CN102483818A

CN102483818A - 人工智能辅助的医疗参考系统和方法

Info

Publication number: CN102483818A
Application number: CN201080027806XA
Authority: CN
Inventors: J.M.阿姆斯特朗; R.R.莱布尼茨; V.多布里宁; D.帕特森
Original assignee: LEAD HORSE TECHNOLOGIES Inc
Current assignee: LEAD HORSE TECHNOLOGIES Inc
Priority date: 2009-04-22
Filing date: 2010-04-21
Publication date: 2012-05-30
Also published as: JP2012524945A; BRPI1015255A2; EP2422305A4; AU2010239214A1; SG175300A1; WO2010124016A1; EP2422305A1; KR20120049180A; US20120209625A1

Abstract

提供了与临床决策支持系统一起使用的、用于识别和提供关于病人属性与一个或多个不良事件(AE)之间的关联的信息的计算机实现的方法、系统和计算机可读存储介质。在一个示例中，该处理包括：处理包括AE和一个或多个病人属性的数据库信息，用于AE与病人属性之间的关联；以及识别在一个或多个AE与一个或多个病人属性之间的至少一个关联。可以通过关联规则发现处理发现关联，以确定一个或多个关联规则，其中每个关联规则满足置信度、支持、和/或其它阈值。示例处理还基于所识别的或发现的关联向用户提供信息或警示。该信息还可以被用于基于药品(处方或其它)安全或功效信息对针对AE的搜索结果进行加权或重新区分优先次序。

Description

人工智能辅助的医疗参考系统和方法

相关申请的交叉引用

本申请要求2009年4月22日提交的、序列号为61/171,796的美国临时申请的权益，通过引用将其全文合并到这里用于所有目的。

技术领域

本发明一般涉及基于计算机的临床决策支持系统，其用于处理不良(adverse)事件(例如，上市前和上市后的不良药品事件、报告的不良事件、等等)以及病人属性(例如，用药、状况、症状、医疗设备或过程、人口统计学数据、等)，以向用户提供关于潜在的重要关联(因果或非因果)的警告，以及/或者对响应于用户的询问而从医药药品标签中撷取的结果区分优先次序。

背景技术

通常，在药品被国家监管部门批准用于治疗给定疾病或失调之后，已知的与该药品关联的安全信息来自于临床试验结果的益处/风险分析，该临床试验招募在可允许的复杂因素上有严格规定的、相对少的病人。安全信息通常与药品一起用于用户的使用和参考。此外，某些监管部门(诸如美国食品药品监督管理局(FDA))在已知为上市后安全监督或药物监测(pharmacovigilance)的过程中保存各种药品的数据库分类安全信息(例如，FDA保存安全信息的不良事件报告系统(AERS)数据库)。

在药品被批准且在临床试验环境之外使用之后，相比于临床试验中的病人，药品通常被在其它用药的数量和类型方面以及已经具有的背景状况和症状方面更复杂的病人使用。在药品被批准使用、并且通过上市后安全监督发现了诸如不良事件(AE)或不良药品反应(ADR)的附加安全事件之后，监管部门要求药品制造商通过向药品标签增加警示和其它警告来反映新信息。然而，虽然某些药品之间的相互作用信息可以被公布在药品标签上，但在如下情况下可以识别一组全新的与任何具体药品关联的严重不良事件：1)另一、附加药品被批准，并且两个药品变得与在其中任一药品的药品标签中未反映的AE或ADR关联；或者2)该药品被用在具有监管部门批准所基于的原始“注册”临床试验中所不允许(即，不符合包含标准或者在排除标准列表中)的背景状况和症状或其它病人属性的病人上，或者如果它们被允许，也没有足够多的数量(即，该试验不够“有力”)来允许在具有这些具体背景状况和症状或其它病人属性的病人中检测AE或ADR与该药品的重要关联。结果，仅仅依赖于药品标签上陈述的药品与AE或ADR的相关性可能不足以解释在药品已经被监管部门批准用于市场使用之后临床上观察到的AE或ADR经历。事实上，美国国家药物科学院(U.S.National Academy of Science’s Instituteof Medicine)已经观察到美国每年要继续报告超过150万的ADR，尽管具有基于对公布的药品标签数据的访问的定点关注(point-of-care)药品间相互作用检测产品。此外，甚至在药品标签已经公布之前，即在监管部门已经批准药品在市场上使用之前，或者在其已经被批准在市场上使用但在其被批准用于新的疾病或状况或新的病人人口统计学组之前，监管部门也允许保健护理专业人员在称为“无标签”使用的过程中开该药品的处方。如此，通常存在在没有药品标签时或者在已有药品标签中还未公布关于正对其开该药的处方的病人类型的安全或功效信息的情况下开该药的处方的情形。与该药品的无标签使用关联的任何后续AE或ADR可能被报告或可能不被报告给监管部门。因此，关于某些保健护理专业人员所经历的AE或ADR的重要决策支持信息可能对于其它也以无标签方式开该药的处方的保健护理专业人员而言是不可得的。

由制造药品的制药公司公布药品标签信息。可以使用定点关注医疗参考系统或决策支持系统(DSS)来使用户能够搜索药品标签，以找到特定处方药可能导致或者可能另外地与其关联的AE或ADR。该特征使得医疗工作者能够对哪些药品可能贡献所观察到的AE进行带有更多信息的决策。然而，诸如FDA的监管部门，根据FDA的上市后安全监督，如报告给它们的AERS数据库或者来自从典型的第四阶段(Phase IV)试验获得的补充临床试验信息，在已经达到关于特定安全事件的特定阈值之前不要求药品制造商更新它们的药品标签。结果，在药品首次被批准上市之后很多年，在药品已被开出了几千、或几十万次之后才检测到的病人的许多更严重的ADR(典型地导致住院或死亡)都未被发现和公布在药品的标签中。此外，在FDA验证了药品或多种药品与AE之间的关联并要求药品制造商将其公布在药品标签上的时间、到更新的药品标签被公布且保健护理专业人员可用之前，可能存在严重的延迟。在过渡期间，为了降低ADR的频率或阻止ADR，保健护理专业人员必须依赖于不同于药品标签的药品安全信息的附加来源，以支持他们的医疗或预防决策。然而，即使与特定药品、药品组合、或药品-病人属性组合关联的严重安全事件可能已经被报告给了监管部门，关于这些报告的信息对于保健护理专业人员而言可能也不可得，导致保健护理专业人员不知道与重要药品-AE关联相关的信息，该关联已通过药物监测努力而发现，但还未被公布和/或对保健护理专业人员开放。

