CN104584017A - 用于对行为和健康变化进行建模的方法 - Google Patents

Abstract

一种检测患者健康状况变化的方法，包括：访问该患者在移动计算装置上运行的本地通信应用的使用的日志；基于该本地通信应用的使用的日志和该小组共同的通信行为，选择一小组患者群体；检索与该小组有关的健康风险模型，该健康风险模型限定了该小组内患者的医学症状变化风险和通信行为之间的相关性；基于该本地通信应用的使用的日志和该健康风险模型，预测该患者的医学症状变化风险；并且响应于该患者的医学症状变化风险超过阈值风险，向与该患者相关的保健提供者传送通知。

Description

用于对行为和健康变化进行建模的方法

技术领域

本发明总体上涉及患者健康领域，并且更具体地涉及用于患者健康领域中对行为和健康变化进行建模的新的和有用的方法。

附图说明

图1A是本发明的第一方法的流程图表示；

图1B是第一方法的变型的流程图表示；

图1C是第一方法的变型的流程图表示；

图1D是第一方法的变型的流程图表示；

图2A是本发明的第二方法的流程图表示；

图2B是第二方法的变型的流程图表示；

图2C是第二方法的变型的流程图表示；

图2D是第二方法的变型的流程图表示；

图3是根据第一方法和第二方法的变型的流程图表示；

图4是根据第一方法和第二方法的变型的图形表示；以及

图5是根据第一方法和第二方法的变型的图形表示。

具体实施方式

本发明的实施例的以下描述不是旨在将本发明局限于这些实施例，而是使本领域内的任何技术人员能够制定和使用本发明。

1.方法

如图1A中所示，用于通过治疗方案支持有与健康状况相关的患者的第一方法S100包括：在块S110中，在第一时段内访问患者在移动计算装置上运行的本地通信应用的使用的第一日志；在块S112中，接收来自患者的对应于第一时段的第一次调查响应；在块S114中，基于第一次调查响应在第一时段内患者估计对治疗方案的第一依从性；在块S116中，将本地通信应用的使用的该第一日志与治疗方案的第一依从性相互关联；在块S120中，在第二时段内患者访问本地通信应用的使用的第二日志；在块S122中，接收该第二时段的来自患者的第二调查响应；在块S124中，基于第二次调查响应在第二时段内估计患者的第二依从性；在块S126中，将本地通信应用的使用的该第二日志与治疗方案的第二依从性相互关联；在块S130中，生成患者方案依从性模型，包括本地通信应用的使用的该第一日志、本地通信应用的使用的该第二日志、第一依从性和第二依从性；在块S140中，在第三时段内患者访问本地通信应用的使用的第三日志；在块S144中，基于该患者方案依从性模型和本地通信应用的使用的该第三日志，在该第三时段内估计对治疗方案的第三依从性；并且在块S150中，基于第三依从性，通过移动计算装置呈现治疗相关的通知。

如图1B中所示，第一方法S100的一个变型包括：在块S110中，访问患者在移动计算装置上运行的本地通信应用的使用的日志；在块S160中，基于本地通信应用的使用的日志和该小组患者共同的通信行为选择一小组患者群体；在块S162中，检索与该小组有关的方案依从性模型，该方案依从性模型限定了该小组内患者的治疗方案依从性和通信行为之间的相关性；在块S144中，基于本地通信应用的使用的日志和该方案依从性模型预测患者对治疗方案的依从性；并且在块S150中，基于该患者的依从性，通过移动计算装置呈现治疗相关的通知。

如图1C中所示，第一方法的另一个变型包括：在块S110中，在一段时间内访问患者在移动计算装置上运行的本地通信应用的日志；在块S160中，基于本地通信应用的使用的日志和该小组患者共同的通信行为来选择一小组患者群体；在块S162中，检索与该小组有关的方案依从性模型，该方案依从性模型限定了该小组内患者的治疗方案依从性和通信行为之间的相关性；在块S144中，基于本地通信应用的使用的日志和该方案的依从性模型预测患者对治疗方案的依从性；在块S112中，从与该段时间对应的患者调查中提取患者的治疗响应；在块S172中，根据治疗响应和患者对治疗方案的依从性之间的比较，估计治疗方案在治疗患者健康状况时的功效；在块S150中，响应于低于阈值功效的治疗方案的功效，向与患者相关的保健提供者发出通知。

如图1D中所示，第一方法的另一个变型包括：在块S110中，访问患者在移动计算装置上运行的本地通信应用的使用的日志；在块S160中，基于本地通信应用的使用的日志选择一小组患者和该小组患者共同的通信行为；在块S162中，检索与该小组有关的健康风险模型，该健康风险模型限定了该小组内患者的医学症状变化风险和通信行为之间的相关性；在块S172中，基于本地通信应用的使用的日志和该健康风险模型预测患者的医学症状变化风险；并且在块S150中，响应于超过阈值风险的患者的医学症状变化风险，向与该患者相关的保健提供者发出通知。

如图2A中所示，第二方法S200包括：在块S220中，从所有患者群体中选择一小组患者，该小组内的这些患者都表现出类似的行为特征并且与健康状况相关；在块S230中，对于该小组内的患者，基于该患者通过相应的移动计算装置输入的调查响应，估计患者在一段时间内对规定的治疗方案的依从性；在块S240中，对于该小组内的患者，基于在这段时间内该患者在相应移动计算装置上运行的本地通信应用的使用，描述患者的通信行为特征；在块S250中，对于该小组内的患者，将该患者的通信行为与该患者的健康状况进行关联；在块S260中，基于该小组内的患者对规定的治疗方案的依从性和健康状况，估计在治疗该小组内患者健康状况时的治疗方案的功效；并且在块S270中，基于治疗方案的功效，生成针对该小组的治疗方案报告。

如图2B中所示，该方法的一个变型包括：在块S210中，选择规定了健康状况治疗方案的患者群体；在块S240中，对于该群体内的患者，在启动治疗方案之前和对该患者实施该治疗方案期间，基于该患者对在相应移动计算装置上运行的本地通信应用的使用，描述该患者的通信行为特征；在块S220中，在启动该治疗方案之前，基于类似的通信行为从该患者群体中选择一小组患者；在块S230中，在实施治疗方案期间，从该小组内的患者完成的调查中提取治疗响应；在块S280中，生成该小组的治疗方案模型，该治疗方案模型限定了该小组内的患者的通信行为、治疗响应和治疗方案结果之间的相关性；在块S242中，基于后续患者对在相应移动计算装置上运行的本地通信应用的使用，描述该后续患者的通信行为特征；并且在块S282中，基于该后续患者的通信行为和该小组内共同的通信行为之间的相似性，生成该后续患者的预测的治疗方案结果。

如图2C中所示，第二方法的另一个变型包括：在块S220中，从患者群体中选择与健康状况相关的一小组患者，该小组内的这些患者都呈现类似的行为特征；在块S240中，对于该小组内的患者，基于在该段时间内该患者对在相应移动计算装置上运行的本地通信应用的使用，描述患者的通信行为特征；在块S230中，从该小组内的患者提交的调查中提取该小组内的患者的医学症状特征；在块S232中，确定该小组内的患者的通信行为、该小组内的患者的医学症状特征和实施到该小组内的患者的治疗方案之间的关系；在块S280中，基于该关系，生成该小组的治疗功效模型，该治疗功效模型限定了通信行为中的变化和减轻该小组内患者的医学症状的功效之间的相关性。

如图2D中所示，第二方法的另一个变型包括：在块S220中，从患者群体中选择与健康状况相关的一小组患者，该小组内的这些患者都呈现类似的行为特征；在块S240中，对于该小组内的患者，基于在该段时间内该患者对在相应移动计算装置上运行的本地通信应用的使用，描述患者的通信行为特征；在块S230中，从该小组内的患者提交的调查中提取该小组内的患者的医学症状特征；在块S232中，确定该小组内的患者的通信行为和该小组内的患者的医学症状特征之间的关系；在块S280中，基于该关系，生成该小组的健康风险模型，该健康风险模型限定了通信行为中的变化和医学症状的变化风险之间的相关性。

