由于埃博拉(Ebola)病毒爆发被隔离的人类群落。在这种情况下,客户端计算机103和主计算机101之间的通信基于无线通信提供商或通过人造卫星设备的无线通信。
有利地,本实施例提供了在区域内不同诊所中识别多个患者中相似症状的病例,并发出预见传染病爆发的可能性的警报。
有利地,由于也可以收集患者的健康方面的观察,本实施例也提供了针对非基于例如病毒的传染原的疫情来监控人群的可能性。例如,本实施例提供了监控肥胖的可能性。
有利地,本实施例可用来监控环境中的动物群,例如捕获的候鸟、鲸、海龟或濒危物种的健康及其匮乏的信号。
有利地,可实况提供汇编的数据,并在电视上发布信息,就如同显示天气预报一样。这有助于公众冷静地面对爆发,并快速采取个人措施以防止传染病的传播。
有利地,个别地监控每个临床症状的图4所示的实施例也可用于警报针对适用于每个临床症状的药物的医疗清单。即便没有大规模传染病爆发,具有一个或两个共同临床症状的几种疾病偶然的适度增加也可能导致用于这些共同临床症状的药物的需求的突然和显著的增加。因此即便没有单个疾病的疫情,监控每个临床症状本身可有助于医疗清单来预见任何特定药物的需求。
Claims (12)
1.一种预见人群中的疫情的系统,该系统包括:
主计算机;
多个客户端计算机,其具有用于记录患者的临床症状的用户界面;
该多个客户端计算机具有到主计算机的通信链路;
该多个客户端计算机的每一个包含规则组;
该规则组指示至少一个临床症状;
当患者的临床症状被记录到该多个客户端计算机中的一个时,该多个客户端计算机的一个将该患者的临床症状与该规则组中的该至少一个临床症状进行对比;
如果该患者的临床症状与该规则组中的该至少一个临床症状相匹配,则将患者状况的数据发送给该主计算机;其中
该主计算机将来自该多个客户端计算机的患者状况的该数据进行汇编。
2.根据权利要求1所述的预见人群中的疫情的系统,其中
该多个客户端计算机能够以预定时间间隔轮询该主计算机以下载更新的规则组。
3.一种预见人群中的疫情的系统,该系统包括:
主计算机;
多个客户端计算机,其具有用于记录患者的临床症状的用户界面;
该多个客户端计算机具有到该主计算机的通信链路,以将患者的临床症状的记录上传到该主计算机;
该主计算机存储预定的阈值;
该主计算机能够识别出现高于阈值的至少一个临床症状;
该主计算机具有到该客户端计算机的通信链路,用于在客户端计算机中触发针对该出现高于阈值的至少一个临床症状的警报。
4.根据权利要求3所述的预见人群中的疫情的系统,其中,该阈值是警报频率。
5.根据权利要求3所述的预见人群中的疫情的系统,其中,该阈值是基于历史数据的百分数。
6.根据权利要求3所述的预见人群中的疫情的系统,其中,该阈值是出现频率的预定增长率。
7.根据权利要求3到6中任意一项所述的预见人群中的疫情的系统,其中针对每个患者的临床症状的特定组合来监控临床症状。
8.一种预见人群中的疫情的方法,该方法包括步骤:
在多个客户端计算机上提供的界面上记录患者的临床症状;
将患者的临床症状记录上传到主计算机;
汇编该主计算机上的患者的临床症状记录;
从该临床症状记录中识别出现数量高于预定阈值的至少一个临床症状;
在客户端计算机中触发针对该至少一个临床症状的警报。
9.根据权利要求8所述的预见人群中的疫情的方法,其中从该临床症状的记录中识别至少一个临床症状的步骤包括:
从每个患者的记录中识别临床症状的组合,以及
预定针对该临床症状的组合的阈值。
10.根据权利要求8或9所述的预见人群中的疫情的方法,其中,该阈值是警报频率。
11.根据权利要求8或9所述的预见人群中的疫情的方法,其中,该阈值是基于历史数据的百分数。
12.根据权利要求8或9所述的预见人群中的疫情的方法,其中,该阈值是出现频率的预定增长率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/623,339 US20110125525A1 (en) | 2009-11-20 | 2009-11-20 | Method of anticipating an epidemic in a population, and a system thereof |
US12/623,339 | 2009-11-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102073783A true CN102073783A (zh) | 2011-05-25 |
Family
ID=44032321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105552819A Pending CN102073783A (zh) | 2009-11-20 | 2010-11-19 | 预见人群中的疫情的方法及其系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20110125525A1 (zh) |
CN (1) | CN102073783A (zh) |
HK (1) | HK1150499A2 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740322A (zh) * | 2016-01-14 | 2016-07-06 | 深圳市检验检疫科学研究院 | 一种出入境疫情智能卫生检疫大数据分析系统 |
CN108564986A (zh) * | 2018-04-19 | 2018-09-21 | 苏秦 | 一种通过手机app的儿童疾病自动问诊及病历生成系统 |
CN109166630A (zh) * | 2018-08-03 | 2019-01-08 | 杜占玮 | 一种传染病数据监控处理方法和系统 |
CN111599484A (zh) * | 2020-04-30 | 2020-08-28 | 泉州征之魂智能科技服务有限公司 | 传染病易染难染人员标定及无感传染溯源锁定系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9301460B2 (en) | 2011-02-25 | 2016-04-05 | The Toro Company | Irrigation controller with weather station |
CN111312346B (zh) * | 2020-01-21 | 2023-04-18 | 杭州杏林信息科技有限公司 | 住院患者新发生感染人数的统计方法、设备和存储介质 |
CN112259220B (zh) * | 2020-09-30 | 2024-02-02 | 吾征智能技术(北京)有限公司 | 一种基于鼻出血伴随症状预测疾病的系统、设备、存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9642562B2 (en) * | 2002-08-19 | 2017-05-09 | Stout Solutions, Llc | Bio-surveillance system |
US20040073459A1 (en) * | 2002-10-11 | 2004-04-15 | Infinity Healthcare | Bio-surveillance system and method |
-
2009