此外，在通过DSS处理ADR查询的过程中，使用预先指定的等级或优先次序算法来确定从药品标签撷取的并向进行查询的医生呈现的结果的顺序或忽略了从药品标签撷取的信息与正治疗的病人的类型的相关性，或假设算法具有该信息的内建知晓。包含在药品标签中的ADR信息反映该ADR在上市后的世界(即，在药品批准所基于的临床试验中使用的相对少的且人口统计学上规定的病人之外、药品的安全经历)中的严重性和频率的真实性的程度取决于许多因素，包括药品标签被更新来反映上市后的世界中的那些因素的变化的频率。

发明内容

根据本发明的一个方面，提供了与临床决策支持系统一起使用的计算机实现的方法、系统和计算可读存储介质，该临床决策支持系统用于识别和提供关于病人属性与一个或多个AE之间的关联的信息，其可以被用于提供警示或显示潜在的AE。

在一个示例中，用于提供关于病人属性与一个或多个AE之间的关联的信息的处理包括：处理包括AE和一个或多个病人属性的数据库信息，用于AE与病人属性之间的关联。AE和病人属性的数据库可以包括AERS数据、ADR、用户生成的包括AE的报告、与处方或非处方药品关联的附加安全事件、中草药补充、其它物质或食物、医疗设备、临床过程、其它病人属性、人口统计学数据等。示例处理还包括识别在一个或多个AE与一个或多个病人属性之间的至少一个关联。可以通过确定一个或多个关联规则的关联规则发现或其它人工智能(AI)技术处理来发现所述(多个)关联，其中每个关联规则满足一个或多个用于置信度、支持和/或其它统计参数的阈值。示例处理还基于所识别或发现的关联向用户提供信息。该信息可以包括警示、报告、布告等。

在一个示例中，所识别的关联可以被用于处理病人数据记录(例如，与医院、组织或用户所关联的数据记录)，以警示容易受对潜在风险或安全信息的基于关联规则的识别所影响的病人用户。例如，识别的关联可以被用于识别两种药品的使用与AE之间的关系，向用户警示该关系。在一个示例中，可以基于所识别的关联来分析一组病人数据(包括开出的药品和AE)。

在另一示例中，规则发现处理与所发现的关联可以被用于显示关于在医药药品标签中公布的ADR的信息。例如，该系统和处理可以使用规则发现处理来改变ADR查询的由医药药品标签得出的结果的优先次序，计算机ARD查询通过基于计算机的医疗参考系统来进行。作为一种选择，通过允许施加基于AI的加权因子来重新等级化通常根据某些预先指定的优先次序算法返回的由药品标签得出的结果。例如，示例处理包括访问用于存储药品安全或功效信息(诸如药品标签片段)的计算机可读储存存储器，基于输入的病人属性对药品标签片段的至少一部分进行排序(根据基于关键项的比重、强调的语言等的等级化算法)，对药品标签片段应用一个或多个关联规则(从AE和病人属性的数据库中识别所述关联规则)，以及基于关联规则对药品标签片段重新排序。

根据其它实施例，提供了用于执行上述处理的系统、设备(例如，计算机、服务器计算机等)、接口、以及包括计算可读指令的计算机可读存储介质。

附图说明

通过参照以下结合附图和屏幕截图而进行的说明可以更好地理解本申请，其中同样的元件由同样的附图标记指示。

图1示出了用于支持这里所描述的系统和处理的示例系统架构和环境。

图2示出了用于支持这里所描述的系统和处理的示例系统架构。

图3A和图3B示出了在规则发现处理中使用的二项(bimonial)树。

图4A示出了向用户提供关于AE与病人属性之间的潜在重要关联的警示的示例处理。

图4B示出了检测AE与病人属性之间的重要关联并提供警示的示意图。

图5示出了响应于用户的查询而改变信息的显示(例如，等级或优先次序得分)的示例处理。

图6示出了基于定点关注DDS的ADR查询的示例屏幕截图。

图7示出了从与病人正使用的药品关联的医药药品标签提取的信息的示例屏幕截图。

图8示出了使用预定算法而分配了等级或优先次序得分的所提取的信息的示例屏幕截图。

图9示出了从药品标签获得的所提取的信息的示例屏幕截图，其中，所述信息被排序，用于向进行ADR查询的医生(用户)回显。

图10和图11示出了搜索结果的未改变和改变的示例屏幕截图，所述改变的显示基于这里所描述的示例处理。

具体实施方式

以下描述陈述了大量具体配置、参数等。然而，应该意识到，这样的说明并不意在作为对本发明的范围的限制，而是提供作为示例实施例的描述。

广义地讲，以及在一个实施例中，描述了用于处理AE(包括ADR)和病人属性的数据库信息、并且识别一个或多个AE与一个或多个病人属性之间的关联规则的系统和处理。例如，一个或多个算法可以被用于评估AE和病人属性的数据库，以发现满足预定义阈值(例如用于支持、置信度、兴趣等)的关联(例如规则)。这样的规则可以被使用在医疗定点关注临床参考系统或决策支持系统(DSS)内，用于处理AE和病人属性。

在一个示例中，示例处理包括向基于计算机的临床决策支持系统的用户通知或警示在AE与病人属性之间的潜在重要关联(因果或不是因果)。例如，基于计算机的临床决策支持系统一般处理AE(例如，上市前和上市后的不良药品事件、报告的AE等)，以确定关联并向用户提供警示。在一个示例中，向病人数据(例如与医院或组织关联的病人数据)应用关联，以提供对一个或多个病人特定的病人特定的警示或通知。在另一示例中，提供响应于用户的查询而对从医药药品标签撷取的结果进行优先次序的系统和处理。

I.系统架构和环境

首先，参照图1，提供其中描述用户接口、设备和处理的某些方面和示例的示例环境。一般地，一个或多个客户端12可以访问服务器10，该服务器10包括或访问用于执行所描述的一个或多个示例处理的逻辑，例如提供用于用户输入查询、浏览结果、接收信息和警示等的接口。服务器10和客户端12可以包括各种类型的计算机装置的任一个，具有例如处理单元、存储器(其可以包括用于执行这里所描述的功能的一些或全部的逻辑或软件)、通信接口，以及其它传统的计算机组件(例如，诸如键盘/键板和/或鼠标的输入装置，诸如显示器的输出装置)。例如，客户端12可以包括台式计算机、膝上计算机、移动设备(诸如手持计算机设备)、移动电话、可上网电话机、智能电话机等。

客户端12和服务器10可以例如经由网络14(诸如局域网(LAN)或因特网)使用合适的通信接口进行通信。客户端12和服务器10可以部分或全部经由无线或有线通信(诸如以太网、IEEE 802.11b无线等)进行通信。此外，客户端12与服务器10之间的通信可以包括各种服务器或与各种服务器通信，诸如邮件服务器、移动服务器、媒体服务器等。