2.方法的应用

一般来讲，第一方法和第二方法S100、S200用于从与患者相关的移动计算装置收集该患者(使用者或处于危险的个人)的通信数据，并基于该患者的通信数据预期该患者的健康状况。这些方法随后可以应用该患者预期的健康状况，向该患者建议采取措施和/或通知护士、保健提供者、家庭成员、药剂师、药理学家、保险公司、医院或其他保健专业人士或网络等关于该患者的预期的与健康有关的信息。这些方法可以附加地或可替代地实施预期的患者健康状况，通过打电话、电子邮件、健康提示通知、深入了解或其他电子通信针对患者进行自动或人工定向干预。这些方法还可以应用患者预期的健康状况来提醒该患者完成治疗，通过治疗计划或方案对该患者的进展情况进行建模，预测该患者的治疗计划的结果，为该患者修改或定制治疗计划，为患者群体中的一群类似患者生成治疗方案模型和/或治疗方案结果，预测或监测患者症状变化或健康状况变化等，例如基于该患者和/或其他类似患者主动提供的调查数据和/或主动提供的或预期的治疗方案依从性。

在一个示例中，随时间推移，这些方法通过在与该患者有关的智能电话(或平板电脑)上运行的一个或多个本地应用(例如电话应用、短信应用和电子邮件应用)收集与患者每天的电话、短信和电子邮件相关的数据，包括频率、持续时间、对入站通信响应的时长、与时间有关的通信模式和/或各种各样的联系。最初，这些方法可以用来对该患者进行调查，以进行其健康风险评估、症状评分和/或获取当前症状程度(例如该患者感觉如何)的信息，然后将该患者的健康状况、症状评分等关联起来，从而生成健康风险模型。例如，基于患者行为和对应的健康风险模型之间的关联性，这些方法可以得出与患者的医学症状变化风险的预测级别对应的量化风险评分。

这些方法随后可以应用该健康风险模型来预测之后某个时间的患者症状的级别，和/或来预测是否应该(仅仅或主要)基于该患者的通信行为通过计算装置来发出关于患者健康的通知。如在该示例中，第一方法S100可以根据患者通信数据和调查响应来推断患者健康状况，并且将患者健康状况与患者通信行为结合以生成健康风险模型，而且第一方法稍后可以通过将后续患者通信数据输入健康风险模型来预期患者健康风险的变化，以确定后续患者健康风险并且相应地向该患者发出通知。

在另一个示例中，随时间推移，这些方法通过与该患者有关的在智能电话(或平板电脑)上运行的一个或多个本地通信应用(例如电话应用、短信应用和电子邮件应用)收集与患者每天的电话、短信、电子邮件和/或来自该患者的移动计算装置的其他入站和/或出站通信相关的数据，包括频率、持续时间、对入站通信响应的时长、与时间有关的通信模式、各种各样的联系等。因此，这些方法可以汇总并操作上述数据中的任何数据，以估计患者对治疗方案的依从性(例如该患者是否服用了药物)和该患者的感觉如何(即症状程度)，并且随后将该患者的治疗依从性和感觉与该患者的通信行为进行关联，以生成方案依从性模型。这些方法随后可以基于该患者通过其智能电话进行的通信行为来预测该患者的感觉如何和/或该患者是否遵照了其治疗方案。如在该示例中，第一方法S100可以根据调查响应来推断患者治疗方案依从性，将患者治疗方案依从性与患者通信行为结合，以生成方案依从性模型，并且稍后可以通过将随后通信行为输入方案依从性模型来预期患者方案依从性，并且然后相应地向该患者发出通知。

在类似的示例中，这些方法应用该患者的行为数据(例如在治疗计划或方案之前和/或在治疗计划或方案期间)以选择与表现出的通信行为类似于特定患者的通信行为的一小组患者相关的方案依从性模型。通过将患者通信行为数据输入健康风险模型，因此这些方法可以预测该患者感觉如何(即该患者的症状表现形式)，无需额外的患者信息(例如额外的调查结果)。如在该示例中，这些方法可以将调查响应和患者的通信行为结合，以生成患者群体小组模型，并且稍后通过将患者随后的通信行为输入模型来预期患者健康风险，并且相应地发出通知。

在另一个示例中，第一方法S100应用该患者的行为数据(例如在治疗计划或方案之前和/或治疗计划或方案期间)以选择与表现出的通信行为类似于该患者的通信行为的一小组患者相关的方案依从性模型。随后通过将患者通信行为输入该方案依从性模型中，无需额外的患者信息(例如额外的调查结果)，第一方法S100可以预测在特定时间该患者感觉如何(即该患者的症状表现形式)，和/或预测该患者如何或何时实施其治疗方案，例如按规定的次数和规定的剂量服用处方药。如在该示例中，第一方法S100的该变型方法可以因此根据调查响应来推断患者治疗方案依从性，将患者治疗方案依从性与患者通信行为相结合，以选择患者群体小组和相关的方案依从性模型，并且稍后可以通过将随后通信行为输入方案依从性模型来预期患者方案依从性，并且然后相应地向该患者发出通知。

在另一个示例中，这些方法应用患者的行为数据，以选择与表现出的通信行为类似于该患者的通信行为的特定的一小组患者相关的健康风险模型。通过将随后的患者通信行为数据输入该健康风险模型中，完全无需额外的患者信息(例如额外的调查结果)，这些方法可以因此预测在特定时间该患者感觉如何(即该患者的症状表现形式)，和/或预期表明患者风险的通知应该如何或何时发送给保健提供者。

在另外的示例中，第一方法S100应用该患者的行为数据(例如在治疗计划或方案之前和/或治疗计划或方案期间)，以选择与表现出的通信行为类似于该患者的通信行为的一小组患者相关的方案依从性模型。通过将随后的患者通信行为输入该方案依从性模型，无需额外的患者信息(例如额外的调查结果)，第一方法S100因此可以预测在特定时间该患者感觉如何(即该患者的症状表现形式)，和/或预期该患者如何或何时实施其治疗方案，例如按规定的次数和规定的剂量服用处方药。

在另一个示例中，第二方法S200收集来自多名患者的通信数据，根据识别的通信行为将患者分组，并且通过治疗计划预期进展，并利用选择的一组患者预期该治疗计划对患者的作用。不用依赖患者和/或保健提供者手动输入的数据，也不用根据动作数据(其可以是非精确的，需要强大的计算能力，并且缺乏合适的医疗空间精度)来估计患者活动或行动等，第二方法S200可以相反生成模型，该模型根据患者在一段时间内(例如以一个工作日或四小时为基础)如何、何时和/或与谁进行通信的情况将治疗(例如药物疗法方案、物理治疗计划)与患者的症状表现形式和最终的健康状况结果联系起来。在该示例中，第二方法S200可以因此基于患者群体的通信行为从该患者群体中选择一小组患者，基于该小组内的患者主动提出的调查响应来估计该小组内的治疗方案依从性，基于患者的通信行为来估计该小组内的患者的健康状况，并且将该小组内的患者的治疗依从性和通信行为结合，以估计针对该小组患者的治疗方案的功效。

在上述示例中，根据患者的通信行为和其他患者(例如具有类似诊断的健康状况和/或规定的治疗方案的之前或当前的患者)通信行为之间的相似性和/或差异性，第二方法S200还可以将这样的模型应用于特定患者，以预期患者将如何对治疗方案作出相应和/或为该患者定制治疗方案。

第一方法和第二方法S100、S200可以因此从由电话、短信、电子邮件和/或通过患者相关的移动计算装置被动收集的其他通信数据推断出的患者通信行为中获得患者个体和/或患者群组的有意义的健康相关的数据。在患者的移动计算装置中可以应用这些获得的与健康相关的数据以由保健提供者通过治疗计划对患者进行私人指导，以预期该患者医学症状增加的风险或健康状况变化的风险，通过医生监控患者病情发展或修改处方，由护士确定是否需要为患者提供人工支持，和/或由药理学家在患者群体中研究药物疗法和药物反应。例如，可以应用第一方法和第二方法S100、S200的块来为实验、研究性学习、商业发布、市场研究、患者社区研究(例如在推荐保健提供者(例如医生或医疗机构(例如医疗中心))方面)收集患者数据，以改进患者的医疗服务。在该示例中，第一方法和第二方法S100、S200可以与面向患者的界面、面向医生的界面、面向护士的界面和/或面向药理学家的界面等进行交互，以向患者、医生、护士、药理学家和/或与患者直接或间接相关的其他保健提供者发送通知和相关数据。在另一个示例中，在与特定患者相关的作为个人健康跟踪工具的计算装置上，可以应用第一方法和第二方法S100，S200。

