CN103493054A - 用于预测心血管病发展的医疗信息技术系统 - Google Patents

用于预测心血管病发展的医疗信息技术系统 Download PDF

Info

Publication number
CN103493054A
CN103493054A CN201180057651.9A CN201180057651A CN103493054A CN 103493054 A CN103493054 A CN 103493054A CN 201180057651 A CN201180057651 A CN 201180057651A CN 103493054 A CN103493054 A CN 103493054A
Authority
CN
China
Prior art keywords
data
patient
risk
cardiovascular disease
forecast model
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
Application number
CN201180057651.9A
Other languages
English (en)
Inventor
G.芬格
F.法罗克
B.R.拉奥
S.B.费利克斯
T.伊特曼
H.K.克罗默
R.雷蒂格
H.沃尔兹克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Universitaet Greifswald
Siemens Medical Solutions USA Inc
Original Assignee
Ernst Moritz Arndt Universitaet Greifswald
Siemens Medical Solutions USA Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ernst Moritz Arndt Universitaet Greifswald, Siemens Medical Solutions USA Inc filed Critical Ernst Moritz Arndt Universitaet Greifswald
Publication of CN103493054A publication Critical patent/CN103493054A/zh
Pending legal-status Critical Current

Links

Images

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/40—Population genetics; Linkage disequilibrium
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Ecology (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)

Abstract

本发明描述了一种用于预测目标心血管病在患者中的发展的框架。该框架包括基于与目标心血管病相关的先验知识来根据患者数据确定风险评分。患者数据可以包括遗传数据和非遗传数据两者。在一个实施例中，风险评分用于将患者划分到多个风险类别中的至少一个风险类别中，这多个风险类别与用于阻止心血管病起病的不同策略有关。由框架生成的结果可以呈现给医师以帮助判读、风险评估和/或临床决策支持。