服务器10一般包括逻辑(例如http网站服务器逻辑)或被编程，以格式化从本地或远程数据库或其它数据和内容的源存取的数据，用于优选以这里所描述的格式向客户端12的用户展现。例如，服务器10可以格式化数据和/或访问本地或远程数据库，以传递和促使客户端12的接口的显示、与用于在接口(例如，其可以包括搜索接口和用于显示对象的显示窗口)内显示的对象相关的数据、与关于对象的附加信息和/或内容的链接、附加内容和/或信息本身等。因此，服务器10可以使用各种网络数据接口技术(诸如公共网关接口(CGI)协议)以及关联的应用(或“脚本”，

“Servlets”，即运行在网站服务器上的

应用)等，以呈现信息和从客户端12接收输入。服务器10在这里虽然以单个形式描述，但其实际上可以包括多个计算机、设备、数据库、关联的后端设备等，它们进行通信(有线或无线)和合作以执行这里描述的功能的一些或全部。服务器10还可以包括帐号服务器(例如电子邮件服务器)、移动服务器、媒体服务器等，或与它们进行通信。

此外，传递给客户端12的网页可以包括各种文本和媒体对象，诸如文章、文档、照片、音频文件、视频文件等。此外，内容可以包括对可以由接口或关联的用户装置(例如，经由本地或远程存储或访问的应用编程接口(API)、网页等)访问的其它内容的选择或链接。客户端12可以经由呈现的网页访问的内容可以符合合适的数据格式，包括各种媒体格式，诸如静止图像(例如JPEG、TIFF)、视频(例如MPEG、AVI、Flash)、或音频(例如，MP3、OGG)。

在一个示例中，服务器10包括处理逻辑11或者与处理逻辑11通信，处理逻辑11用于处理数据(例如，AE和病人属性)和发现关联，诸如关联规则，如下所述。处理逻辑11还可以包括促使用于接收搜索查询和关联信息的接口的显示、并基于用户输入显示结果的逻辑。例如，服务器10可以包括一个或多个应用服务器，其被配置来实现和执行软件应用，以及提供去往或来自客户端12的相关数据、代码、表格、网页以及其它信息，并且向数据库系统中存储相关数据、对象和网页内容以及从数据库系统中检索相关数据、对象和网页内容。

应该注意，虽然这里所描述的示例方法和系统描述了使用分离服务器和数据库系统用于执行各种功能，但可以通过存储软件或编程来实现其它实施例，所述软件或编程进行操作以使得所描述的功能在单个设备或多个设备的任意组合上作为设计选择，只要执行所描述的功能即可。虽然图中未示出，但服务器10和数据库系统18一般包括服务器系统中通常找到的现有组件，包括但不限于处理器、RAM、ROM、时钟、硬件驱动器、关联的存储器等。此外，所描述的功能和逻辑可以被包括在软件、硬件、固件或其组合中。

图2示出了用于执行这里所描述的各种处理的更详细的示例医疗评估支持系统20。在共同待决的、2008年2月22日提交的题为“Automated OntologyGeneration System and Method”的PCT专利申请No.PCT/US2008/054778以及2009年2月23日提交的题为“Medical Assessment Support System andMethod”的美国专利申请序列号12/438,530中描述了类似的示例医疗评估和DSS，将它们的全部内容合并到这里。

示例系统20可以包括：(a)用户接口22，其帮助在系统20与关联于用户的电子或计算装置之间的通信，(b)数据接口24，其帮助在系统20与一个或多个数据或信息源之间的通信，所述通信被用于服务用户在用户接口22上传递给系统20的查询，以及(c)处理引擎26，其导致响应于在用户接口22上提交的用户查询对数据或信息源进行一个或多个搜索，并将搜索的结果在用户接口22上提供给用户。

用户接口22可以包括服务器28，例如网站服务器，其能够与客户端具有网站浏览器能力的电子或计算装置通信，该电子或计算设备与用户关联。服务器28能够与其通信的电子或计算装置包括但不限于能够运行网站浏览器的个人计算机、PDA、和蜂窝电话。服务器28经由缓冲服务器页面(CSP)向客户端浏览器提供包含链接到数据库管理系统的字段的表的显示；在其它示例中，可以使用不基于缓冲的链接、接口、DBMS。服务器28和客户端浏览器保持一对一关联，其可以包括但不限于以下：(1)药品信息输入字段；(2)医疗设备输入字段；(3)程序输入字段；(4)疾病(例如，状况或症状)信息输入字段；(5)数据源信息输入字段；(6)病人人口统计学数据输入字段(年龄、性别等)；(7)不良事件信息输入字段。所有字段都链接到在在数据库关联系统(DBMS)中内部地存储的信息。应该理解，如果需要在不是网站的网络(广域或局域)上进行与一个或多个用户的通信，则可以利用另一类型的服务器取代或补充服务器28。服务器28还可以能够与关联于用户的电子或计算装置进行通信以及能够发HL7消息，其是广泛用于保健护理行业的消息标准。服务器28可以适配于支持存在于保健护理行业中或者将来被保健护理行业采用的其它消息协议。服务器28被图示为具有网站浏览器端口和HL7端口的单个服务器；但应该理解，服务器28可以包括多个服务器，每个服务器具有一个或多个端口。

用户接口22还可以包括定制集成方案接口30，其允许用户绕过服务器28，并直接访问数据库管理系统或与处理引擎26关联的系统。定制集成方案接口30可以接受根据有关的数据库或面向对象的数据库协议之一的查询。例如，接口30可以能够接收采用ODBC或JDBC协议用于SQL型查询的有关的数据库查询，并发送SQL格式的响应。该接口还能够接收基于JAVA、C++、VB、SOAP、.NET等的查询，并发送合适格式的响应。如果需要，接口30还可以适配为与其它协议集成。可以通过将处理引擎26基于CACHE而实现处理有关的或面向对象的数据库查询的能力，CACHE是协议智能的，即能够辨别查询所基于的协议。应该理解，还可以使用协议智能的任何其它系统。

在此示例中，系统20通过各自与服务器26关联的浏览器端口和HL7端口、以及定制集成方案接口30，来提供与用户的通信。应该理解，系统20可以适配为采用这些各种接口的子集来与关联于用户的电子或计算装置进行通信。此外，系统20可以适配为采用现在可得的或者将来可能得到的其它接口，用于与关联于用户的电子或计算装置通信。