在一个实施中，第一方法和第二方法S100，S200与在患者的移动计算装置(例如智能电话、平板电脑、个人数据助理(PDA)、个人音乐播放器、载体等)上运行的本地数据收集应用程序交互，以检索患者的通信数据。例如，该本地数据收集应用程序可以安装在患者的移动计算装置上，在该移动计算装置处于使用中和/或“ON”状态时，该本地数据收集应用程序基本上连续地运行，记录该患者的移动计算装置的每个入站和出站通信的次数、持续时间和联系类型(例如家庭、朋友、同事、生意伙伴)。该移动计算装置然后可以通过网络连接(例如实时、每小时、在每日结束时等)将该数据上传至远程数据库，并且在计算机网络(例如“云”)上实施的第一方法和/或第二方法可以从该远程数据库中检索该患者的通信数据，分析该患者的通信数据以预测该患者的症状和/或治疗依从性，并且发出该患者的通知，并且该患者的移动计算装置可以下载并随后显示该患者的通知、该本地数据收集应用程序或在该移动计算装置上运行的可替代的面向患者的本地应用在后台可以自动处理的动作。该计算机网络可以附加地或可替代地生成患者方案依从性模型、患者结果模型、患者行为模型、健康风险模型等，并且向医生、护士、药理学家、治疗师等发送任何一个或多个模型。

因此，第一方法和第二方法S100、S200的块可以在一个或多个计算机系统(例如基于云的计算机系统(例如Amazon EC3)、大型计算机系统、网格计算机系统或任何其他合适的计算机系统)上实施。第一方法和第二方法S100、S200的块可以通过互联网从一个或多个装置收集患者数据，例如从在患者的智能电话上运行的本地应用直接收集的通信数据和/或该患者的智能电话收集并通过网络连接上传至远程数据库的穿戴式传感器收集的动作数据。对第一方法和第二方法S100、S200的块中的患者数据进行的收集、操作和传输还可以遵守与健康有关的隐私法，例如对患者数据进行私人化或匿名化，并且向患者和/或与该患者有关的医生、护士、药理学家、研究人员等传输加密的或私人的通知(例如关于患者治疗依从性)。

如在上述实施中，当患者安装和/或授权通过这样的本地数据收集应用程序对个人通信数据进行收集和传输时，该本地应用可以提示该患者创建一个简档或账户。该账户可以本地存储在该患者的移动计算装置上和/或远程存储在计算机网络上，并且可以包含姓名、年龄、性别、住址、职业、健康状况列表、当前与健康相关的治疗和药物的清单、医疗历史、初级护理医师(包括姓名、办公室、联系信息等)、医保信息、处方药保险计划、当地的药房信息或其他人口统计信息和/或与健康有关的信息，以上任何信息都可以由该患者、家庭成员、医生、护士或与该患者相关的其他个人进行添加，和/或从医疗、保险、社会网络或其他相关联的数据库中检索。第一方法和第二方法S100、S200还可以随时间推移为该患者的账户更新更多的患者信息，例如该患者的症状表现形式、估计的患者治疗依从性和/或预测的治疗方案结果。

在基本上没有患者、医生、护士、药剂师等的人工输入的数据的情况下，基于从患者的移动计算装置(例如移动电话、智能电话和/或平板电脑等)被动收集的数据，这些方法的块可以对患者的健康结果或症状风险和观测到的行为变化之间的相关性进行限制和/或量化。这些方法的块同样可以量化患者健康状况和从该患者的移动计算装置收集的观测到的患者行为之间的相关性，并进一步将被动的行为数据收集与自己报告的患者数据(即调查响应)结合，以提升患者个人和/或一小组患者的与健康有关的模型、推断的与健康有关的通知触发因素、患者推断、患者症状风险预测等的质量。特别地，第一方法和第二方法S100、S200可以识别健康结果和通信相关的行为变化(例如在预设的一段时间内电话、短信和电子邮件的频率的变化)之间的关系，例如从对患者实施治疗之前到对患者实施治疗期间和/或实施治疗之后的患者的通信行为的变化。

第一方法和第二方法S100、S200还可以识别健康结果与患者活动数据(即，来自相应的移动装置或穿戴式传感器的加速度计和陀螺仪数据)、当地环境数据、患者位置数据、患者调查数据等之间的相关性。第一方法和第二方法S100、S200然后可以实施一段时间内(通信)行为变化和患者健康或生活质量变化之间的经识别的关系，以预期患者健康风险的变化，触发或进行定向自动或人工干预(例如自动通知)，从而通过治疗方案帮助患者，预期该患者症状复发并且估计再次入院的风险等。这些方法同样实施上述经识别的关系，以识别患者群体中类似患者的种类、集群或小组，为特定患者集群修改或定制治疗方案或患者健康风险模型，为随后的患者规定定制的或针对小组的治疗方案，为保健提供者在患者分类方面提供帮助，支持或认可对医疗服务利用率的调整，比较患者群体内和/或整个患者群体的健康结果(例如入院/再次入院率和医疗服务利用率)等。这些方法因此可以用于改进特定患者和/或一小组患者群体的健康结果，并且提高医疗服务利用率。

一般来讲，在基本上没有患者、医生、护士、药剂师等的人工输入的数据的情况下，基于从患者的移动计算装置(例如移动电话、智能电话和/或平板电脑等)被动收集的数据，第一方法和第二方法S100、S200可以用于对治疗、疗法和/或药物等相关的健康结果与观测到的行为变化之间的相关性进行限制和/或量化。第一方法和第二方法S100、S200同样可以基于从该患者的移动计算装置收集的患者数据量化患者健康状况和观测到的患者行为之间的相关性，并将被动的行为数据收集与自己报告的患者数据(即来自调查)结合，以提升患者和/或一小组患者的治疗方案、推断和治疗预测的质量。特别地，第一方法和第二方法S100、S200可以识别健康结果和通信相关的行为变化(例如电话、短信和电子邮件)之间的关系，例如从对个体患者实施治疗之前到实施治疗期间和/或实施治疗之后的患者的通信行为的变化。这些方法还可以识别患者综合的工作与生活的平衡的变化，例如相对于患者总的通信时间、患者每天清醒的总时间或在家花费的时间量，基于患者接打与工作相关的电话或发送与工作相关的电子邮件或在体检室或工作地点所花费的时间。这些方法因此可以基于该健康风险模型将患者综合的工作与生活的平衡的变化与下降的患者健康状况或增加的患者健康风险(例如复发或严重程度增加的症状)进行关联。类似地，基于在电话和与社会活动、家庭和工作电话有关的实际位置，以及工作地点和在这些地点之间转移时所花费的时间，并且这些方法可以计算患者的综合生活质量分数，并且这些方法可以基于该健康风险模型将综合生活质量的变化与下降的患者健康状况或增加的患者健康风险进行关联。

第一方法和第二方法S100、S200可以额外地确定健康结果和从操作系统或在患者移动计算装置上运行的任务管理器得出的患者移动电话的使用行为(即屏幕解锁、移动应用程序的使用)之间的相关性，以确定患者活动、极度活跃(例如当患者无法入睡时，在深夜频繁地解锁)和不活动的时段。基于对应的健康风险模型，第一方法和第二方法S100、S200然后可以实施经过一段时间移动使用行为变化和患者健康或生活质量的变化之间的经识别的关系。