Description

用于预测心血管病发展的医疗信息技术系统
本申请是2009年7月21日提交的USSN 12/506,583的部分延续申请案。本申请还要求在2010年3月12日提交的美国临时申请案61/313,446和在2010年10月12日提交的美国临时申请案61/392,156的利益；上面提及的申请案的全部内容通过引用结合在本文中。
技术领域
本公开广义地涉及医疗信息技术（HIT）系统，并且更确切地，涉及一种结合的、用于评估患者患上心血管病的诊断模型。
背景技术
高血压或者血压高已经被认为是血管致病率和死亡率的重要风险因素。在可能由持续高血压导致的威胁生命的心血管病中，中风和心肌梗塞（即心脏病发作）与来自高血压的、最高相关风险有关，并且因此很大程度上贡献于血压相关的死亡率。研究已经表明，世界上所有死亡中的13.5%归因于高血压。不受控的血压的全球年成本已经被估计为几乎5000亿美元。在美国，2008年用于冠心病的开销估计大于1500亿美元。该估计不仅考虑与疾病关联的直接成本（例如医生、医院、药物成本），而且还考虑与由于起病和死亡导致丧失生产力的间接成本。在2009年报道的是，仅在美国就有估计数目为8,500,000例的心肌梗塞。
类似地，仅数年前在美国对于冠心病的支出就估计为大于1500亿美元。该估计不仅考虑与疾病关联的直接成本（例如医生、医院、药物成本），而且还考虑与由于起病和死亡导致丧失生产力的间接成本。在2009年报道的是，仅在美国就有估计数目为8,500,000例的心肌梗塞。
为了抗击高血压相关的死亡，专家建议将立法、主动工业参与和大量媒体活动结合来教育公众如何通过降低盐摄入量以及使用抗高血压药物来降低高血压的风险，以用更低成本实现更大的血压降低。此外，可以通过识别具有患高血压的高风险的个体来实施合适的、成本有效的预防措施。
尽管高血压的直接成因未知，然而存在许多被认为会增加患高血压风险的因素。这些因素例如包括肥胖、久坐的生活习惯、缺乏维生素D、年龄、家族史等。为了对于高血压风险做出精确和基于可靠信息的诊断，医师需要考虑来自诸如病历报告、物理检查、实验室检查结果、成像形式等的诸多来源的不断增大的数据量。随着信息源的数目增长，手动地提取和吸收所有可用的诊断数据以及对不同的治疗方式和患者管理选项进行评估变得越来越冗长、耗时和易于出错。
既然已知在每个诊断中需要考虑到的数据的量，优选的是：自动数据挖掘技术应该从大数据集合中提取和总结预测性信息。然而，在建立用于预测高血压的统计学和基于数据挖掘的模型方面所做的工作很少。此外，面对这种努力的挑战是缺乏可以用任意有意义或可靠方式来提取和分析的高质量的数据。这是因为大多预测器变量通常由于数据采集过程不完善、缺乏精确评估和缺乏对于患者因素的认识、与设备相关的成本限制等而是不完整的。大多预测方法在出现缺失数据或值时失效。
考虑到前述内容，存在将来自多种来源的患者信息结合的自动或半自动技术，以便精确预测诸如高血压或心肌梗塞的心血管病以及与这些疾病关联的健康并发症的发展。
发明内容
在此描述一种用于预测心血管病在患者中的发展的框架。框架包括基于与目标心血管病相关的先验知识来根据患者数据确定风险评分。患者数据可以包括遗传数据和非遗传数据。在一个实施方式中，风险评分用于将患者分类到多个风险类别中的至少一个风险类别中，该多个风险类别与用于预测心血管病起病的不同策略关联。由框架生成的结果可以呈现给医师用于判读、风险评估和/或临床决策支持。
该发明内容部分用于以简化形式引入精选的方案，这些方案下面在后文中还将详细描述。其既并非意欲识别所要求的主题的特征或主要特征，也非意欲限制所要求的主题的范围。此外，所要求的主题不限于解决任意或全部在本说明书任意部分中标出的缺点的实施方式。
附图说明
随着本公开和许多附带方面在结合附图的情况下参考下面的详细描述而变得更好地被理解，将容易地获得对其更完整的理解。
图1示出了示例性系统；
图2示出了预测心血管病的示例性方法；
图3示出了确定风险评分的示例性方法；
图4示出了示意性的、基于贝叶斯网络的模型网络；
图5a和5b示出了示例性的接受者操作曲线；以及
图6示出了用于连续监控、预防和/或治疗高血压的示例性过程。
具体实施方式
在下面的描述中，列出了大量特定细节，例如特定部件、装置、方法等的示例，以便提供对于本发明的实施例的透彻理解。然而对于本领域技术人员将显而易见的是，这些特定细节不必被用来实践本发明的实施例。在其他情况中，不必详细描述已知的材料或方法，以避免不必要地模糊本发明的实施例。虽然本发明可以接受各种修改和替选形式，但是通过在附图中的示例来示出并且在此详细描述本发明的特定实施例。然而应理解的是，目的并非将本发明限制为公开的特殊形式，相反地，本发明用于覆盖在本发明的精神和范围内的所有修改方案、等效方案和替选方案。
下面的描述列出了促进预测心血管病在患者中的发展的系统和方法的一个或多个实施形式。在一实施形式中，由预测模型生成的风险评分用于将患者（或对象）划分到不同的风险类别中，以便促进根据所选风险类别制定更加个人化的预防策略。预测模型例如可以基于概率模型例如贝叶斯网络（BN）来构造。使用基于BN的预测模型的主要优点之一是在出现缺失值时的精确预测和预测模型的可判读性，其将在下面的描述中更详细地被讨论。
所注意到的是，虽然可以示出针对高血压预测的特殊应用，但是该技术不限于图解的特定实施例。本技术具有对于目标心血管病的其他类型的应用，例如高血压的不同类型（例如原发性、继发性、恶性等），或者可能与高血压起病关联或由其造成的其他类型的疾病，例如心肌梗塞（即心脏病发作）、中风或任意其他冠心病。例如，本技术可以用于呈现对患者在近期患上心肌梗塞（MI）的风险的精确和个人化的预测。
图1示出了框图，其图解了用于实施在此描述的框架的示例性系统101。在一个实施形式中，系统101用作保健信息技术（HIT）系统，其管理保健信息、用于通信和决策制定的数据和知识。系统101可以是台式个人计算机、便携式笔记本电脑、其他便携式装置、迷你计算机、主机计算机、服务器、存储系统、专用数字设备、或者具有配置为对数字数据项目的集合进行存储的存储子系统的其他装置。在一个实施形式中，系统101包括耦合至一个或多个非临时性计算机可读介质106（例如计算机存储器或内存）的处理器104、网络接口102、显示装置108（例如监控器）和经由输入输出接口121工作的各种输入装置110（例如鼠标或键盘）。系统101还可以包括辅助电路诸如缓存、电源、时钟电路和通信总线。
应理解的是，本技术可以用硬件、软件、固件、专用处理器、或其组合的各自形式来实施。在一个实施形式中，在此描述的技术实施为有形地记录在非临时性计算机可读介质106中的计算机可读程序。特别地，在此描述的技术可以由信息处理模块107来实施。计算机可读介质106例如包括随机存取存储器（RAM）、只读存储器（ROM）、软磁盘、闪存、和其他类型存储器、或其组合。计算机可读程序代码由处理器104执行以例如从实施在外部存储装置112中的数据库检索和处理数据（例如患者数据、记录）。系统101是通用计算机系统，其当执行计算机可读程序代码时成为专用计算机系统。计算机可读程序代码并非意欲限制为任意特殊编程语言和其实施形式。将理解的是，可以将不同的编程语言和其代码用于实施包含于此的公开的教导。
在一个实施形式中，系统101也包括操作系统和存储在非临时性计算机可读介质106中的微指令代码。在此描述的不同技术可以实施为微指令代码的一部分、或者应用程序或软件产品的一部分、或者其组合，其经由操作系统来执行。不同的其他外围装置诸如附加的数据存储装置和打印装置可以连接至系统101。
在一个实施形式中，外部存储装置112包括例如为硬盘或其他类型存储器的非临时性计算机可读介质，用于存储数据库。数据库可以由数据库管理系统（DBMS）管理。应理解的是，外部存储装置112也可以在一个或多个附加计算机系统上实施。例如，外部存储装置112可以包括在单独的计算机系统上的数据仓库系统。
系统101可以是独立系统，或者还经由网络接口102连接至其他工作站、服务器或在有线或无线网络上的网络（未示出）。网络接口102可以是硬接线接口或者适于与例如为通用异步接收器/发送器（UART）的其他装置来回传送数据的装置、并行数字接口、软件接口、或者已知或以后开发的软件和硬件的任意组合。网络接口102可以连接至不同类型的有线或无线网络，其包括局域网（LAN）、广域网（WNA）、内部网、虚拟专用网（VPN）、和因特网。
本领域技术人员将理解的是，可以在未偏离本发明的精神和范围的情况下使用其他替选的计算环境。
图2示出了示例性方法200，其用于促进预测目标心血管病，诸如高血压（例如原发性高血压、继发性高血压、恶性高血压等）或者可能与高血压起病关联或由其导致的任意病症，诸如心肌梗塞（MI）或中风。在一个实施形式中，示例性方法200提供了在对被认为具有近期患上心血管病风险的患者的现场护理时的决策或判读辅助。这种辅助将帮助初级护理医师确定该采取何种预防步骤来避免或延迟目标心血管病的起病。本框架对于治疗具有一级亲属中的心血管病的家族史的对象尤其有用，和对于治疗具有其他心脏代谢疾病（例如糖尿病或心脏病）尤其有用，因为其在确定预测结果时考虑伴随其他临床相关信息的因素。这些预测结果可以用于将具有风险的患者分类为需要特定类型预防介入的不同类型。
示例性方法200可以由在之前参考图1描述的系统101中的信息处理模块107实施。应注意的是，在图2中讨论的和后续的附图中、可以继续参考图1中示出的元件和附图标记。
在202，系统101检索患者数据。在一个实施形式中，患者数据以一个或多个也称作电子健康记录（EHR）的计算机化患者记录（CPR）的形式存储。应理解的是，其他形式也是有用的。一个示例性CPR（或EHR）包括在患者治疗过程中采集并且典型地取自多个数据源的信息。如在下面更详细提供那样，示例性CPR例如包括计算机断层成像（CT）影像、X线影像、实验室测试结果、医生病程记录、医疗程序的细节、开药信息、放射学报告、其他专家报告、人口信息、和账单（财经）信息。结构化数据源诸如财经、实验室和制药数据库通常将患者信息保持在数据库表中。信息也可以存储在非结构化数据源中诸如自由文本、影像、波形或医师报告（例如口述）。患者数据在数据库中的存储和表示以及其通过软件应用的操纵指示了与流程管理系统例如由位于在宾夕法尼亚洲马尔文市的西门子医疗制造的Soarian