继续参照图2，数据接口24被用于向数据源发送对数据或信息的请求(数据源典型地是商业数据源，但也可以包括私有、私人、或公共数据源)，并从这些数据源接收数据或信息，所述数据或信息用于建立作为处理引擎26的部分的一个或多个数据库。在此示例中，数据接口24被用于向数据源发送提供如下数据的请求：生物标志数据、安全数据、药品说明书(PPI)数据、制药公司医疗信息(MI)快报、白皮书(未示出)、临床试验数据、微阵列数据、染色体和/或类朊体数据、单核苷酸多态性(SNP)、药品响应模拟系统等，并接收对任何这种请求的响应。数据接口24能够向如下的一个或多个数据源发送请求和接收响应，该数据源提供有名类型的数据或信息中的子集。数据接口24还能够适于向如下的一个或多个数据源发送请求和接收响应，该数据源用于提供来自有名类型的数据或信息的不同类型数据。在所示的示例中，数据接口24是后端通信接口，其支持各种主要通信协议，包括HL7、XML、JDBC、ODBC等。数据接口24可以具有与完全不同的外部系统通信的能力，并使用外部类结构快速且高效地解析数据并将其合并到DBMS中。DBMS以各种不同方式存储数据(对象、关系表和/或其它)，并可以快速地对关系或对象查询作出响应。

继续参照图2，处理引擎26可以包括：(a)应用服务器32，其处理用户经由服务器28提出的每个查询；(b)DBMS 34；(c)更新处理器36，其更新系统20在指定时间(例如，每天)保持的一个或多个数据库；(d)本体论(ontology)和/或自然语言处理器38；(e)客户端数据库管理系统40，其能够促使如下的搜索：基于药品、食品和其它物质、医疗设备、过程、病人人口统计和疾病的用户指定的组合进行对不良事件的搜索，基于用户指定的AE以及疾病和/或药品中的至少一个的一个或多个搜索，向用户提供量化系统对用户的益处的度量，并基于系统的使用对作为保健护理提供者的用户监视继续医疗教育得分；以及(f)(i)无身份(de-identified)电子医疗记录数据库42，其包括例如HMO的病人的电子医疗记录，其已被消除身份，即不能通过个人姓名或其它标识信息(诸如住址)与个人关联和/或(f)(ii)应用程序接口(API)，其允许访问无身份或其它的电子医疗记录数据库(经由电子医疗记录接口43))，其贮存在系统20之外但系统20可以访问。在所示的示例中，处理引擎26是多维后数据库管理系统，其将数据存储为对象(Object)和表(SQL关系)。可以使用面向对象语言(.net、Java、XML等)和/或SQL(DBMS关系行业标准)附属的数据库语言直接访问数据。DBMS 34可以使用交互位图索引方案来改进用户响应时间。

将认识到，计算机可读介质可以被用于存储(例如有形地包含)一个或多个计算机程序，用于通过计算机执行上述处理中的任一个。例如，可以用通用编程语言(例如Pascal、C、C++)或某些指定的专用语言编写计算机程序。

II.关联发现处理

根据本发明的一个方面，提供了评估包括AE和病人属性的数据、并在数据内识别有意义的模式的处理。在一个示例中，通过向一个或多个数据库应用关联规则发现算法发现关联或关联规则，所述数据库包括例如从上市后药品安全监督获得的数据、用户报告的AE等。对其应用算法的关联将病人经历的具体AE联系到这些病人的用药、非用药干预、背景状况和症状以及其它因素(即，病人属性和人口统计学)的唯一组合。

用于在数据内发现感兴趣的模式的一个示例性数据开采(mining)方法被称为“关联规则发现”，用于在数据内发现关联或模式，所发现的关联通常称为“关联规则”。关联规则是X＝＞Y形式的表达，其中X和Y是项集。广义地，该关联规则表达这样的关联：如果事务包括X中的所有项，则该事务也包含Y中的所有项。(X一般称为主体(body)或前项，Y被称为规则的头部或后项)。项集是作为所有可能项的集合的子集的、项的集合。例如，{发烧，头疼}＝＞{流感}表示如果项集{发烧，头疼}为真(true)，则项集{流感}为真。从事务的收集学习关联规则，其中每个事务本身也是项集；作为说明性示例，在购物篮分析问题中，每个事务包括客户购买的项。典型地，问题的数据包含几千可能项以及几百万可能的事务。作为展示，考虑如下简单的示例：其中可能项的集合是I＝{啤酒，薯片、披萨、白酒}，并且事务数据库仅包含四个事务，如表1所示。

事务
	{啤酒，薯片，白酒}
{啤酒，薯片}
	{披萨，白酒}
{薯片，披萨}

表1-事务数据库

关联规则发现识别高频项集合，并从它们生成规则。高频项集是具有大于给定支持阈值的支持的那些项集。所述支持是项集作为所有事务的事务子集所发生的频率(称为它的支持)，其通过除以事务数据库的大小而归一化。例如，{啤酒，薯片}出现2次，从而其支持是2/4＝0.5。感兴趣的关联规则是超过置信度阈值的那些。通过支持(X U Y)/支持(X)测量规则X＝＞Y的置信度。这可以看作为在X保持的情况下Y保持的概率。例如，对于规则：{啤酒，薯片}＝＞{白酒}，置信度＝支持({啤酒，薯片，白酒})/支持({啤酒，薯片})＝0.25/0.5＝0.5。因此，在某个人购买啤酒和薯片的情况下也购买白酒的概率是0.5或50％。

因此，关联规则一般描述和识别数据集合的高频同现；例如，哪些项高频地一起发生。这可以看作在例如类型A的病人用药B和C且具有心脏病E的背景的情况下、他们出现ADR型F的概率(不论该关系是否是因果；即，处理识别潜在的相互关系，而不一定是因果关联)。

为了从所有可能的规则的集合中选择感兴趣或有意义的规则，可以对各种重要和感兴趣的测量使用约束。例如，约束可以包括支持和置信度的最小阈值，其中规则的支持被定义为在包含该项集的数据集合中的事务的比例，并且规则的置信度被定义为规则是正确的事务的百分比，例如规则是正确的的概率的估计。在某些示例中，系统管理员和/或终端用户可以对支持、置信度和/或兴趣的阈值进行控制，并且可以如期望地向上或向下调节阈值。

应该注意，构思各种用于生成关联规则的算法，包括但不限于Apriori、Eclat、以及高频模式生长(FP-growth)、单属性规则(OneR)算法。此外，可以构思其它类型的关联开采，包括例如对比集合学习(contrast set learning)、K最优模式发现(K-optimal pattern discovery)、以及开采频率序列。