第一方法和第二方法S100、S200还可以确定健康结果与患者活动数据(即来自移动计算装置或外部穿戴式传感器的加速度计和陀螺仪数据)、当地环境数据、患者位置数据、患者调查数据等之间的相关性。第一方法和第二方法S100、S200然后可以实施一段时间内(通信)行为变化和患者健康或生活质量变化之间的经识别的关系，以预期治疗功效和/或患者对治疗的反应，估计患者的治疗依从性(即顺从性)，确定患者在治疗中的满意度，触发或进行定向自动或人工干预(例如自动通知)，从而通过治疗帮助患者，预期症状复发并且估计再次入院的风险。第一方法和第二方法S100、S200同样可以实施这样经识别的关系，以识别患者群体中类似患者的种类、集群或小组，为特定患者集群修改或定制治疗方案或通知，为随后的患者规定定制的或针对小组的治疗方案，为保健提供者在患者分类方面提供帮助，支持对医疗服务利用的调整，比较患者群体内和/或整个患者群体的治疗结果(例如入院/再次入院率和医疗服务利用率)，改进特定患者和/或一小组患者群体的治疗结果、疗效和对治疗计划的依从性，并且提高医疗服务利用率。

虽然以下说明在监测和/或估计治疗依从性的背景下对本发明进行了具体的描述，但是第一方法和第二方法S100、S200的块可以实现类似的功能和技术，以识别患者风险并且评估疗效。

3.行为数据

第一方法S100的块S110叙述了识别患者在第一时段内在移动计算装置上运行的本地通信应用的使用的第一日志。块S120和块S140同样叙述了患者在第二时段和第三时段内使用本地通信应用分别识别第二日志和第三日志。一般来讲，块S110，S120和S140用于从患者的移动计算装置无干扰地收集和/或检索通信相关的数据，例如，如上所述，通过在本地数据收集应用程序中进行整合或与本地数据收集应用程序进行交互，以收集患者数据。例如，一旦患者登录其账号时，则该本地数据收集应用程序可以作为后台进程在该患者的移动计算装置上启动，收集患者数据。特别地，块S110等收集该患者的移动计算装置产生的通信数据和/或本地通信应用使用数据，以识别该患者与其他个人利用电话、电子邮件、即时通讯、在线社交网络等进行互动和交流的方式和时间间隔(即具有什么样的频率)。

在一个实施中，块S110等收集电话相关的数据，包括打出的和/或接听的电话的数量、呼叫持续时间、电话开始和/或结束时间、呼叫之前、期间和/或之后患者的位置，和未接或忽略的呼叫的数量和次数。块S110等还可以收集短信(例如SMS测试消息)数据，包括发送和/或接收的信息的数量、信息长度、信息输入速度、效率和/或准确度、发送和/或接收的消息的时间，以及当接收和/或发送消息时患者的位置。块S110等可以在通过其他通信平台发送的文本信息上收集类似类型的数据，例如通过在线社交网络系统发送给患者联系人的公开的和/或私人的文本信息、通过网上排名和/或评论服务发送的产品、服务或业务的评论，和/或患者产生并传送到另一个个体和/或计算机网络的任何其他基于文本的通信。

块S110等还可以收集患者在与另一个个体和/或计算机网络(例如社交网络信息)通信(例如电话)之前、期间和/或之后(或未进行通信时)的位置数据，例如从患者的移动计算装置内的GPS传感器中检索GPS位置，通过三角测量当地发射塔的方式估计该患者的移动计算装置的位置，或在打电话期间识别地理定位的当地Wi-Fi热点等。块S110等可以应用该数据来跟踪患者行为特征，例如患者移动性、患者隔离的时段、患者的工作与生活(例如基于在具体位置所花费的时间的平衡)等。块S110等还可以收集在与另一个个体通信之前、期间和/或之后的患者位置数据，例如通过电话和/或通过计算机网络(例如利用社交网络信息)，并且将患者位置与患者通信(或其他)数据合并。块S110等可以因此跟踪患者在通信期间的移动性。块S110等可以附加地或可替代地在第一时段期间收集与患者联系的个人相关的数据等，例如在打电话期间个人的位置、电话号码、与患者联系的持续时间和/或类型、与患者或由患者规定的或从之前的患者通信中得到的患者联系人群体(例如最高联系人、配偶、家庭成员、朋友、同事、生意伙伴等)的关系等。

块S110、S120等可以进一步获得像屏幕解锁和移动应用使用这样的移动使用数据，例如从移动计算装置上的移动操作系统日志或任务管理器检索使用信息。这些方法的块因此可以通过在患者的移动计算装置上自动收集的数据来跟踪患者的活动和非活动的变化和时段，例如在患者极度活跃地使用装置或无法入睡时估计延长期。

在一个实施中，块S110等还收集或检索与患者身体活动或身体动作相关的数据(例如加速度计和陀螺仪数据)、当地环境数据、与患者营养或饮食相关的数据等，例如通过患者移动计算装置中的传感器记录的数据或通过与患者移动计算装置进行通信的穿戴式或其他外围设备记录的数据。例如，支持无线功能的体重计、血压传感器和脉冲剂量计传感器可以将患者的体重、血压和血氧水平传输至患者的移动计算装置，并且块S110可以将该数据添加到患者的账户，以进一步增加患者行为数据。

块S110随后可以将特定时段的电话、短信、电子邮件、社交网络和/或其他患者通信数据汇总成该患者在该特定时段的定性和/或定量的特征。该特征可以针对一天、一周、一个月、一天的时段(例如早晨、下午、傍晚、夜晚)、一天中的一个时间段(例如一小时)、一个具体的通信行为(例如单一的打电话、相同类型的一组通信行为(例如在两个小时的时间内的一组电话)、一段时间内的所有通信等)。例如，块S110可以生成频率、持续时间(即时长)、时间点(即开始和/或结束)的加权综合和在第一时段内通过在患者的移动计算装置上运行的电话应用所有发出的语音通信(例如打电话)和频率、时长和时间点和/或对传入的语音通信的响应时间(即接收时间)的联系多样性。块S110可以附加地或可替代地从在移动计算装置上运行的文本消息应用程序评估传入和/或发出的文本通信。块S110还可以对在第一时段期间打入和/或打出的电话两者的频率、持续时间和响应时间和到移动计算装置的文本通信进行定量评估，作为对应于第一时段的单个定性和/或定性的特征。块S120和/或块S140可以实施类似的方法，以分别得出第二时段和第三时段的特征。

块S112，S122等还可以基于语音通信、文本通信、移动应用程序活动使用率、位置数据等提取特征，这些数据信息可以基于基本数据的方差、熵或其他数学计算和概率计算，例如综合的活动分数、综合的社交分数、工作与生活平衡分数、生活质量分数等。

在一个示例中，块S110实施机器学习、数据挖掘和统计方法，以将患者通信数据处理成相关的患者通信行为特征(例如数据点)。块S110可以实施类似的技术，以同样对患者运动数据、当地环境数据和其他自动/被动收集的数据进行处理。

第二方法S200的块S240叙述了对于小组内的患者，基于患者在时段内使用在相应的移动计算装置上运行的本地通信应用，描述患者的通信行为特征。块S240可以因此实现与块S110，块S120等类似的功能，从通过与一名或多名患者相关的一个或多个移动计算装置上运行的一个或多个通信应用程序发起和/或终止的电话、短信、社交网络通信、电子邮件和/或其他通信，推断患者通信行为。在一个示例中，基于患者使用在相应移动计算装置上运行的本地通信应用，在发送给患者和/或相关护士、医生、保健提供者等的自动通知中规定的行动项开始之前和实施期间，块S240描述多名患者的通信行为的特征。在另一个示例中，基于患者使用在相应移动计算装置上运行的本地通信应用的情况，在类似治疗方案开始之前和在实施治疗方案期间，块S240描述多名患者的通信行为的特征。

第二方法的块S242(其叙述了基于后续患者使用在相应的移动计算装置上运行的本地通信应用的情况，对后续患者的通信行为进行表征)还可以实现这样的功能以对新的(即后续的)患者的通信行为进行表征。例如，块S242可以将新的患者的通信行为特征传递给块S282，块S282可以基于该新患者和一小组患者的通信行为来确定两者之间的相似性，并且根据确定的该相似性和该小组内与健康相关的通知的有效性，生成该新患者的与健康相关的通知。在另一个示例中，块S242将新患者的通信行为特征传递给块S282，其中块S282可以基于该新患者和一小组患者的通信行为来确定两者之间的相似性，并且根据确定的该相似性，基于该小组内的治疗方案的有效性来预测用于该新患者的治疗方案的有效性。