Figure BDA00003274268400061
集成的可能性。
在一个实施形式中，患者数据包括遗传数据和/或非遗传数据（例如临床数据）。遗传数据包括指示目标心血管病的遗传风险因素并且可以从取自患者的生物样本（例如血液）采集的数据。非遗传数据通常指的是指示非遗传风险因素并且可以通过多种方法采集的所有其他类型的数据，这些方法诸如患者的物理检查、实验室测量和测试、放射成像、会见、问卷、以前的记录、或任意其他合适的方式。在采集患者数据时的评估时，患者可以表现出高血压或任意其他关联疾病的很少或无早期症状（即患者可以无症状）。
遗传数据例如可以包括：对于遗传序列区段出现或未出现的指示器、或者诸如单核苷酸多态性（SNP）或患者中的其他多态性的生物标记物数据、或者通过基因分类测量的其他类型的数据。遗传多态性指的是基因序列的两种或多种不连续形式的共存。SNP、即最普通多态性中的一种，是在脱氧核苷酸（DNA）序列或其他共享序列中的单个核苷酸内出现的小变化。SNP通常在被发现与特定疾病关联的基因上出现或在其附近出现。因此，SNP通常是良好的遗传标记物，其指示人类如何患上该疾病和对药物、化学药品和其他药剂做出何种反应，以及人类对于该疾病如何易感染或有抵抗性。例如SNP rs16998073近来在包括约150,000位患者的大规模研究组合中识别为与舒张压关联，并且因此在临床上对于评估患者患上高血压的风险重要。SNPrs4852139已被识别为与Glycosylation（糖基化）的最终产物关联的遗传标记物，Glycosylation是包括将糖链添加至蛋白质或脂质的过程。糖基化的最终产品例如糖基化血红蛋白已知为与心肌梗塞（MI）的风险关联。
非遗传性数据例如可以包括病理数据、组织数据、生化数据、个人数据、临床数据、或其组合。这种数据的示例包括患者医学史（例如之前的高血压或其他心脏代谢疾病的历史）、患者习惯（例如抽烟状态、运动习惯等）、家族史数据（例如高血压或其他心脏代谢疾病的任何历史）、药物治疗数据（例如使用糖尿病或降脂药物）、放射学影像（例如计算机断层成像（CT）影像、X线影像等）、放射学报告、医生病程记录、医疗程序和/或检查（例如在首次检查和追踪检查之间的时间）的细节、人口信息（例如年龄、种族、性别、地理位置等）、临床测量数据（例如心率、收缩压和舒张压、平均动脉血压等）、实验室测试结果等。实验室测试结果等可以包括对于从取自患者的生物样本（例如尿液、血液等）中找到的至少一个生物标记物的测量，这些测量例如包括：葡萄糖、血清胰岛素、他汀、白蛋白、高密度脂蛋白（HDL）胆固醇、低密度脂蛋白（LDL）胆固醇、脑钠肽（BNP）、每个B型脑钠肽的N端（NT-proBNP）、糖基化血红蛋白、睾丸激素、或任意其他可定量的特性。
此外，非遗传数据还可以包括得自临床数据的分析数据。例如，可以对于临床数据进行分析，以生成临床意义的参数，诸如身体质量指数（BMI）、平均动脉压、脉搏压（PP）、双乘积（DP）、非HDL胆固醇、肌酸酐清除率、肾小球滤过率、患者生活习惯数据（例如压力水平）、或者其他生化参数。
在204，患者数据用于确定患者未来患上心血管病的风险评分。风险评分可以通过以提取自患者数据的历史信息（或特征）训练预测模型来确定。该提取可以用数据挖掘技术来进行，例如用位于宾夕法尼亚洲马尔文市的西门子医疗制造的REMINDTM系统中使用的数据挖掘技术来进行。这种示例性数据挖掘技术在Rao等发明的、于2002年11月4日提交的美国公开专利申请20030120458“Patient Data Mining”、现在的US 7,617,078中有所描述，该申请通过引用整体包括在本申请中。在该专利申请中描述的数据挖掘框架包括如下数据挖掘器，该数据挖掘器具有基于特定先验知识从CPR中挖掘医学信息的功能和能力。先验知识涉及目标心血管病（例如高血压或心肌梗塞）、医院等。先验知识可以由至系统101的输入生成，或者由生成可以被系统101理解并且存储在知识数据库中的信息的程序生成。数据挖掘器包括用于从CPR提取信息、以随时间的原则性方式结合所有可用证据、并且从结合过程中得到推论的部件。挖掘的医学信息然后可以存储在结构化数据库中。
图3示出了用个人化的、基于贝叶斯网络的预测模型确定风险评分的示例性方法。应理解的是，也可以使用其他预测数据挖掘模型，诸如人工神经网络（ANN）、支持向量机（SVM）、逻辑回归等。然而，基于贝叶斯网络的模型提供相对于其他类型预测模型的两个重要优点：（1）在出现缺失值时进行精确预测；和（2）模型的自然判读能力。
更确切地，贝叶斯网络容易地处理预测器变量不完整或缺失的情况。出现这的原因例如是：不完善的数据采集过程（例如患者未能提供对于问卷的准确答案）、缺乏对于患者相关因素的准确评估和认识、与设备相关的成本限制、遗传分析的失败等。大多预测方法在出现缺失数据时具有困难，并且通常将简单的平均方法或更复杂的外部填补方法用于处理缺失数据。贝叶斯网络可以自然地寻址这种缺失数据，来作为在对变量之间的相关性进行编码时的不确定性情况下进行推论的方法。此外，不像对于用户而言是黑匣子的ANN或SVM，贝叶斯网络也可以用于计算在未观察节点上的边缘和条件概率分布，由此提供在决策制定医疗系统中的不确定性的自然表示。此外，贝叶斯网络的图形表示能够实现有意义地判读不同属性之间的因果关系，并且提供有效方法来对于新链接和图做出推论，由此促进对问题域的理解。
贝叶斯网络正式表示为有向非循环图，其每个节点均表示随机变量。两个节点之间的链接指示变量之间的关系和表示因果性的方向。未连接的节点表示有条件地彼此无关的变量。如果节点具有已知值，则其称作证据节点。在本文中，各个节点处的变量可以表示特定医学疾病（例如高血压或糖尿病）存在或不存在，或者表示可测量量（例如葡萄糖水平）。每个节点可以与条件概率分布关联，其表示该节点与该节点的父母的参数依赖关系。概率分布可以是连续或离散的。与连续概率函数关联的节点可以表示为高斯随机变量。
参考图3，在302，首先检索临床上对于心血管病重要的患者数据。重要的患者数据可以如之前描述那样例如从由数据挖掘器填充的结构化数据库检索。
在304，从重要的患者数据学习贝叶斯网络的结构。假设变量集合X={X1,X2,…,Xn}，则贝叶斯网络结构S对与X中的变量有关的条件独立性断言的集合进行编码，其由有向非循环图表示。用于构建图的查找空间是多模式的，该查找空间随着节点数据迅速增大，并且包括使得查找方法被阻塞的许多局部最优值（例如最大值或最小值）。不同类型的查找方法可以用于找到查找空间中的最优结构。在一个实施形式中，马尔科夫链蒙特卡洛（MCMC）本地查找方法用于学习贝叶斯网络的结构。MCMC比其他方法更快地收敛为本地最优结构，这引起更准确的结构学习和对测试数据更高的预测似然性。也可以使用其它查找技术，包括全局查找，诸如模拟退火、基于蚁群优化（ACO）的技术、或者任意近似全局查找或优化方法。
在306，可以从重要的患者数据学习贝叶斯网络的参数。这些参数形成条件概率的限定贝叶斯网络的部分。这些参数通常未知，并且可以用例如期望最大化（EM）方法从患者数据来估计。EM是很适合于处理数据集合中缺失值的出现的查找技术。EM方法在解决两个问题（E和M步骤）之间更替，用于计算参数的最大似然性估计。更确切地，假设之前计算的期望值正确，则EM方法根据观察到的数据有条件地在计算未观察变量的期望值之间更替，同时或者随后将完全似然性最大化。算法以模型参数的随机初始化开始，以收敛成最优点估计。
在308，所形成的、训练过的贝叶斯网络用于计算患者的风险评分。在一个实施形式中，假设观察到的患者值包括在网络结构中，则风险评分表示患者将在近期（例如5或10年）患上目标心血管病的概率。该评分可以是在预定尺度（例如0到100）上的数字值，其中较高的值对应于较大概率。应理解的是，可以使用任意其他类型的表示，其包括逆尺度或归一化值。
根据在剩余变量上观察到的证据对给定节点或节点子集的后一节点或节点子集进行计算称作概率推理。概率推理可以是精确或近似的。精确推理包括在证据变量的精确状态已知的情况下确定查询变量的概率。可以将联合树算法、符号概率推理（SPI）等用于进行精确推理。在精确的统计学推理不可能的情况下可以使用近似推理。可以使用Boyen-Koller算法、粒子滤波、吉布斯采样或者其他合适的技术来进行近似推理。
图4示出了被训练为用于预测高血压发展的、示例性的基于贝叶斯网络的模型400。基于贝叶斯网络的模型400是完整的统计模型，其由具有对应于每两个节点402之间关系的权重404的有向非循环图表示。患者患上高血压（或风险评分）的概率由节点“hyp”408表示。
训练和校验测试数据从已知为波美拉尼亚健康调查（“SHIP”）的、基于人口的流行病学调查中获得。例如参见John U等发表在Sozial-und
Figure BDA00003274268400091
的46（3）：186-194（2001）的“Study of health in Pomerania(SHIP):a health examination survey in an east German region:objectives anddesign”，其通过引用结合在本文中。SHIP利用所有德国公民都必须登记的人口登记来从20到79岁的人口中取得样本。仅具有德国公民身份和在研究区域中的主要居所的个体被包括。7008个对象被采样，其中在12个5年年龄层中均有每个性别292人。为了将通过迁徙或死亡造成的退出最小化，以两波来选择对象。净样本（没有迁徙或死亡的人员）包括6267个有资格的对象。所选人员接收最多三次书面邀请。在不回复的情况下，信件通过打电话，或者在无法电话联系的情况下通过登门拜访来追踪。从来自SHIP-0（基线）和SHIP-1（追踪）调查的4310位个体而可用的数据用于训练基于贝叶斯网络的模型400。这些数据包括：临床历史（年龄、药物、BMI、抽烟状态）、基因组（SNP）和其他生物标记物和测量结果，包括葡萄糖水平（血清）、HDL和LDL胆固醇等。目标是准确地预测哪些在SHIP-0调查（基线）期间被认为健康的个体预期在约五年后的追踪检查（SHIP-1）中患上高血压。该调查的优势包括人口代表性和数据的高质量。尽管调查人口划分为训练和校验集合，但是并不在独立的群体中复制结论。因此，应该认为这种结果是生成假说的。