因此，在一个示例中，可以将用于发现关联的示例算法(诸如所描述的关联规则发现算法)应用到数据库信息，例如，AERS数据库、商业或私有数据库等。可以针对用于支持、置信度、和/或兴趣的预定阈值检查或验证所发现的关联，并且医疗参考或临床决策支持系统可以以各种方式使用所述关联。在一个示例中，处理可以在药品和AE之间识别新的关联，并及时地向医生和病人警示潜在的风险。

在一个说明性示例中，关联规则发现处理包括两个阶段：1)找到满足给定支持阈值的药品的所有高频子集“效果(D，X)”，其中，是药品的子集，X∈I是效果；以及2)在从所找到的p(X|D)(置信度)足够高的高频集合得到的关联规则之中选择关联规则。

可以使用Apriori方法识别高频项集，其通常包括扫描项集的数据库(每个项集包括大量项)以及识别高频项。该方法可以通过一起获取所有可能的对中的高频项来生成高频项集的候选者。接着可以扫描该数据库，以确定每个候选对的频率。一旦识别了高频对，则可以通过与另一个高频项对一起获取每个高频项对来生成高频项集(每个项集有三个项)的候选者。在每一个步骤中，该方法可以从长度为k-1的项集生成长度为k的候选项集。该方法可以迭代地识别任何长度的频率模式。

在另一说明性示例中，可以使用以上处理的修改。初始，注意，虽然使用低值的支持，但算法的执行时间存在指数上升。为了避免执行时间的该上升，示例处理可以将上述算法的第一步与相对小的事务集的第二步交替。可以对不同的效果X_j，

独立地生成规则搜索，这可以帮助减少同时分析的事务数。例如，对于每个效果X_j，发现：

1.包含此效果的事务集合T(X_j)；以及

2.来自这些事务的药品的概率分布

考虑药品频率df(D_i，T(X))-在事务集合T(X)中的D_i药品的数量。对于每一个药品D_i∈T(X_j)，可以计算其概率：

p (D_{i}) = \frac{df (D_{i}, T (X_{j})}{\underset{D_{i}}{Σ} df (D_{i}, T (X_{j})}

概率分布可以作为如下矢量

p_{X_{j}} = (p (D_{1}), p (D_{2}), . . ., p (D_{k})) .

3.可以通过以下表达式定义熵H(X_j)，其是随机变量的不确定的度量：

H (X_{j}) = - \underset{D_{i}}{Σ} p_{X_{j}} (D_{i}) \log p_{X_{j}} (D_{i}) .

当概率是均匀分布时，结果是最不确定的，即熵最高。另一方面，当数据具有高偏斜概率分布函数时，则变量最可能落在小集合的结果内，从而不确定性和熵较低。因此，在一个示例中，处理以熵增加的顺序布置或等级化所有效果：X₁，X₂，...，X_m。可以将从每个效果中发现的规则(例如，从具有最小熵的效果X₁开始，然后到第二个效果，如此下去)组合到一个最终的规则集中。注意，不一定要生成数据库中的项之间的所有可能的关联规则。例如，假设已经对效果集X₁，X₂，...，X_k发现关联规则。如果处理或系统耗完了计算能力(执行时间、存储器使用等)，则处理可能停止。甚至在这样的情况中，也可以基于上述熵排序发现最感兴趣和有用的规则。

在一个示例中，可以使用二项树存储关于药品子集的信息。这种表示的优点可以包括将数据库变形为紧凑的树结构，以及避免大耗费的数据库扫描和候选者生成(当然，本领域的技术人员将理解，可以使用其它各种数据结构)。在此特定示例中，可以如下定义k≥0阶的二项树，其中根R是数据B_k：

如果k＝0，则B_k＝B₀＝{R}。即，零阶二项树由单个节点R构成。

如果k＞0，则B_k＝{R，B₀，B₁，...，B_k-1}。即，k＞0阶的二项树包括根R、以及k个二项子树B₀，B₁，...，B_k-1。

B_k的根具有k个子树，其中第i个子树是k-i阶的二项树。因为其唯一的结构，所以可以通过将两个k-1阶的二项树中的一个作为另一个的最外的子树附接，而简单地从两个k-1阶的二项树构造k阶的二项树。二项树特性一般包括：

k阶二项树B_k包含2^k个节点。

k阶二项树B_k的高度是k。

k阶二项树B_k中i级别(其中，0≤i≤k)的节点数由二项系数

(\begin{matrix} k \\ i \end{matrix})

给出。

使用二项树的定义和特性，可以利用包括关于T(X_j)内的药品频率的信息的标注节点来创建一组二项树。处理接着可以将来自T(X_j)的长度为k的每个事务映射到二项树B_k，根据它们在事务中的位置向节点分配药品ID(其中在每个事务中通过药品ID或通过药品名称将每个药品排序)，并组合对应于一个效果的树。在此情况中，处理提供紧凑数据结构，该紧凑数据结构包含关于药品频率和对应效果的信息。此外，每个子集可以对应于从树的根开始的唯一路径，反之亦然，从而在药品子集与树路径之间提供一对一关系。

使用反单调(anti-monotony)特性，即，对于每个集合ψ∈I和每个子集

以下表述正确：支持(f)＝支持(ψ)。换言之，在一个示例中，项集的支持级别不能超过任何其任一子集的支持级别，使得向项集中添加任何项仅可以导致其出现的频率的降低。频率项的任何子集也必须是高频的，并且高频项集不能包括数据库中本身不是高频的任何项。这允许示例处理剪除其中节点索引小于预定最小支持级别的树分支。

因此，在此示例中，可以根据以下算法或处理确定用于固定效果X_j的关联规则发现处理：

1.创建包含关于T(X_j)中包括的所有药品的信息的标注二项树的集合。

1.1.以ID的升序(或药品的任何其它顺序)排列来自T(X_j)的所有药品；

1.2.将所有事务映射到标注二项树的集合中。例如，将长度为k的事务映射到树B_k。对于事务T_l∈T(X_j)，如下标注该树：

根保持不标注；

考虑树的根级别下一级别的节点：根据它们在事务中的位置将药品ID分配到节点，即

D_i∈T_l；

向子树分配药品ID：对于每个

子树位点，如果它们还未被标注，则从T_l中的

节点向右分配标识符

-药品；以及

对接着的d级别节点的子树连续地执行同样的过程，d＝2，...，k-1，获得k阶的标注二项树B_k。

例如，在包括三个事务的示例中：T₁＝{D₁，D₃，D₄}，T₂＝{D₂，D₃，D₄}以及T₃＝{D₃，D₄}，其中D_i是药品，i＝1，2，3，4，可以如图3A所示示意性地表示用于这些事务的二项树。