然而，块S110、S120、S140、S240、S242等可以通过任何其他方式来识别患者在一段时间内使用的本地通信应用和/或描述患者在一段时间内使用的本地通信应用的特征。

4.调查

第一方法S100的块S112叙述了接收来自患者的与第一时段对应的第一调查响应。块S122同样叙述了接收来自患者的第二时段内的第二调查响应。一般来讲，块S112等用于提示患者自己报告另外的与健康有关的数据，该数据可以在第一方法和/或第二方法S200中应用，以使患者通信数据符合要求，例如使患者方案依从性模型将患者通信与患者治疗依从性和/或患者症状表现形式联系起来。例如，块S112将调查传输给患者的移动计算装置，在该移动计算装置上运行的本地数据收集应用程序打开该调查并提示该患者输入相关数据，并且一旦调查完成，块S112从该移动计算装置接收该患者对该调查的响应。在该示例中，块S170可以用于从一个相应的调查中提取该患者的治疗响应。

块S112可以生成调查，包括提示输入疼痛级别(例如以具体的身体部位为基础)、症状表现形式(例如以具体的健康状况为基础)、对治疗方案的依从性(例如患者是否以及何时服用一定剂量的处方药)、治疗之后症状表现形式的变化、该患者总体“感觉”如何、治疗体验和相应的效果、情绪、睡眠质量或觉醒等。该调查还可以提示该患者提供与诊断的疾病或状况有关的信息，例如重度抑郁症、糖尿病或慢性阻塞性肺疾病。可替代地，块S112可以从该患者的医疗记录、病史或简档中检索相关的患者健康数据。在一个示例中，块S112可以从保健提供者或医疗保险公司使用的电子病历(EMR)系统(例如通过支持的应用程序编程接口(API))输入患者用药记录。

调查可以在预设的或患者选择的发送次数和/或频率下通过移动计算装置呈现给患者。例如，块S112可以在每天早晨9:00或每餐之后提示患者填写有两个问题的调查，包括患者是否服用处方药和其对减轻症状的治疗的总体满意度。或者，调查的呈现可以由确定的患者行为或症状变化来触发。在一个示例中，响应于实际的和预期的患者通信行为不一致时，例如患者的电话明显比基于过去的患者通信行为所预期的显著的多或显著的少，块S112可以将调查呈现触发给患者。在另一个示例中，在预定的时间和/或一旦经过了一段时间(例如72小时)后未发现患者的位置变化(例如该患者未离开其住所)和/或未发现该患者打电话时，块S112可以触发在应用程序中运行的疼痛调查的递送。

调查可以包括问答式的一种或其组合，例如多选题，每题有一个单一的答案选项，多选题，每题有多个答案选项、文本或数字的手动输入、滑动条(例如简单的数字或从一个范围选择级别)、图标动画选择(例如表示不同强度或症状的图标)等，如图1A中所示。例如，调查可以包括患者健康问卷(PHQ9)、WHO幸福指数(WH05)或一个问题的疼痛评分量表问题。

块S112可以附加地或可替代地生成针对与患者相关联的家庭成员、保健提供者、卫生组织等的提示。例如，块S112可以提示护士并向其收集调查响应，包括手动输入的患者症状和治疗数据。或者，块S112可以从患者的家庭成员的个人移动计算装置检索该信息。块S112同样可以提示与患者的治疗相关的药剂师或药理学家来将患者处方数据直接输入到调查中。或者，块S112可以从相关联的药房数据库中自动检索该数据。再或者，块S112可以从患者或相关保健提供者使用的第三方系统或装置(例如带有嵌入式传感器的网络驱动药片盒)收集患者治疗数据。

块S112还可以用于为参与者完成调查付报酬，例如现金、礼品卡、药房打折、医疗保险打折等，例如在应用第一方法和/或第二方法S200时，其中患者数据提供给药物研究人员以制定治疗方案。

在与移动计算装置进行通讯(例如通过网络连接)的计算机网络上，或以任何其他合适的方式，在本地数据采集应用程序中可以实施块S112。尽管块S112、块S122等可以以任何其他方式起作用来从患者收集对应于多个时段的调查响应，但块S122等可以实施类似技术或功能。

5.数据存储

第一方法和第二方法S100、S200可以将数据本地存储在患者的移动计算装置上和/或在计算机网络上的远程数据库中。例如，私人的与健康有关的患者数据可以以集成或可移动存储器的锁定和加密文件夹的形式暂时存储在患者的移动计算装置上。在该示例中，一旦建立了安全的网络连接，则该患者的数据可以被加密并上传至远程数据库。然而，患者数据可以通过任何其他合适的方式存储在任何其他的本地装置或远程数据库，并经由任何其他合适的通信和/或加密协议通过任何其它的连接在本地装置或远程数据库之间传输。

6.治疗依从性

第一方法S100的块S114叙述了基于第一次调查响应估计在第一时段内患者对治疗方案的第一依从性。第一方法S100的块S124同样叙述了基于第二次调查响应估计在第二时段患者的第二依从性。此外，第二方法S200的块S230叙述了对于小组内的患者，基于患者通过相应的移动计算装置输入的调查响应，估计患者在一段时间内对规定的治疗方案的依从性。一般来讲，块S114、S124、S230等用于从收集在块S112，S122等中的相应的调查响应中提取患者随时间推移对治疗方案的依从性。例如，调查可以包括明确询问患者是否、何时和以何剂量服用了药物治疗方案中规定的药物，和/或患者是否完成以及物理治疗疗程持续时间，并且块S114可以识别患者对提示的响应，将患者的响应与分配给患者在相应的时间段的治疗方案进行比较，并且因此确定该患者是否在相应时段实施了治疗方案和/或实施到何种程度。块S114随后可以将患者对治疗方案的依从性程度传递给块S116。块S124和块S230等可以实现类似的功能。

第一方法S100的块S116叙述了将本地通信应用软件使用的第一日志与治疗方案的第一依从性进行关联，并且块S126同样叙述了将本地通信应用软件使用的第一日志与治疗方案的第一依从性进行关联，并且块S126叙述了将本地通信应用软件使用的第二日志与治疗方案的第二依从性进行关联。一般来讲，块S116、块S126等用于限定患者对治疗方案的依从性的程度和该患者在相应时段的通信(即通信行为)的质量和/或数量之间的关系。

在一个实施中，块S116对从第一次调查得到的患者提供的治疗依从性数据进行表征，并将该治疗依从性特征描述与来自块S110的通信行为特征描述进行关联。在以后的时间里，当患者的通信行为模仿第一时段的通信行为时，第一方法S100可以因此预期在稍后的时间里的患者治疗依从性，以模仿第一时段期间的患者治疗行为。在一个示例中，块S116将第一时段期间来自电话应用的第一组发出语音通信使用的日志与患者对治疗方案的一致性进行关联，并且块S126将在电话应用中的第二组发出的语音通信的频率与患者对治疗方案的忽略进行关联，如图4中所示，其中第一组发出的语音通信使用的日志大于第二组发出的语音通信的频率。

块S116可以附加地或可替代地将治疗方案依从性和/或患者通信行为与患者健康状况(例如患者症状的表现形式)进行关联。在一个示例中，块S116利用患者通信行为(例如患者在一段时间内怎样何时与何人进行联系)从第一调查和患者症状的表现形式(例如患者感觉如何)提取患者症状水平。在该示例中，块S116可以确定一段时间对应最小程度的症状表现形式，在这段时间内，患者发送少量短信给大量联系人类型，并与有限数量的联系人进行长时间电话通话，并且块S126可以确定一段时间对应较高程度的症状表现形式，在这段时间内，患者发送少量短信给少量的唯一联系人，并与单个联系人进行简短的电话通话。在该示例中，块S116还可以在第一时段将细微的症状表现形式与一定程度的治疗依从性(例如患者适当地遵循了治疗依从性)进行关联，并且块S126还可以在第二时段将较高程度的症状表现程度与较低程度的治疗依从性(例如患者错过了治疗或服用不适当的剂量)进行关联。