- 2009-11-20 US US12/623,339 patent/US20110125525A1/en not_active Abandoned
-
2010
- 2010-11-12 HK HK10110587.6A patent/HK1150499A2/xx not_active IP Right Cessation
- 2010-11-19 CN CN2010105552819A patent/CN102073783A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740322A (zh) * | 2016-01-14 | 2016-07-06 | 深圳市检验检疫科学研究院 | 一种出入境疫情智能卫生检疫大数据分析系统 |
CN108564986A (zh) * | 2018-04-19 | 2018-09-21 | 苏秦 | 一种通过手机app的儿童疾病自动问诊及病历生成系统 |
CN109166630A (zh) * | 2018-08-03 | 2019-01-08 | 杜占玮 | 一种传染病数据监控处理方法和系统 |
CN111599484A (zh) * | 2020-04-30 | 2020-08-28 | 泉州征之魂智能科技服务有限公司 | 传染病易染难染人员标定及无感传染溯源锁定系统 |
Also Published As
Publication number | Publication date |
---|---|
HK1150499A2 (en) | 2011-12-30 |
US20110125525A1 (en) | 2011-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2918332C (en) | Patient care surveillance system and method | |
CN102073783A (zh) | 预见人群中的疫情的方法及其系统 | |
US10565352B2 (en) | Location-based management of healthcare environments | |
Michel et al. | French national survey of inpatient adverse events prospectively assessed with ward staff | |
US8190450B2 (en) | System and method to manage a quality of delivery of healthcare | |
US20180122209A1 (en) | System for determining behavioral patterns and deviations from determined behavioral patterns | |
US10872694B2 (en) | Software, health condition determination apparatus, and health condition determination method | |
GB2436934A (en) | A system and method of remote patient care by on-line monitoring | |
WO2021044520A1 (ja) | ソフトウェア、健康状態判定装置及び健康状態判定方法 | |
WO2015112832A1 (en) | System for transforming patient medical record data into a visual and graphical indication of patient safety risk | |
Lanzola et al. | Monitoring artificial pancreas trials through agent-based technologies: a case report | |
Stellpflug et al. | Continuous physiological monitoring improves patient outcomes | |
US20170147770A1 (en) | Critical care patient monitoring service recommendation using data and text mining techniques | |
US20160267237A1 (en) | Real-Time Method and System for Controlling Healthcare Delivery Processes within a Clinical Environment | |
CN105408905A (zh) | 用于患者监测系统的临床规则和定义的计算机化与可视化 | |
Currie et al. | Web-based hazard and near-miss reporting as part of a patient safety curriculum | |
Beuscart et al. | Patient safety through intelligent procedures in medication: the PSIP project | |
Weingart et al. | Preventing diagnostic errors in ambulatory care: an electronic notification tool for incomplete radiology tests | |
Adams et al. | Assessing the postdeployment quality of treatment for substance use disorders among Army enlisted soldiers in the Military Health System | |
Burlison et al. | Using EHR data to detect prescribing errors in rapidly discontinued medication orders | |
CN116798654B (zh) | 一种主动监测老年住院患者不良反应的方法及系统 | |
Norris | Toward new vital signs: Tools and methods for physiologic data capture, analysis, and decision support in critical care | |
US20220189637A1 (en) | Automatic early prediction of neurodegenerative diseases | |
Rodriguez et al. | Equitable Machine Learning for Hypoglycaemia Risk Management | |
KR102597133B1 (ko) | Phr과 진료기록에 기반한 임상의사결정 지원 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110525 |