1.3.处理还可以组合对应于一个效果的树。例如，向节点分配索引，该索引等于其中存在终止在给定节点的对应路径的、树的数目。对于图3A中所示的上述示例，树看上去将如图3B所示。

处理接着仅检查满足如下表达式的药品的集合D：

tf(D，T(X))≥support·|T|

其中事务频率tf(D，T(X))是包含集合D的T(X)中的事务的数目，|T|是数据库中的事务总数，support是“支持”。

2.对于来自以上“1.”的每个可接受的D，处理检查：

tf(D，T(X))≥confidence·tf(D，T)，其中confidence是置信度用于计算可以使用药品事务表的tf(D，T)。

3.满足以上“1.”和“2.”的条件的药品集合形成规则D→X，其被添加到“感兴趣”的规则的最终集合中。

应该认识到，这里描述的用于关联规则的示例处理是说明性的，并且可以使用对该处理的修改以及不同的处理。

III.基于所发现的关联来提供警示/信息

图4A示出了一种示例处理，用于处理用于关联的信息的数据库，并向医疗参考或临床决策系统的用户提供警示或信息。此外，图4B示出了检测AE与病人属性之间的重要关联、并提供警示的示意图；例如，从各个远程位置访问AE和病人属性，并且AE和病人属性可以被用于扫描病人记录的临床数据库来寻找与AE搜索准则匹配的潜在风险。

根据示例处理，在302中访问AE和病人属性数据(例如AERS数据、私有数据等)的数据库。例如，数据库可以包括信息的一个或多个数据库，所述信息包括但不限于安全数据、生物标志数据、临床试验数据、实验室测试数据、染色体数据、基因数据、商业或私有数据源、等等(例如见图2)。此外，所访问的数据库可以包括多个数据库系统，并对于执行处理的处理器是部分或完全远程的。

在304中处理数据，例如，通过用于识别病人的临床属性(例如药品、医疗设备、临床过程、状态、症状、人口统计学数据等)和AE之间的模式或关联的算法。在一个示例中，处理包括关联规则发现处理，如上所述，以识别一个或多个关联规则，其接着被医疗参考系统或DDS用于提供警示或通知、或呈现安全信息。

基于或通过304的处理获得的信息可以在306中传递给用户。在一个示例中，可以以多种方式将超过阈值的新的或更新的关联规则传递给客户端，所述方式包括每天地、每周地、每月地等。此外，可以经由电子邮件、文本消息、传呼、电话呼叫、网页张贴、关联用户接口内的弹出消息、包含在新闻布告或公布中等传递该信息，作为警示。

在一个示例中，示例处理还在308中将从规则发现处理中获得的信息与用户的数据库进行比较，并在401中对特定病人生成报告或特定警示。例如，可以将新的或更新的关联规则与医疗机构的病人数据库进行比较，以辅助正在进行的或将来的医疗决策(例如，向医疗机构警示存在潜在风险的病人)。在一个示例中，系统可以向用户发送关于与病人和开出的已知药品关联的新的潜在AE的警示。可以利用已知或新发现的关联周期性地(例如每周地)进行这样的比较。在某些示例中，当新关联被发现且满足阈值时，可使用该关联来处理病人数据，并以更及时、实时的方式警示系统的用户。可以由服务器、客户端或它们的组合执行比较处理。

在其它示例中，用户可以提交特定AE和病人属性的准则，并接收基于该准则的警示。警示可以基于任何新报告或者作为已知或发现的关联。例如，用户可以要求在病人具有状况Y的情况中与药品X关联或报告的任何AE的信息或警示。在另一示例中，用户可以要求在病人具有状况Y的情况中与药品X关联的AE的信息或警示，所述关联是高于指定或缺省的一个或多个阈值(其可以由系统的用户或管理员调节)的关联。

IV.显示或优先次序不良药品事件搜索结果

定点关注医疗参考系统或DSS可以被用于使得用户能够搜索药品标签，以找到可以与具体开出的药品关联(因果或不是因果)的ADR。此特征使得医疗参与者能够作出哪个药品可能贡献所观察到的一个或多个ADR的、更可靠的决策。使用预先指定的等级化或优先次序算法来确定从药品标签撷取的且被呈现给通过DDS进行ADR查询的医生或其它保健护理提供者的结果的顺序，该使用假设了该算法对在处理该ADR查询的过程中从药品标签撷取的信息的相关性具有内建的知晓。包含在药品标签中的ADR信息反映该ADR在上市后的世界中的严重性和频率的实际情况(即，在药品批准时所基于的临床试验中使用的、相对少且在人口统计学上限定的病人人口之外，该药品的安全经历)的程度取决于许多因素，包括监管部门本身强制的各种强调措施，但也取决于更新药品标签以反映上市后世界中的那些因素的频率。

可以通过对在药品已经进行商业使用之后收集的ADR报告进行分析，来改进对从药品标签获得的不同安全信息的相关性的知晓以及对它们的重要性的合适等级。相比于药品标签中包含的安全信息所表示的，这种真实世界ADR报告一般表示更长时间段上、更大地理区域中以及来自更广的病人类型分类的病人对药品的使用。当基于在用于药品批准的相对小的注册临床试验中测量的益处和风险的分析而刚刚批准了药品时，这是正确的，而且，甚至在药品已经上市了一延长的时间段之后，这也是正确的，虽然程度低些。在两种情况的任一情况下，如果药品标签最近还未充分更新，以反映需要对信息施加更高优先级的、真实世界的经历，则临床上关键的ADR信息可能被模糊的陈述、仅概要地提及、或被提及为不常见。基于AI的系统的益处可以提供将来自医药药品标签的ADR信息“带到表面”的能力，该基于AI的系统的益处使用真实世界的上市后安全监督获得的ADR报告、以及其它关联的因素，该ADR信息否则可能在响应于ADR查询撷取的结果列表中被较不重要或相关地呈现。

某些国家具有如下的监管部门，该监管部门在AERS中核对由全国的医疗工作者实地观察到的所报告的AE。这可以是可被用于向DSS药品标签搜索特征添加额外智能的巨大资源，原因在于：AERS数据集中发现的信息可以被用于加权药品标签搜索的结果，以确保现场中报告的那些不良相互作用对于医疗参考系统DSS用户而言更可见。当与特定药品关联的一个或多个AE被现场大量报告时，则此信息可能对在病人身上观察到该一个或多个AE的医生或其它保健护理提供者而言非常有价值。