为了构造基于贝叶斯网络的模型，首先从训练数据提取人造特征。创建包括对于i=1:50；j=i+1:50的乘积fi*fj的组合的人造特征，以便考虑特征之间的非线性（例如平方的）相互作用。这形成1225个特征。L1范数支持向量机作为利用训练集合中的交叉校验的特征选择方法被应用，以获得对于分类重要的特征的小子集。重要特征的子集包括患者年龄（“AGE_0”）、限定为（2*平均收缩压+平均舒张压）/3的平均动脉压（“MAP_0”）、在首次检查和追踪之间的时间（“time_fu”）、葡萄糖水平（“GLUC_S_0”）、糖尿病药物的使用（“diab_med”）、降脂药物的使用（“Statins_0”）、在尿液样本中找到的白蛋白的量（“ALB_U_0”）、和与舒张压关联的SNP rs16998703测量结果（“rs16998703”）。应理解的是，也可以根据目标病症提取其他类型的重要特征。
参考图4，基于所提取的特征（MAP_0*MAP_0）、（time_fu*AGE_0）、（time_fu*GLUC_S_0）、（rs16998703*ALB_U_0）和（diab_med*Statins_0）可以从以5变量设计的结构学习基于贝叶斯网络的模型400。贝叶斯神经网络（BNN）算法然后被用于估计变量402的权重。例如参见Eaton D、MurphyK.所著的、收录在2007Proceedings of the23nd Annual Conference onUncertainty in Artificial Intelligence（UAI-07）中的“Bayesian structure learningusing dynamic programming and MCMC”，其通过引用结合在本文中。用EM算法迭代地学习各个特征的均值和方差、以及链接权重404，用于收敛为该特征的点估计，其中将观察数据的似然性最大化。
有趣的是注意变量（Diab_med*Statins_0）与患高血压的概率408的负相关性406。在第一和第二节点之间的负链接权重表示第一节点值的增加将引起第二节点值的减小，而正链接权重表示第一节点值的增加将引起第二节点值的增加。抗糖尿病药物和他汀之间的、相对于与高血压发病的反关联的相互作用的是本研究的一个关键发现。该结果至少在具有糖尿病的对象中可以指示他汀的抗高血压效果。这与以前的证明他汀可能的多效性抗高血压效果的调查一致。
其他有趣发现是蛋白尿与rs16998073之间的相互作用，其可以用于在无症状患者中预测高血压。SNP rs16998073近来在包括约150,000位参与者的大规模研究组合中识别为与舒张压关联。然而，关于发生高血压，在SNP与蛋白尿之间的相互作用背后的精确机理值得继续研究。
图5a示出了与用于预测高血压的、训练过的基于贝叶斯网络的模型400对应的示例性接受者操作曲线（ROC）500。如之前讨论过的，主要群体随机划分为训练数据（70%）和直至训练最终模型时才看到的测试数据（30%）。用于训练数据集合502的、ROC曲线之下的区域（AUC）是0.802。这与对于看不到的测试数据集合504实现的性能几乎相同，其中AUC是0.796。
图5b示出了从预测模型获得的示例性ROC550，其被训练以用于预测心肌梗塞（MI）。实验群体集合包括来自SHIP数据库的、不被认为有高血压的4310个个体。群体集合随机划分为用于训练预测模型的训练集合（70%）和用于校验模型的看不到的测试集合（30%）。在这4310个个体中，44人在SHIP-0与SHIP-1检查之间患有MI。从训练集合中提取重要特征的子集用于构造预测模型。重要特征包括患者年龄、糖基化血红蛋白的百分数水平、抽烟状态、睾丸激素水平、血压、和SNP rs4852139测量结果。如在图5b中所示，用于训练集合552的、在ROC曲线下的区域（AUC）是0.78，其与通过看不到的测试集合554实现的性能几乎相同，其中AUC是0.78。
如果获得风险评分，可以将其用于将患者分类到风险类别中。回去参考图2，在206，根据风险评分将患者分类到多个风险类别中的至少一个风险类别中。通过将有风险的患者分组为不同的风险类别，可以推荐与所选风险组关联的、个人化的预防策略，用于阻止目标心血管病起病。在一个实施形式中，风险类别基于风险评分分组成至少第一和第二类型。例如，具有较低风险评分（例如50或更低）的患者分类到与高血压的非强适应证关联的类别中，而具有较高风险评分（例如51-100）的患者分类到与强适应证关联的类别中。第一和第二类型还可以根据风险评分细分为多个子类别（例如阶段1、2等）。应理解的是，还可以使用包括其他水平的子分类的其他类型的分类。
在208，以对于与所选风险类别关联的预防策略的推荐来呈现个人化报告。可以根据通常使用的指南来推荐不同类型的预防性介入。用于阻止疾病起病的示例性预防措施包括降脂药、生活习惯修改、更经常地监控和进一步测试、转介给其他医师等。
在一个实施形式中，系统101呈现具有自动选择的推荐和/或关联结果（例如风险评分、风险类别等）的个人化报告。此外，还可以在报告中呈现不同的分析参数、原始实验室读数、遗传数据或者任意其他具有临床意义的、用于预测目标心血管病的患者信息。这种信息的示例例如包括患者年龄、平均动脉压、首次检查和追踪之间的时间、葡萄糖水平、糖尿病药物和降脂药物的出现、在尿液样本中找到的白蛋白的量、与舒张压关联的SNP测量结果（例如rs16998703）、或者其组合。可以将报告直接提供给初级护理医师或任意其他医学参与者，以帮助制定关于患者的追踪和预防治疗选择的决策。报告可以以例如电子医学记录、印刷报告、在显示器或通信装置上的弹出警告信息框、或者任意其他合适手段来呈现。此外，可以将报告呈现为直接发送给医学参与者的通信信息，用于关于患者的高风险评分警告医学参与者。通信信息可以经由例如电子邮件（email）、传真、语音信息、短信（SMS）文本、临场感系统、社交媒体网络（例如Twitter）等发送。
该框架也可以用于使诊断流程有效率。在一个实施形式中，诊断流程以实验室测试、临床检查和/或从患者采集其他患者信息来开始。信息采集可以作为与特定特性关联的患者群体的年度筛查来执行。例如，群体可以包括由于在一级亲属中的高血压家族史而具有高血压风险的特定患者，和/或具有其他心脏代谢疾病（例如糖尿病或心脏病）的患者。在另一示例中，群体可以包括由于在一级亲属中的心脏病或慢性高血压的家族史而具有MI风险的患者，和/或具有其他心脏代谢疾病和/或其他重要因素的患者。
在另一实施形式中，将该框架的包括预防策略的任意推荐的结果作为判读报告呈现给初级护理医师。除了推荐之外，判读报告还可以包括原始实验室读数或测试结果。判读报告可以以打印或电子形式直接从实验室发送给初级医师。判读报告可以提供决策辅助，用于帮助医师评估患者近期患上心血管病的风险。基于该报告，医师可以推荐最优预防策略。此外，推荐可以进入系统101中，以用作用于监控患者或用于未来数年后的后续风险评估的进一步的输入。替选地，或者以其组合，系统101可以根据推荐的预防策略自动创建一个或多个任务项。任务项可以作为指令进入计算机医令系统（CPOE）系统，其管理指令并且将指令传达给医学参与者（例如医师、放射学者、药剂师、护士等），用于治疗受其护理的患者。任务项也可以进入临床流程管理系统，作为待由医学参与者完成的、用于治疗受其护理的患者的步骤。
图6示出了用于连续监控、预防和/或治疗高血压的示例性过程600。在602，将修改生活方式推荐用于在识别为具有风险的患者（例如具有在特定预定水平之上的风险评分的患者）中降低后续患高血压的风险。这种生活方式修改包括例如维持正常体重、有规律地有氧运动、饮食变化、减少钠摄入、维持足够的钾摄入、节制酒精消耗等。这种生活方式修改的目的是降低或将血压维持在期望水平（例如小于140/90mm Hg）上。系统101可以将这种生活方式修改推荐为用于无症状（即健康）患者的初级预防或者用于已经经历过急性冠心病（例如心衰）的患者的次级预防。
在604，如果未达到期望血压，则系统101可以呈现对于预防措施的进一步推荐。例如，在606，可以根据与患者关联的风险类别提供初始药物选择。在一个实施形式中，可以分别根据较低风险评分和较高风险评分将与非强适应证（或低风险评分）的风险类别608进一步分类为阶段1和阶段2。在612，可以为与阶段1高血压风险类别关联的患者开噻嗪类利尿剂、抑制血管紧张素转换酶（ACE）的药物、β-受体阻滞药、或任意其他合适药物。在614，例如可以为在阶段2高血压风险类别中的患者开多种药物的组合。示例性组合包括带有CCB的ACE抑制剂、或者带有ACEI、ARB、BB或CCB的噻嗪。在616，可以为在与强适应证（或高风险评分）关联的风险类别610内的患者开特定药物。
在618，如果未实现期望血压，则系统101可以推荐附加预防措施。例如在620，可以优化、修改药物剂量或者添加附加药物，直至实现目标血压。系统101也可以推荐患者咨询高血压专家。所理解的是，也可以推荐其他预防措施。
尽管用针对结构特征和/或方法步骤的语言描述了一个或多个上述实施形式，但是应理解的是，可以在没有这些特定特征或步骤的情况下实践其他实施方式，更确切地说，这些特定特征或步骤作为一个或多个实施形式的优选形式来公开。
此外，尽管可以用顺序的次序来描述方法或过程步骤、算法等，但是也可以将这些过程配置为以不同次序工作。换言之，可以明确描述的步骤的顺序或次序不必表示对于以该次序执行步骤的要求。在此描述的过程的步骤实践上可以以任意次序执行。此外，一些步骤可以同时执行，尽管其描述或暗示为不同时出现（例如一个步骤在另一步骤之后描述）。此外，通过在图中的描绘对过程进行的图解并不暗示图解的过程排除其其他变型方案和修改方案，并不暗示图解的过程或任意其步骤对于本发明是必要的，并且并不暗示图解的过程是优选的。
尽管可以将过程描述为包括多个步骤，这并不表示所有或者甚至任意步骤是必需或需要的。在所描述的发明的范围内的不同的其他实施例包括省去一些或所有所描述的步骤的其他过程。除非有特定说明，否则没有步骤是必需或需要的。