第一方法S100可以重复块S110、S112、S114、S116等的元素，以生成患者随时间变化的一组通信行为-治疗依从性(和健康状况)特征，并且这些特征可以输入到块S130、块S160、块S144、块S150、块S172和/或块S180等中，以启用另外的功能。

第二方法的块S250(其叙述了将患者的通信行为和小组内的患者的健康状况进行关联)可以实现类似功能，以生成该小组患者的通信行为-治疗依从性(和健康状况)特征。例如，块S250可以将来自随着时间的变化(例如在治疗方案之前、期间和之后)表现出类似行为的各种患者的匿名通信数据与相应患者在相应时间的调查响应进行配对，以输出针对该小组的特征集合。块S250可以因此将该特征集合传递给块S280。块S280可以因此应用该特征集合，以识别在整个群体中通信行为、治疗依从性和症状表现形式之间的趋势或模式，并生成该小组相应的治疗方案模型，如下文所述。

7.小组

第一方法S100的块S160叙述了根据本地通信应用的使用的第一日志和小组共同的通信行为选择一小组患者群体。一般来讲，块S160用于在表现出的特征类似于(当前的、新的或后续的)患者特征的患者群体中识别一个或多个患者，使得第一方法S100后续的块可以应用已存在的通信行为数据、治疗依从性数据、健康状况数据等和该数据相应的特征描述、模式、模型等，以通知和/或改进对与患者健康有关的数据的处理。

在一个实施中，块S110在实施治疗方案之前对患者通信行为进行表征，并且块S160在实施类似的治疗方案之前，在表现出类似的通信行为的患者群体中选择一组其他的患者。块S160还可以基于诊断、疗法处方、年龄、性别、位置和/或其他人口统计信息、活动行为，在实施类似治疗计划之前选择和/或筛选患者群体和/或类似该患者情况的其他因素或变量。块S160还可以基于患者和患者群体中其他患者之间的类似治疗中的通信行为(和其他行为或变量)，在患者的治疗方案期间选择该组其他患者组和/或更新该组其他患者。

块S160可以因此接收患者和患者群体中其他患者的患者通信行为特征(例如从块S110和块S120接收)以识别该患者和该小组共同的通信行为。块S160还可以(例如在相关治疗方案之前和/或期间)基于治疗依从性数据和/或趋势和/或症状数据和/或该患者和该小组共同的趋势，选择与该患者有关的小组。类似地，基于该患者和该小组内其他患者共同的治疗依从性和通信数据之间已确定的关系，块S160可以选择该小组。

第二方法的块S210(其叙述了识别诊断出健康状况的患者群体)和块S220(其叙述了在表现出类似行为特征的群体中选择一组患者)可以实现类似功能，以识别患者群体中具有共性的一小组患者，例如一个或多个诊断结果、健康状况、症状、治疗方案、通信行为特征、治疗依从性特征等。例如块S210可以识别针对特定诊断出的健康状况规定治疗方案的患者群体，例如识别标有诊断出特定健康状况的匿名患者简档，并且块S220可以基于类似的通信行为，在块S220中实施治疗方案之前从患者群体中选择一小组患者。在块S220中选择小组之前和/或之后，块S230，S240和S250可以因此分析和操作与从小组中选择的患者相关的通信和/或调查数据(即分别估计治疗方案依从性，描述通信行为特征，和将患者的通信行为和健康状况进行关联)。然而，块S160，S210和S220可以通过任何其他方式从患者群体中选择一小组相关的患者。

8.行为特征引擎

第一方法和第二方法S100、S200的前述块中的任何一个或多个块可以实施行为特征引擎(BFE)，以在实施治疗方案之前、期间和/或之后对患者数据进行处理，并且然后将患者数据处理成有效模型。

BFE包括统计数据集合-在患者、状况和疾病状态之中变化的独特变量或“特征”的组合。可以因此应用BFE中限定的特征子集，以预测患者的健康状况，例如患者给定的通信行为和/或治疗依从性。这些方法可以从以上所述的数据收集应用程序收集原始患者数据，例如通过块S110、S112等，并且可以然后将该原始数据转换成统计特征，以创建BFE，例如在针对一小组患者的远程服务器或针对特定患者的本地移动计算装置上进行。

对于特定的患者，BFE可以从各种类型的数据或方式(例如电话、短信、即时信息)中的一种提取独立特征。例如，BFE可以合计患者通信数据，包括在特定的一天或在另一个段时间内拨打、接收、接起、未接等电话的总数，和发送、接收、忽略等文本(例如SMS文本)信息的总数，如图1A所示。根据该数据，BFE可以估计患者的关联平衡，例如通过计算一段时间内传入通信的(例如电话和短信)与总通信的比值，以及患者响应能力，例如通过基于在一段时间内患者未接听的一些电话或忽略的短信，计算在时间范围内一些“错过的”互动次数。

BFE还可以计算患者互动多样性，包括在一段时间内例如通过语音通信应用程序或短信应用与患者互动的个体总数。基于患者的移动计算装置(例如智能电话)的GPS定位数据，BFE还可以从患者定位数据中提取患者流动性，包括拨打特定电话期间或总的相应的时间段期间的总的患者移动的近似值，例如基于步行或骑车所行进的估计的距离(不包括乘汽车、火车等行进的距离)。BFE然后可以生成移动半径系数-限定了包围患者在一段时间内到过的位置的虚圆的近似半径-并且标记患者通信数据或将患者通信数据与该移动半径系数进行关联。

BFE还可以计算其他位置数据特征，例如在家花费的时间、工作花费的时间、家/工作/社交场所之间的过渡、延长的时间段在特定位置的独处、位置信息的不可预测性(即熵)等。BFE还可以实现移动电话使用，例如屏幕解锁和应用程序的使用，以计算汇总患者活动和非活动的变化和时间的特征，识别患者在装置上极度活跃的持续期，和/或确定睡眠类型。

BFE还可以处理其他类型的患者数据。例如，基于记录在患者移动计算装置或穿戴式装置上的运动传感器(例如加速度计)数据，BFE可以估计患者在该时段内从事的身体活动量，如图1B所示。在该示例中，BFE还可以实现机器学习(例如特征提取或模式匹配)以将运动数据与特定类型的动作进行关联，例如散步、打网球或进餐。然后，BFE可以将通信数据(例如时间和类型)与活动数据进行关联，例如患者在活动期间拨打电话所花费的时间、活动集合或包括一项或多项特定活动的时段。然而，BFE可以处理、操作和/或汇总任何其他类型的患者数据，例如如以上所述收集的数据中的任何数据。

BFE可以将患者行为进行划分，以能够识别患者行为模式。例如，BFE可以根据任何适用的时段或时间范围来划分患者数据，例如一整天、预设的小时数、白天和夜间、工作日和周末、几个月等，并且因此推断每小时、每天、每周或其他时间依赖的行为模式。BFE同样可以按照患者位置(例如家庭、办公室等)来划分患者行为数据，并且因此识别与位置相关的患者行为模式。

在BFE内进行的患者数据特征提取可以由预定义的度量指标触发，例如特定患者随时间变化的差异性、聚集性、熵，或百分比变化，并且BFE可以按照时间、患者、患者小组等对这样的特征进行分组。特征可以存储成独立的特征或当行为变化时，存储成通过比较不同时间(或整组或与基准特征比较)的两个或多个单独的特征得到的特征。BFE可以然后从这些特征中提取患者或一小组患者的依赖时间的行为模式。例如，BFE可以识别和测得整个治疗过程(包括实施治疗(例如药物治疗、物理治疗等)之前、期间和/或之后)患者行为统计上显著的变化情况。

BFE还可以生成基本患者行为特征的比较表示。例如，针对随时间变化收集的患者数据所表明的患者基准(即典型的或正常的)行为、历史患者行为数据(例如在一周的一天或几天类似的时间)、专家、医疗保健专业人士、文献、以往的研究提出的预期或健康行为，和/或在表现出的行为类似于该患者行为的患者群体或患者小组中观测到的普通或常见行为中的任何一种或多种，BFE可以比较具体时段的患者行为特征值。BFE可以输出以差异、比值、百分比等形式的这样的比较表示，并且可以将该表示处理为离散特征。