在一个示例性搜索和显示处理中，用户输入查询，该查询可以识别病人已经经历的一个或多个ADR、正对病人治疗的用药和非用药干预、正对病人治疗的背景状况和症状、其它病人属性、和病人人口统计学信息。在响应中，系统通过一个或多个药品标签数据库、药品安全或功效信息数据库等促使进行一个或多个搜索，并对从数据库撷取的结果进行预先排序以呈现给用户。而且，在响应中，系统通过一个或多个ADR数据库促使进行一个或多个搜索，以识别与类似的病人特征关联的ADR的报告，并且系统向ADR数据库应用人工智能技术，例如关联规则发现处理，以发现关联规则和/或获得可以被用于改变等级或优先次序得分的加权因子，该等级或优先次序得分影响如何将从药品标签获得的ADR信息传送给当前系统的用户。

在一个示例中，识别的关联或关联规则可以被用作加权因子的组分，其被加总来确定对响应于使用医疗参考系统或DSS进行的ADR查询而从药品标签撷取的结果呈现的重新排序的影响的幅度。图5示出了一种示例性处理，其中，当选择选项以将人工智能应用到用于确定结果的呈现顺序的算法时，用户允许通过ADR报告的数据库运行关联规则发现算法，以确定要分配给因子(X)的数学“权重”，其中该因子可以反映ADR频率或严重性、对病人的相关程度、任何ADR中药品组合的相似性等的变化。此外，可以对附加的数据源(AERS或者不是)应用关联规则发现，以获得影响优先次序或等级算法的附加加权因子(Y和Z)。可以对计算如下程度添加全部或一些加权因子或不添加加权因子，即该预定等级或优先次序得分被影响、从而影响从药品标签获得的要呈现给进行ADR查询的当前系统的医生或其它用户的结果的顺序的程度。施加从关联规则发现的AI技术获得的任何加权因子X、Y和Z，以改变用于影响从药品标签获得的ADR信息被如何传送给当前系统的用户(诸如保健护理专业人员)的等级或优先次序得分。

在另一示例中，规则包括应用到重排序算法、并也通过将关联规则发现应用到AE关联的数据库而获得的其它加权因子，该规则可以包括：与任何特定AE相关的报告的频率；与用药、非用药干预、背景状况和症状的任何指定组合关联的ADR和/或AE的类型的改变；其它病人属性，或与任何特定AE关联的任何病人人口统计学因素的改变。

任何初始等级或优先次序处理可以包括各种已知处理。例如，可以通过与基于计算机的ADR查询处理医疗参考系统或DSS关联的预定优先次序算法来分配等级或优先次序得分，并且该得分可以确定将呈现给进行查询的用户的、从医药药品标签获得的ADR相关信息的显示顺序。此外，在共同待决的、2008年2月22日提交的题为“Automated Ontology Generation System andMethod”的PCT专利申请No.PCT/US2008/054778、以及2009年2月23日提交的题为“Medical Assessment Support System and Method”的美国专利申请序列号No.12/438,530中描述了在类似的医疗评估和DSS中使用的示例搜索和排序处理，通过引用将它们的全部内容合并到这里。

图6-图11示出了用户界面的示例屏幕截图，其示出了如何将示例关联和加权处理应用到响应于保健护理专业人员进行的ADR查询而进行的从医药标签获得的结果的重新等级化中。通过用于执行当前处理且在计算机或计算装置上由处理器执行的软件，来生成该用户界面。用户界面本身被显示在连接到处理器的计算机屏幕上，并经由键盘或诸如鼠标的选择器装置与其交互。以任何传统计算机语言编写所述软件(计算机指令集)，并将其存储在连接到处理器的计算机可读存储器中作为计算机程序产品。

ADR报告的关联数据库可以驻存在同一计算机的存储器中，或者驻存在经由诸如因特网的计算机网络访问的远程计算机服务器上。本地或远程地访问这样的数据库是使用传统数据库访问技术(诸如MS SQL服务器)的常规手段。可以由执行当前方法的同一组织或个人、或者由另一组织(诸如政府组织)保持该数据库。此外，对于本领域的技术人员而言，在本公开的启示下，编写用于本方法的必要软件将是常规手段。

图6示出了用于在基于定点关注DSS的ADR查询中输入搜索准则的界面的示例屏幕截图。在此示例中，选择各种状况、症状、用药、和AE，包括AE“死亡(Death)”。此外，利用搜索请求输入病人的年龄和性别。在其它示例中，可以输入附加的、更少的、或其它AE、其它病人属性、和/或人口统计学数据，用于搜索请求中。

图7示出了如下信息的示例屏幕截图，即关于响应于图6中输入的搜索请求而从与病人正用的药品关联的医药药品标签中提取的ADR“升高的LFT(Elevated LFT)”的信息。初始，从药品标签(如左边示出了药品A、B和C，并在其中高亮度显示了相关结果)中撷取搜索结果，并将其显示在界面的右边。在此示例中，在界面的左边示出了实际药品标签的再现，其中高亮度显示了相关搜索结果；然而，这样的显示不是必须的。

图8示出了已使用预定算法分配了等级或优先次序得分的所提取的信息的示例屏幕截图。例如，用于等级或优先次序的初始算法可以包括或基于每个所提取的药品标签片段中与查询中指定的ADR项相关的概念的比重、强制指导的存在或不存在(例如，“应该”或“必须”语气)、监管部门强制的强调手段(例如，黑框警告必须由实际的黑框围绕)、和/或其它因素。通过“！”标记的数量示出优先次序或等级，其中“！”标记越多表示越重要。在此示例中，结果仍然根据药品类型分组。

图9示出了从药品标签获得的所提取的信息的示例屏幕截图，所述信息被排序，用于回显给进行ADR查询的用户，例如保健护理专业人员。如所示，结果现在基于分配给每个搜索结果的优先次序或等级以从上到下的顺序显示，且没有通过药品类型分组。在某些示例中，视觉指示器(诸如颜色)可以被用于识别每个结果的药品类型。在某些示例中，仅仅在右边格子中例示的信息被显示给用户；在其它示例中，显示在中心和右边格子中例示的信息；在又一示例中，显示在三个格子中例示的所有信息。

图10和图11示出了搜索结果的未改变和已改变的显示的示例屏幕截图，已改变的显示基于这里描述的示例处理。图10示出了通过等级或优先次序算法加权因子(由AI从AERS(或者不是)或上述其它数据源导出)处理的搜索结果的显示。在此特定示例中，具有最低优先次序(即“重要性”)得分并因此呈现在传送给进行ADR查询的用户的结果的底部的搜索结果现在被识别为具有更高的相关性并被给出新的等级或优先次序得分。在此情况中，已经呈现在返回结果的底部的信息被确定为与所进行的查询更相关，由于其与上市后环境(即“真实世界”)中的经历关联。结果，其可以被移动到并被显示在呈现给用户的结果的顶部。当然，在其它示例中，各种搜索结果可以被向上或向下移动，以重新等级化或重新区分搜索结果的显示的优先次序。