Claims (24)

1.一种预测目标心血管病在患者中的发展的方法，包括：
（i）检索与患者相关的患者数据，所述患者数据包括遗传数据和非遗传数据；
（ii）利用与所述目标心血管病有关的先验知识来根据所述患者数据确定风险评分；以及
（iii）根据所述风险评分将所述患者分类到多个风险类别中的至少一个风险类别中，其中所述多个风险类别与不同的预防策略关联。
2.根据权利要求1所述的方法，还包括呈现报告，所述报告推荐与所述多个风险类别中的所述至少一个风险类别关联的预防策略。
3.根据权利要求1所述的方法，其中所述遗传数据包括单核苷酸多态性（SNP）标记物数据。
4.根据权利要求1所述的方法，其中所述非遗传数据包括病理数据、组织数据、生化数据、个人数据、临床数据、或其任意组合。
5.根据权利要求1所述的方法，其中所述非遗传数据包括患者医学史、患者习惯、家族历史数据、药物治疗数据、放射学影像、放射学报告、医生病程记录、医疗程序和/或检查的细节、人口信息、临床测量数据、实验室测试结果、或其任意组合。
6.根据权利要求5所述的方法，其中所述实验室测试结果包括在取自所述患者的生物样本中找到的至少一个生物标记物的测量结果。
7.根据权利要求6所述的方法，其中所述生物标记物包括葡萄糖、血清胰岛素、他汀、白蛋白、高密度脂脂肪（HDL）胆固醇、低密度脂脂肪（HDL）胆固醇、脑钠肽（BNP）、每个B型脑钠肽的N端（NT-proBNP）、糖基化血红蛋白、睾丸激素、或其任意组合。
8.根据权利要求1所述的方法，其中步骤（ii）包括：利用从所述患者数据挖掘出的特征训练预测模型；以及经由所述预测模型确定所述风险评分。
9.根据权利要求8所述的方法，其中所述预测模型包括基于神经网络的预测模型。
10.根据权利要求8所述的方法，其中所述预测模型包括基于贝叶斯网络的预测模型。
11.根据权利要求10所述的方法，还包括通过执行马尔科夫链蒙特卡洛（MCMC）查找、模拟退火、或基于蚁群优化（ACO）的技术来学习所述基于贝叶斯网络的预测模型的结构。
12.根据权利要求10所述的方法，还包括通过执行最大期望法来学习所述基于贝叶斯网络的预测模型的一个或多个参数。
13.根据权利要求8所述的方法，还包括通过执行概率推理来计算所述风险评分，其中所述风险评分表示在所述预测模型中观察到的值的情况下患者将患上所述心血管病的概率。
14.根据权利要求1所述的方法，其中所述多个风险类别至少分组为第一组和第二组，所述第一组与所述目标心血管病的非强适应证关联，而第二组与所述目标心血管病的强适应证关联。
15.根据权利要求14所述的方法，其中至少所述第一组和所述第二组细分为风险类型的子组。
16.根据权利要求1所述的方法，其中所述预防策略包括修改生活方式、开药、有规律地监控、进一步测试、转介给其他医师、或其任意组合。
17.根据权利要求16所述的方法，其中修改生活方式包括维持正常体重、有规律地有氧运动、改变饮食、减少钠摄入、维持足够的钾摄入、节制酒精消耗、或其任意组合。
18.根据权利要求2所述的方法，还包括在未实现期望血压的情况下呈现至少一个附加推荐。
19.根据权利要求1所述的方法，其中在采集所述患者数据时的评估时所述患者是无症状的。
20.根据权利要求1所述的方法，还包括根据与所述多个风险类别中的所述至少一个风险类别关联的预防策略来自动创建一个或多个任务项。
21.根据权利要求1所述的方法，其中所述目标心血管病包括高血压。
22.根据权利要求1所述的方法，其中所述目标心血管病包括心肌梗塞或中风。
23.一种非临时性计算机可读介质，记录有计算机可读指令的程序，所述程序能够由机器执行，以实施用于预测目标心血管病在患者中的发展的步骤，所述步骤包括：
（i）检索与所述患者关联的患者数据，所述患者数据包括遗传数据和非遗传数据；
（ii）利用与所述目标心血管病相关的先验知识来根据所述患者数据确定风险评分；以及
（iii）根据所述风险评分将所述患者分类到多个风险类别中的至少一个风险类别中，其中所述多个风险类别与不同的预防策略关联。
24.一种医疗信息技术系统，包括：
用于存储非临时性计算机可读程序代码的存储装置；以及
与所述存储装置通信的处理器，所述处理器能够借助所述计算机可读程序代码来操作，用于：
（i）检索与患者关联的患者数据，所述患者数据包括遗传数据和非遗传数据；
（ii）利用与目标心血管病相关的先验知识来根据所述患者数据确定风险评分；以及
（iii）根据所述风险评分将所述患者分类到多个风险类别中的至少一个风险类别中，其中所述多个风险类别与不同的预防策略关联。
CN201180057651.9A 2010-10-12 2011-10-12 用于预测心血管病发展的医疗信息技术系统 Pending CN103493054A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US39215610P 2010-10-12 2010-10-12
US61/392,156 2010-10-12
US13/046,990 US20110202486A1 (en) 2009-07-21 2011-03-14 Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions
US13/046,990 2011-03-14
PCT/US2011/055924 WO2012051269A1 (en) 2010-10-12 2011-10-12 Healthcare information technology system for predicting development of cardiovascular conditions