9.预测建模引擎

第一方法和第二方法S100、S200的块S130、S280、S284叙述了基于一名或多名患者的通信和调查数据生成模型。一般来讲，第一方法和第二方法S100、S200的块可以结合预测建模引擎(PME)来实施BFE，以生成针对患者、患者小组和/或治疗的模型。

一般来讲，PME用于识别和测得在整个变化的症状表现形式的时段或在整个治疗过程中(包括实施治疗(例如药物治疗、物理治疗等)之前、期间和/或之后)患者行为统计上显著的变化，以相应地生成(患者级别或小组级别的)预测模型，并且随时间推移用附加的患者数据来训练预测模型。PME可以识别患者行为、症状、治疗依从性和在BFE中提取的其他特征之间的相关性，以将大量患者数据转变成预测模型，该预测模型限定了这些观测到的患者数据和通过一次或多次治疗(即疗法)后患者症状的相关疗效、缓解、消除、和/或健康状况、患者健康、生活质量和/或患者总体健康之间的联系。

PME可以因此实施患者通信数据，以根据与患者相关的很多数据构建患者行为模型，例如包括一段时间(例如一天、一周)的总电话时长、工作日和周末(或白天和夜间)打电话所用时间的比例、与患者通信的唯一联系人的数量和在基准时段内患者与某些联系人通信的百分比变化。PME还可以相对于基础特征将这样的特征与患者治疗依从性、症状表现形式和健康状况发展进行关联，以生成针对整体性患者或小组的治疗模型。

在一个示例中，PME生成模型，其包括获得的患者健康状况和在BFE中通过识别和测定个体患者或整个患者群体小组以增强的患者症状为特征的日子期间和以相对正常患者症状为特征的日子期间的行为的统计学上的显著变化而提取的患者行为特征之间的联系。在该示例中，PME可以识别低患者活动和加强的症状之间的相关性，并且相应地生成预测模型。与可替代的治疗方案对比，此类数据可以应用于特定的患者、患者小组和/或患者群体，量化治疗如何有效使患者更加活跃和返回正常工作生活平衡。在另一个示例中，PME分析双相患者的行为数据，以将患者行为与患者症状进行关联。在该示例中，PME和BFE可以配合以识别患者基本通信行为，并且将该行为与患者正常的状态关联，识别低患者活动和单独的通信行为的时间，并将这段时间与抑郁发作关联，并且识别患者极度活跃、很长的工作时间和很高的社交程度的时段，并将该识别时段与躁狂发作关联。PME可以因此生成将患者行为与正常状态、躁狂状态和抑郁状态联系起来的患者专用模型。PME可以因此调控患者活动或行为、工作、工作与生活平衡、生产能力、压力和焦虑、保健和健康、治疗结果(例如患者自己报告或护理者、家庭成员、提供者、雇主等输入)等方面的变化，以识别患者行为和患者健康之间的相关性，并基于行为变化、治疗依从性、症状表现形式和/或治疗结果模式来构建预测模型。

如上所述，PME可以实施机器学习、数据挖掘和/或统计方法，以生成针对于患者、患者小组或患者群体的一个或多个模型。特别的是，PME可以采用统计方法，通过分配、关联、假设检验等，根据临床见解和特定领域的直觉(例如来自医生、护士、药剂师等)，通过对在BFE中提取的原始特征进行配对，以通知对基础的患者行为数据的理解。PME可以采用特征选择方法来确定最具有预测力的特征子集。例如，PME可以实施基于相关的特征选择(CFS)、最小冗余最大相关(mRMR)、Relief-F、对称不确定性、信息增益或其他统计方法和统计拟合技术，以选择从BFE输出的一组特征。PME还可以实施支持向量机、集成学习(例如boosting算法、随机森林算法)、逻辑回归、贝叶斯学习(例如其中结果变量是预定义的等级或种类)或其他机器学习技术，以预测患者行为、症状、治疗结果等。在某些情况下，额外的复杂性可以被添加到该过程中。例如，当种类或等级之间的数据的分配不相等时，例如当感兴趣的症状是抑郁时(小于患者研究的总天数的10％时，在患者体内是可察觉的)，PME可以实施代价敏感学习和抽样方法。

在一种实施中，PME采用回归法和广义线性模型用于模型输出，其中包括了连续值，例如症状严重程度的预测。在另一个实施中，PME采用支持向量机(SVM)分类方法用于模型输出，其中包括了离散值，例如针对患者健康风险的预测。在另一个实施中，PME采用群集技术用于模型输出，其中包括一组未定义的集群，例如基于质心的、基于密度的、基于连通性的和/或基于分布的方法，以根据患者行为来定义集群，如图5中所示。例如，PME可以采用群集技术用于模型输出，其用类似的症状或行为一起指定了一组患者。PME可以采用类似的技术来检测收集的数据在异常情况下的异常和/或异常值，例如对治疗无反应或表现出不是多数患者群体典型特征的不利影响的群体中的患者。PME还可以通过使线与收集的数据或特征拟合来训练线性模型，并且PME可以通过最大期望算法来训练贝叶斯网络分类模型和/或高斯混合分类模型。

PME可以附加地或可替代地利用患者群体对患者小组建模。在一个实施中，PME识别与群体中的一小组患者在某种程度上存在相似性、与群体中的另一小组患者在某种程度上存在差异(例如涉及一种或多种行为)的一小组(即一小群)患者。例如，对于特定的治疗，PME可以选择在治疗期间变得较活跃的第一组患者和在治疗期间显示不明显的行为改变的第二组患者(不包括第一组患者)。在该示例中，PME还可以将不同的干预触发因素、提醒类型、通知触发因素等分配给第一小组和第二小组中每组。PME可以因此应用从患者群体被动收集的行为数据，以识别群体中相关患者集群，如图5中所示。

如上所述，PME可以生成模型，其输出预测的患者治疗依从性、患者症状表现形式、疗效、患者对治疗的反应等。然而，PME可以生成模型，其附加地或可替代地包含或输出交由或再次交由相关保健提供者护理的风险、将进行急诊的风险、临床症状退化风险等中的一种或多种。通过PME生成的模型可以因此支持或允许对较高风险患者进行早期检测，对患者住院或症状复发进行预测，和进行及时的患者干预以及发送信息，以改善或改变患者行为。

PME还可以随时间推移训练或更新模型，例如当来自特定患者的新数据或来自患者小组的匿名数据变得可用时。例如，响应于接收来自患者的反馈，PME可以验证针对特定患者的先前的预测结果模型。或者，基于新的患者反馈，PME将患者与可替代的小组关联，并选择该患者的可替代的模型。

10.健康风险识别

方法的第二方法S200的块S232叙述了识别小组内患者的通信行为、小组内患者的医学症状特征和用于小组内患者的治疗方案之间的关系。第二方法S200的块S280叙述了基于该关系生成小组健康风险模型，该健康风险模型限定了通信行为变化和医学症状变化风险之间的相关性。

在第一方法的该实施中，单个患者可以被诊断或在一定条件下处于危险中，并且第一方法的块可以因此基于相应小组患者主动提供的调查结果和/或适用的健康风险模型来估计患者的症状严重程度、健康状况或健康风险变化。一般来讲，第一方法S100可以应用在第二方法S200中生成的健康风险模型，以预测个体患者的健康风险。特别的是，第一方法的块S162可以检索与小组相关的健康风险模型(并限定了小组内患者的医学症状变化风险和通信行为之间的相关性)，并且块S172基于本地通信应用的使用的日志和健康风险模型可以预测患者的医学症状变化风险。

这些方法的块可以因此从这些方法的相应块(例如块S112、S122等)收集的相应调查响应中提取随时间变化的患者症状严重程度或健康状况。例如，传送给患者的调查可以包括明确询问是否和何时出现症状以及症状表现严重程度，并且块S114可以分析患者对调查的响应，以确定在相应时段患者症状是否出现和/或达到何种程度。块S114随后可以将症状严重程度等级传递给块S116。块S124、块S230等可以实现类似功能以传递和评估患者调查。