相应地，如图11中所示，保健护理专业人员看到的第一信息现在基于如使用关联规则发现的AI方法所确定的因素，潜在地包括：上市后经历中的ADR的严重性、“真实世界”中看到的ADR的频率、来自AERS数据库的报告、与在药品标签中所记载的相比与病人属性和个人人口统计学关联强度的增加、以及其它因素。在其它示例中，更多或更少的搜索结果可以被重新排优先次序并显示给用户。例如，某些用户可能仅请求最相关的结果中的一个或两个，而其他用户可能想要显示或访问所有可用的搜索结果。

虽然上面仅详细描述了某些示例实施例，但本领域的技术人员容易理解，对示例实施例可以进行许多修改而不实质偏离本发明的新颖教导和优点。例如，可以将上面公开的实施例的方面以其它组合方式组合，以形成其它实施例。因此，所有这样的修改都意在被包含在本发明的范围内。

Claims

1.一种用于提供关于病人属性与一个或多个不良事件(AE)之间的关联的信息的计算机实现的方法，所述方法包括以下动作：

经由计算机处理器来处理包括AE和一个或多个病人属性的数据库信息，用于AE与病人属性之间的关联；

识别在一个或多个AE与一个或多个病人属性之间的至少一个关联，其中所述至少一个关联满足阈值；以及

向用户提供基于所述至少一个关联的信息。

2.如权利要求1所述的方法，其中所述AE中的至少一个包括不良药品反应(ADR)。

3.如权利要求1所述的方法，其中所述AE和所述病人属性中的至少一个包括用户生成的报告，所述用户生成的报告包括AE和病人属性。

4.如权利要求1所述的方法，其中所述AE和所述病人属性中的至少一个包括所报告的与处方药品关联的附加安全事件。

5.如权利要求1所述的方法，其中所述至少一个关联包括由关联规则发现算法所识别的关联规则。

6.如权利要求5所述的方法，其中所述阈值包括置信度阈值。

7.如权利要求5所述的方法，其中所述阈值包括支持阈值。

8.如权利要求5所述的方法，其中识别多个关联规则，并根据与每个关联规则关联的熵值对所述多个关联规则排序。

9.如权利要求8所述的方法，其中所述多个关联规则的一个集合被组合到关联规则的最终集合中。

10.如权利要求1所述的方法，其中病人属性包括药品、医疗设备、医疗或临床过程、状况、症状和人口统计学数据中的一个或多个。

11.如权利要求1所述的方法，还包括基于所识别的关联促使向所述用户传递警示。

12.如权利要求11所述的方法，其中所述警示包括电子邮件、文本消息、或网页上的张贴中的一个或多个。

13.如权利要求1所述的方法，还包括比较所识别的至少一个关联、和与所述用户关联的病人信息的数据库，并且基于所述比较将所述信息提供给所述用户。

14.一种用于提供关于病人属性与一个或多个不良事件(AE)之间的关联的信息的系统，所述系统包括：

服务器，包括处理器，所述处理器进行操作以：

处理AE和一个或多个病人属性，用于AE与病人属性之间的关联；

促使向客户端传递基于所述至少一个关联的信息。

15.如权利要求14所述的系统，其中所述至少一个关联包括由关联规则发现算法识别的关联规则。

16.如权利要求14所述的系统，其中病人属性包括处方药品、柜台药品、中草药补充、维生素、食物、医疗设备、医疗或临床过程、状况、症状和人口统计学数据中的一个或多个。

17.如权利要求14所述的系统，还包括基于所识别的关联促使向所述用户传递警示。

18.如权利要求14所述的系统，还包括比较所识别的至少一个关联、和与所述用户关联的病人信息的数据库，并且基于所述比较将所述信息提供给所述用户。

19.一种计算机可读存储介质，包括计算机可读指令，用于提供关于病人属性与一个或多个不良事件(AE)之间的关联的信息，所述指令用于：

促使向客户端传递基于所述至少一个关联的信息。

20.如权利要求19所述的计算机可读存储介质，其中所述至少一个关联包括由关联规则发现算法所识别的关联规则。

21.如权利要求19所述的计算机可读存储介质，其中病人属性包括处方药品、柜台药品、中草药补充、维生素、食物、医疗设备、医疗或临床过程、状况、症状和人口统计学数据中的一个或多个。

22.如权利要求19所述的计算机可读存储介质，还包括基于所识别的关联促使向所述用户传递警示。

23.如权利要求19所述的计算机可读存储介质，还包括比较所识别的至少一个关联、和与所述用户关联的病人信息的数据库，并且基于所述比较将所述信息提供给所述用户。

24.一种用于分析不良药品事件的计算机实现的方法，包括以下动作：

经由计算机处理器访问用于存储药品安全或功效信息的记录的计算机可读存储器；

基于至少一个病人属性对所述记录的至少一部分进行排序；

向所述记录应用一个或多个关联规则，所述关联规则从不良事件(AE)和病人属性的数据库中识别；

基于所述一个或多个关联规则对所述记录重新排序；以及

显示所述记录中的至少一个。

25.如权利要求24所述的方法，其中所述药品安全或功效信息的记录包括药品标签片段。

26.如权利要求25所述的方法，其中所述药品标签片段的排序是基于在所述药品标签片段中发现的、与在所述AE查询中输入的不良事件搜索项有关的概念的比重。

27.如权利要求24所述的方法，其中所述访问的动作包括经由计算机网络访问远程服务器。

28.如权利要求24所述的方法，还包括对关联规则分配权重的动作。

29.如权利要求28所述的方法，其中所述权重影响所述关联规则对所述记录的重新排序的效果。

30.如权利要求28所述的方法，其中所述权重表示以下各项中的一个：不良药品事件的类型的严重性、与病人的相关程度、与不良药品事件关联的药品组合的相似度、与该药品关联的不良药品事件报告的频率的最近改变、或不良药品事件的其它特征。

31.一种用于分析不良药品事件的系统，所述系统包括：

处理器，其进行操作来：

访问用于存储药品安全或功效信息的记录的计算机可读存储器；

基于至少一个病人属性对所述记录的至少一部分进行排序；

基于所述一个或多个关联规则对所述记录重新排序；以及

促使显示所述记录中的至少一个。

32.一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令用于：

基于至少一个病人属性对所述记录的至少一部分进行排序；

基于所述一个或多个关联规则对所述记录重新排序；以及

促使显示所述记录中的至少一个。