Publications (1)

Publication Number Publication Date
CN103493054A true CN103493054A (zh) 2014-01-01

Family

ID=44860549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180057651.9A Pending CN103493054A (zh) 2010-10-12 2011-10-12 用于预测心血管病发展的医疗信息技术系统

Country Status (5)

Country Link
US (1) US20110202486A1 (zh)
EP (1) EP2628113A1 (zh)
KR (1) KR20130132802A (zh)
CN (1) CN103493054A (zh)
WO (1) WO2012051269A1 (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462858A (zh) * 2014-12-30 2015-03-25 天津迈沃医药技术有限公司 基于多阶隐马尔可夫模型的健康预警方法
CN105787252A (zh) * 2016-01-18 2016-07-20 贡京京 一种医疗决策支持方法及系统
CN107111603A (zh) * 2014-09-11 2017-08-29 博格有限责任公司 基于患者数据的用于健康护理诊断和治疗的贝叶斯因果关系网络模型
CN107145702A (zh) * 2016-03-01 2017-09-08 西门子保健有限责任公司 基于医疗图像的心源性栓塞型中风风险预测系统和方法
CN107408144A (zh) * 2014-11-14 2017-11-28 Zoll医疗公司 医疗先兆事件估计
CN107430645A (zh) * 2015-04-08 2017-12-01 皇家飞利浦有限公司 用于重症监护病房中的实验室值自动化分析和风险通知的系统
CN108351862A (zh) * 2015-08-11 2018-07-31 科格诺亚公司 利用人工智能和用户输入来确定发育进展的方法和装置
CN108428478A (zh) * 2018-02-27 2018-08-21 东北师范大学 基于异质医疗数据挖掘的甲状腺癌风险预测方法
CN108538390A (zh) * 2018-04-28 2018-09-14 中南大学 一种面向医学数据的增量式处理方法
CN109801687A (zh) * 2019-01-15 2019-05-24 合肥工业大学 一种面向医学的因果关系知识库的构建方法和系统
CN109949941A (zh) * 2019-03-15 2019-06-28 南方医科大学顺德医院(佛山市顺德区第一人民医院) 基于大数据精准医疗的心血管疾病风险监控系统
CN109949921A (zh) * 2017-05-09 2019-06-28 北京华信诚达科技有限公司 一种远程评估系统性红斑狼疮患者心脏功能的系统
CN110199359A (zh) * 2017-01-11 2019-09-03 皇家飞利浦有限公司 用于自动的包含或排除准则检测的方法和系统
CN110200620A (zh) * 2019-06-06 2019-09-06 中山大学孙逸仙纪念医院 多模态心脏数据检测方法、装置、存储介质及终端设备
CN110718272A (zh) * 2019-09-10 2020-01-21 上海派拉软件股份有限公司 基于基因序列与基因功能的非数值字段的加密及解密方法
CN110838366A (zh) * 2019-10-15 2020-02-25 平安科技（深圳）有限公司 一种患病风险的预测方法及装置
CN111247595A (zh) * 2017-10-31 2020-06-05 通用电气健康护理有限公司 用于诊断认知疾病病理和/或结果的医疗系统
CN111354464A (zh) * 2018-12-24 2020-06-30 深圳先进技术研究院 Cad预测模型建立方法、装置以及电子设备
CN112204670A (zh) * 2018-06-05 2021-01-08 费森尤斯医疗保健控股公司 用于识别共病的系统和方法
CN112384983A (zh) * 2018-06-29 2021-02-19 费森尤斯医疗保健控股公司 用于识别透析患者感染风险的系统和方法
CN113066531A (zh) * 2021-04-13 2021-07-02 平安国际智慧城市科技股份有限公司 风险预测方法、装置、计算机设备及存储介质
CN113257413A (zh) * 2021-06-22 2021-08-13 安翰科技(武汉)股份有限公司 基于深度学习的癌症预后生存预测方法、设备及存储介质
CN113538327A (zh) * 2020-04-14 2021-10-22 西门子医疗有限公司 疑似患有covid-19的患者的心血管评估
CN114096191A (zh) * 2019-04-02 2022-02-25 腾讯美国有限责任公司 用于预测椎动脉夹层的系统和方法
US11862339B2 (en) 2019-03-22 2024-01-02 Cognoa, Inc. Model optimization and data analysis using machine learning techniques
US11972336B2 (en) 2015-12-18 2024-04-30 Cognoa, Inc. Machine learning platform and system for data analysis
CN111354464B (zh) * 2018-12-24 2024-05-17 深圳先进技术研究院 Cad预测模型建立方法、装置以及电子设备

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8781988B1 (en) * 2007-07-19 2014-07-15 Salesforce.Com, Inc. System, method and computer program product for messaging in an on-demand database service
US8898149B2 (en) 2011-05-06 2014-11-25 The Translational Genomics Research Institute Biological data structure having multi-lateral, multi-scalar, and multi-dimensional relationships between molecular features and other data
CA2846594A1 (en) * 2011-08-26 2013-03-07 Majid Sarrafzadeh Systems and methods for missing data imputation
US8739290B1 (en) * 2011-09-29 2014-05-27 Emc Corporation Generating alerts in event management systems
US9536052B2 (en) * 2011-10-28 2017-01-03 Parkland Center For Clinical Innovation Clinical predictive and monitoring system and method
WO2013192593A2 (en) * 2012-06-21 2013-12-27 Battelle Memorial Institute Clinical predictive analytics system
US10496788B2 (en) 2012-09-13 2019-12-03 Parkland Center For Clinical Innovation Holistic hospital patient care and management system and method for automated patient monitoring
US20150213222A1 (en) * 2012-09-13 2015-07-30 Parkland Center For Clinical Innovation Holistic hospital patient care and management system and method for automated resource management
US10593426B2 (en) 2012-09-13 2020-03-17 Parkland Center For Clinical Innovation Holistic hospital patient care and management system and method for automated facial biological recognition
US20140081659A1 (en) 2012-09-17 2014-03-20 Depuy Orthopaedics, Inc. Systems and methods for surgical and interventional planning, support, post-operative follow-up, and functional recovery tracking
US10403403B2 (en) * 2012-09-28 2019-09-03 Cerner Innovation, Inc. Adaptive medical documentation system
US10424403B2 (en) 2013-01-28 2019-09-24 Siemens Aktiengesellschaft Adaptive medical documentation system
WO2014145705A2 (en) 2013-03-15 2014-09-18 Battelle Memorial Institute Progression analytics system
US10296724B2 (en) * 2013-10-30 2019-05-21 Tansu MEHMET Method for preparing a customized exercise strategy
US10431339B1 (en) * 2014-06-19 2019-10-01 Epic Systems Corporation Method and system for determining relevant patient information
US10755369B2 (en) 2014-07-16 2020-08-25 Parkland Center For Clinical Innovation Client management tool system and method
US11011256B2 (en) * 2015-04-26 2021-05-18 Inovalon, Inc. System and method for providing an on-demand real-time patient-specific data analysis computing platform
US10395759B2 (en) 2015-05-18 2019-08-27 Regeneron Pharmaceuticals, Inc. Methods and systems for copy number variant detection
US20170137968A1 (en) * 2015-09-07 2017-05-18 Global Gene Corporation Pte. Ltd. Method and System for Diagnosing Disease and Generating Treatment Recommendations
WO2017059022A1 (en) * 2015-09-30 2017-04-06 Inform Genomics, Inc. Systems and methods for predicting treatment-regiment-related outcomes
US10213145B1 (en) * 2015-10-01 2019-02-26 Cerner Innovation, Inc. Context-aware post traumatic stress disorder monitoring and intervention
JP6861481B2 (ja) 2016-07-06 2021-04-21 オムロンヘルスケア株式会社 リスク分析システム及びリスク分析方法
CN106407697A (zh) * 2016-09-28 2017-02-15 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的慢性疲劳综合症预测方法和预测系统
CN106407694A (zh) * 2016-09-28 2017-02-15 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的神经衰弱预测方法和预测系统
CN106407695A (zh) * 2016-09-28 2017-02-15 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的焦虑症预测方法和预测系统
CN106407693A (zh) * 2016-09-28 2017-02-15 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的乙肝预测方法和预测系统
CN106446550A (zh) * 2016-09-28 2017-02-22 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的伤风感冒预测方法和预测系统
CN106446551A (zh) * 2016-09-28 2017-02-22 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的慢性肠胃炎预测方法和预测系统
CN106407696A (zh) * 2016-09-28 2017-02-15 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的痱子预测方法和预测系统
CN106407698A (zh) * 2016-09-28 2017-02-15 湖南老码信息科技有限责任公司 一种基于增量式神经网络模型的植物神经紊乱预测方法和预测系统
KR101880678B1 (ko) * 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
US11195600B2 (en) 2016-10-17 2021-12-07 International Business Machines Corporation Automatic discrepancy detection in medical data
US11069432B2 (en) 2016-10-17 2021-07-20 International Business Machines Corporation Automatic disease detection from unstructured textual reports
US11177022B2 (en) 2016-10-17 2021-11-16 International Business Machines Corporation Workflow for automatic measurement of doppler pipeline
KR102024375B1 (ko) * 2016-12-30 2019-09-23 서울대학교 산학협력단 만성신장 질환의 질병 위험도를 예측하는 장치 및 방법
KR101967227B1 (ko) * 2017-02-28 2019-08-13 연세대학교 산학협력단 질병 예측 모델을 생성하는 방법, 서버 및 시스템
US20200168314A1 (en) * 2017-04-25 2020-05-28 Coremedica Europe Sarl Methods to enable personalized nutrition
WO2019018533A1 (en) * 2017-07-18 2019-01-24 Neubay Inc NEURO-BAYESIAN ARCHITECTURE FOR THE IMPLEMENTATION OF GENERAL ARTIFICIAL INTELLIGENCE
WO2019031794A1 (ko) * 2017-08-11 2019-02-14 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR101897419B1 (ko) * 2017-12-05 2018-09-13 신성대학 산학협력단 심전도 기반의 뇌졸중 발병 예측 시스템
KR102004177B1 (ko) * 2017-12-06 2019-07-26 주식회사 쓰리빌리언 질병 유전자 발병 확률 보정 방법 및 그 장치
KR102003412B1 (ko) * 2017-12-22 2019-07-24 주식회사 데이터젠 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템
KR102144938B1 (ko) * 2017-12-29 2020-08-14 주식회사 라이프시맨틱스 개인건강기록을 이용한 가족력 위험도 산출 방법
WO2019153039A1 (en) * 2018-02-06 2019-08-15 Alerte Echo IQ Pty Ltd Systems and methods for ai-assisted echocardiography
KR102049829B1 (ko) * 2018-12-05 2019-11-28 주식회사 뷰노 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치
CN109840932A (zh) * 2019-01-23 2019-06-04 平安科技（深圳）有限公司 心脑血管疾病展示方法、装置、设备及存储介质
US11468320B1 (en) 2019-07-31 2022-10-11 Express Scripts Strategic Development, Inc. Methods and systems for predicting prescription directions using machine learning algorithm
US11600388B2 (en) * 2019-08-19 2023-03-07 MediSync Inc. Artificial intelligence systems that incorporate expert knowledge related to hypertension treatments
US11810669B2 (en) 2019-08-22 2023-11-07 Kenneth Neumann Methods and systems for generating a descriptor trail using artificial intelligence
KR102320133B1 (ko) * 2019-11-25 2021-11-01 (의)삼성의료재단 관상동맥경화의 발생을 예측하기 위한 장치 및 방법
CN111933284B (zh) * 2020-09-27 2021-01-05 平安科技（深圳）有限公司 一种并发症风险预测系统、方法、装置、设备及介质
US10998102B1 (en) * 2020-10-20 2021-05-04 Analytics4Medicine Llc Systems for managing resistant hypertension
WO2022226890A1 (zh) * 2021-04-29 2022-11-03 京东方科技集团股份有限公司 一种疾病预测方法、装置、电子设备和计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030120134A1 (en) * 2001-11-02 2003-06-26 Rao R. Bharat Patient data mining for cardiology screening
US20060173663A1 (en) * 2004-12-30 2006-08-03 Proventys, Inc. Methods, system, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality
US20080057590A1 (en) * 2006-06-07 2008-03-06 Mickey Urdea Markers associated with arteriovascular events and methods of use thereof
CN101251876A (zh) * 2007-02-22 2008-08-27 通用电气公司 用于提供电子医疗记录数据临床显示和搜索的方法及系统
US20090132443A1 (en) * 2007-11-16 2009-05-21 Odilo Mueller Methods and Devices for Analyzing Lipoproteins
US20090150134A1 (en) * 2007-11-13 2009-06-11 Entelos, Inc. Simulating Patient-Specific Outcomes

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6647341B1 (en) * 1999-04-09 2003-11-11 Whitehead Institute For Biomedical Research Methods for classifying samples and ascertaining previously unknown classes
US8388530B2 (en) * 2000-05-30 2013-03-05 Vladimir Shusterman Personalized monitoring and healthcare information management using physiological basis functions
US8140569B2 (en) * 2003-05-29 2012-03-20 Microsoft Corporation Dependency network based model (or pattern)
US20060034508A1 (en) * 2004-06-07 2006-02-16 Zhou Xiang S Computer system and method for medical assistance with imaging and genetics information fusion
US7844560B2 (en) * 2006-04-17 2010-11-30 Siemens Medical Solutions Usa, Inc. Personalized prognosis modeling in medical treatment planning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030120134A1 (en) * 2001-11-02 2003-06-26 Rao R. Bharat Patient data mining for cardiology screening
US20060173663A1 (en) * 2004-12-30 2006-08-03 Proventys, Inc. Methods, system, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality
US20080057590A1 (en) * 2006-06-07 2008-03-06 Mickey Urdea Markers associated with arteriovascular events and methods of use thereof
CN101251876A (zh) * 2007-02-22 2008-08-27 通用电气公司 用于提供电子医疗记录数据临床显示和搜索的方法及系统
US20090150134A1 (en) * 2007-11-13 2009-06-11 Entelos, Inc. Simulating Patient-Specific Outcomes
US20090132443A1 (en) * 2007-11-16 2009-05-21 Odilo Mueller Methods and Devices for Analyzing Lipoproteins

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107111603A (zh) * 2014-09-11 2017-08-29 博格有限责任公司 基于患者数据的用于健康护理诊断和治疗的贝叶斯因果关系网络模型
US11734593B2 (en) 2014-09-11 2023-08-22 Bpgbio, Inc. Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data
CN113571187A (zh) * 2014-11-14 2021-10-29 Zoll医疗公司 医疗先兆事件估计系统和外部穿戴的除颤器
CN107408144A (zh) * 2014-11-14 2017-11-28 Zoll医疗公司 医疗先兆事件估计
CN104462858A (zh) * 2014-12-30 2015-03-25 天津迈沃医药技术有限公司 基于多阶隐马尔可夫模型的健康预警方法
CN107430645A (zh) * 2015-04-08 2017-12-01 皇家飞利浦有限公司 用于重症监护病房中的实验室值自动化分析和风险通知的系统
CN108351862B (zh) * 2015-08-11 2023-08-22 科格诺亚公司 利用人工智能和用户输入来确定发育进展的方法和装置
CN108351862A (zh) * 2015-08-11 2018-07-31 科格诺亚公司 利用人工智能和用户输入来确定发育进展的方法和装置
US11972336B2 (en) 2015-12-18 2024-04-30 Cognoa, Inc. Machine learning platform and system for data analysis
CN105787252B (zh) * 2016-01-18 2018-06-29 贡京京 一种医疗决策支持方法及系统
CN105787252A (zh) * 2016-01-18 2016-07-20 贡京京 一种医疗决策支持方法及系统
CN107145702A (zh) * 2016-03-01 2017-09-08 西门子保健有限责任公司 基于医疗图像的心源性栓塞型中风风险预测系统和方法
CN110199359A (zh) * 2017-01-11 2019-09-03 皇家飞利浦有限公司 用于自动的包含或排除准则检测的方法和系统
CN109949921A (zh) * 2017-05-09 2019-06-28 北京华信诚达科技有限公司 一种远程评估系统性红斑狼疮患者心脏功能的系统
CN111247595A (zh) * 2017-10-31 2020-06-05 通用电气健康护理有限公司 用于诊断认知疾病病理和/或结果的医疗系统
CN108428478A (zh) * 2018-02-27 2018-08-21 东北师范大学 基于异质医疗数据挖掘的甲状腺癌风险预测方法
CN108428478B (zh) * 2018-02-27 2022-03-29 东北师范大学 基于异质医疗数据挖掘的甲状腺癌风险预测方法
CN108538390A (zh) * 2018-04-28 2018-09-14 中南大学 一种面向医学数据的增量式处理方法
CN112204670A (zh) * 2018-06-05 2021-01-08 费森尤斯医疗保健控股公司 用于识别共病的系统和方法
CN112384983A (zh) * 2018-06-29 2021-02-19 费森尤斯医疗保健控股公司 用于识别透析患者感染风险的系统和方法
CN111354464A (zh) * 2018-12-24 2020-06-30 深圳先进技术研究院 Cad预测模型建立方法、装置以及电子设备
CN111354464B (zh) * 2018-12-24 2024-05-17 深圳先进技术研究院 Cad预测模型建立方法、装置以及电子设备
CN109801687B (zh) * 2019-01-15 2020-11-10 合肥工业大学 一种面向健康领域的因果关系知识库的构建方法和系统
CN109801687A (zh) * 2019-01-15 2019-05-24 合肥工业大学 一种面向医学的因果关系知识库的构建方法和系统
CN109949941A (zh) * 2019-03-15 2019-06-28 南方医科大学顺德医院(佛山市顺德区第一人民医院) 基于大数据精准医疗的心血管疾病风险监控系统
US11862339B2 (en) 2019-03-22 2024-01-02 Cognoa, Inc. Model optimization and data analysis using machine learning techniques
CN114096191A (zh) * 2019-04-02 2022-02-25 腾讯美国有限责任公司 用于预测椎动脉夹层的系统和方法
CN114096191B (zh) * 2019-04-02 2024-04-12 腾讯美国有限责任公司 用于预测椎动脉夹层的系统和方法
CN110200620A (zh) * 2019-06-06 2019-09-06 中山大学孙逸仙纪念医院 多模态心脏数据检测方法、装置、存储介质及终端设备
CN110718272A (zh) * 2019-09-10 2020-01-21 上海派拉软件股份有限公司 基于基因序列与基因功能的非数值字段的加密及解密方法
CN110838366A (zh) * 2019-10-15 2020-02-25 平安科技（深圳）有限公司 一种患病风险的预测方法及装置
CN113538327A (zh) * 2020-04-14 2021-10-22 西门子医疗有限公司 疑似患有covid-19的患者的心血管评估
CN113066531B (zh) * 2021-04-13 2023-12-12 深圳平安智慧医健科技有限公司 风险预测方法、装置、计算机设备及存储介质
CN113066531A (zh) * 2021-04-13 2021-07-02 平安国际智慧城市科技股份有限公司 风险预测方法、装置、计算机设备及存储介质
CN113257413B (zh) * 2021-06-22 2021-10-19 安翰科技(武汉)股份有限公司 基于深度学习的癌症预后生存预测方法、设备及存储介质
CN113257413A (zh) * 2021-06-22 2021-08-13 安翰科技(武汉)股份有限公司 基于深度学习的癌症预后生存预测方法、设备及存储介质

Also Published As

Publication number Publication date
US20110202486A1 (en) 2011-08-18
EP2628113A1 (en) 2013-08-21
KR20130132802A (ko) 2013-12-05
WO2012051269A1 (en) 2012-04-19

Similar Documents

Publication Publication Date Title
CN103493054A (zh) 用于预测心血管病发展的医疗信息技术系统
Angraal et al. Machine learning prediction of mortality and hospitalization in heart failure with preserved ejection fraction
Tayarani Applications of artificial intelligence in battling against covid-19: A literature review
Yadav et al. Mining electronic health records (EHRs) A survey
US20210090695A1 (en) Healthcare Information Technology System for Predicting or Preventing Readmissions
Himes et al. Prediction of chronic obstructive pulmonary disease (COPD) in asthma patients using electronic medical records
Lee et al. Prediction of heart failure mortality in emergent care: a cohort study
US20120065987A1 (en) Computer-Based Patient Management for Healthcare
US11915828B2 (en) System and method of using machine learning for extraction of symptoms from electronic health records
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
Liu et al. Missed opportunities in preventing hospital readmissions: Redesigning post‐discharge checkup policies
JP2023123711A (ja) 健康情報に基づく予後スコア
Ahmad et al. REVeAL-HF: design and rationale of a pragmatic randomized controlled trial embedded within routine clinical practice
Holder et al. A locally optimized data-driven tool to predict sepsis-associated vasopressor use in the ICU
Bjarnadóttir et al. Machine learning in healthcare: Fairness, issues, and challenges
Juang et al. Developing an AI-assisted clinical decision support system to enhance in-patient holistic health care
Higdon et al. Predictive analytics in healthcare: medications as a predictor of medical complexity
Na et al. Patient outcome predictions improve operations at a large hospital network
Hamburger et al. Utility of the Diamond-Forrester classification in stratifying acute chest pain in an academic chest pain center
Naser et al. A Review of Machine Learning’s Role in Cardiovascular Disease Prediction: Recent Advances and Future Challenges
Gupta et al. An overview of clinical decision support system (CDSS) as a computational tool and its applications in public health
Bjarndóttir et al. The history and modern applications of insurance claims data in healthcare research
Reddy et al. Big data analytics for healthcare
More et al. AI-Based Diagnostic Test Prediction-An Effective Way to Handle the New Normal Era in Healthcare
O'Connor et al. The application and use of artificial intelligence in cancer nursing: A systematic review

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20140101

RJ01 Rejection of invention patent application after publication