块S116(和块S126等)随后可以限定症状严重程度等级或健康状况和患者在相应时段的通信(即通信行为、位置行为和/或电话使用行为)的质量和/或数量之间的关系。块S116然后可以将该关系传递给块S172，以预测患者和/或相应小组中其他患者的症状严重性或健康状况。

在一个实施中，块S116对从第一次调查得到的患者提供的症状严重程度和健康状况数据进行表征，并将该特征描述与来自块S110的通信行为特征描述进行关联。在以后的时间里，当患者的通信行为模仿第一时段的通信行为时，第一方法S100可以因此预期在稍后的时间里的患者症状严重程度和健康状况，以模仿相应时段内患者的治疗行为。在一个示例中，块S116将在第一时段来自电话应用的第一组发出的语音通信的频率与患者高的症状严重程度进行关联，并且块S126将来自电话应用的第二组发出的语音通信的频率与患者低的症状严重程度进行关联，其中第一组发出的语音通信的频率大于第二组发出的语音通信的频率。

块S116可以附加地或可替代地将患者症状严重程度或健康状况和/或患者通信行为与医疗服务利用率的变化(例如再次入院或去医院的次数增加)进行关联。在一个示例中，块S116利用患者通信行为(例如患者在一段时间内何时以何种方式与何人进行联系)根据第一次调查和患者症状的表现形式(例如患者感觉如何)提取患者症状严重程度。在该示例中，块S116可以确定一段时间对应低的症状严重程度，在这段时间内，患者发送少量文本信息大量联系人类型，并与有限数量的联系人进行长时间电话通话，并且块S126可以确定一段时间对应高的症状严重程度，在这段时间内，患者发送少量短信给少量的唯一联系人，并与单个联系人进行简短的电话通话。在该示例中，块S116还可以在第一时段将低的症状严重程度与一定量的或模式的医疗服务的利用率(例如除了定期检查以外，对于其他事患者不必看医生)进行关联，并且块S126还可以在第二时段将高的症状严重程度与提高的医疗服务利用率(例如除了定期检查以外，患者不得不多次看医生)进行关联。

第一方法S100可以重复块S110、S112、S114、S116等的要素，以生成患者随时间变化的一组通信行为-症状严重性(和健康状况)特征，并且这些特征可以输入到块S130、块S160、块S162、块S144、块S150、块S172和/或块S180等中，以启用另外的功能。

第二方法S200的块S232(其叙述了识别小组内患者的通信行为、小组内患者的医学症状特征和实施到小组内患者的治疗方案之间的关系)可以实现类似功能，以生成该小组患者内的通信行为-症状严重程度(和健康状况)特征。例如，块S232可以将随着时间的变化表现出类似行为(例如当呈现出低或高的症状严重程度时)的各种患者的匿名通信数据与相应患者在相应时间的调查响应进行配对，以输出针对该小组的特征集合。块S232可以因此将该特征集合传递给块S280。

在一个实施中，块S280应用该特征集合，以识别在整个群体中通信行为、症状严重程度和医疗服务利用率之间的趋势或模式，并生成该小组相应的干预计划，如下文所述。

11.健康风险模型

如上所述，第一方法和第二方法S100、S200的块可以应用PME来生成针对患者和/或小组的模型。

特别的是，块S叙述了生成健康风险模型，其包括本地通信应用的使用的第一日志(例如频率)、本地通信应用的使用的第二日志、第一症状严重程度或健康状况和第二症状严重程度或健康状况，该块可以应用PME来生成将患者通信行为和健康风险(例如症状严重程度、复发风险、再次入院的风险、健康状况等)联系起来的模型。例如，块S130可以应用BFE来确定较低通信量的周期通常跟随其中患者与高症状严重程度相关的时段，并且以患者活动程度相对较高为特征的时段对应于低症状严重程度。在该示例中，块S130可以然后实施PME来生成针对患者的相应模型。块S130随后可以将该模型传递给块S144，基于随后时间里的患者行为来估计随后时间里随后的患者健康风险。特别的是，在该示例中，块S144可以确定，如果患者的行为(例如通信行为和/或活动程度)基本匹配与症状严重程度(由健康风险模型限定)相关的所记录的患者行为，则患者处于症状严重程度增加的高风险中。

可以检索与小组相关的健康风险模型的块S162可以基于在块S160中对小组的选择，来选择由PME生成并且与患者小组相关的预先存在的健康风险(或风险识别)模型。块S144同样可以用于将后续的患者行为数据传递给健康风险模型，以预测随后的患者风险程度，以呈现严重程度大于阈值严重程度的症状。在第一方法的该变型中，块S172可以附加地或可替代地预测症状严重程度较高或健康状况变化或疾病恶化的短期和/或长期患者风险，例如，基于患者一段时间的通信行为的变化。例如，如果患者的总通信量在某一段时间内增加，并且该通信量的增加对于小组内的患者(其显示症状严重程度降低，如健康风险模型所定义的)来说是常见的，则块S172可以预测患者的症状严重程度将出现类似降低。

然而，块S130和块S160可以分别用于通过任何其他方式生成和检索预测模型，该预测模型限定了随时间变化的症状严重程度或健康状况和患者通信行为之间的关系。

根据患者症状严重程度或健康状况变化之间的比较，块S172还可以估计患者干预(例如护士扩大服务范围、医患沟通、通过患者的移动计算装置传送的健康自动提示)在改善患者健康状况方面的功效。块S172可以因此实施BFE和/或PME的要素，以预测患者干预的结果。例如，块S172可以识别患者的通信行为模式，将该通信行为模式与干预结果相关联，并且然后将干预(例如基于患者输入的各种调查响应中记录的症状表现形式)和医疗服务利用率的变化进行比较。在该示例中，如果患者接受了相关干预，但是显示症状恶化或未发生改变，则块S172可以估计干预在治疗患者状况时的疗效很低。此外，在该示例中，块S172可以将患者和一小组患者的现有健康状况数据和/或健康风险模型进行比较，以确定即使实施了干预，对于患者经诊断的健康状况和/或类似患者(即小组内的患者)来说，症状恶化是否是常见的或预料到的。块S172可以因此相应地预测干预的功效。

第二方法S200的块S260同样叙述了基于对小组内患者实施的干预来估计干预在改善小组内患者的健康状况方面的功效。一般来讲，块S260实施与块S172类似的技术，以应用BFE和/或PME的要素来预测患者群体内该小组患者的干预结果。例如，对于所选小组内的患者，块S260可以识别从对患者进行干预之前到实施干预期间和之后，患者使用本地通信应用次数增多的情况，将患者使用本地通信应用次数增多的情况与患者健康状况的改善进行关联，并且将患者健康状况的改善与改善小组内患者的健康状况的干预功效进行关联。在该示例中，块S260可以应用小组内患者的调查响应和通信行为以及小组内患者共同的已知的健康状况，以预测护士扩大服务项目在小组内患者的心理健康问题方面提供支持的效果。附加地或可替代地，块S260可以实施此类患者数据来估计健康提示项目在改善小组内糖尿病患者的健康相关行为方面的功效。

在一个实施中，块S172和块S260分别输出患者和患者小组的干预效果的定量值。例如，块S172可以输出80％的预测的干预效果，表明五分之四的类似患者显示了症状严重程度降低或健康状况改善。如在该示例中，块S172还可以附加地输出表明干预方案的统计置信度的置信区间，该置信区间可以取决于与干预效果模型相关的患者小组的规模，其中该干预效果模型用于估计针对该患者的疗效，或者该置信区间可以取决于预测准确度和/或患者通信和调查响应数据的有效性，如图1A和1C中所示。

或者，块S172和块S260输出干预功效的二进制指示符。例如，如果预测的干预效果降到阈值以下，例如低于70％预测改善率，则块S172和/或块S260可以输出干预效果的负指示符。响应于负的预测干预效果，块S172可以提示块S180自动触发通知给保健提供者，建议不同的干预计划可能更好服务患者。如果关于以往干预成功的数据可用，修改治疗方案或提示保健提供者为患者修改现有治疗方案或为患者制定新的治疗方案，如下文所述。同样，响应于负的预测疗效，块S260可以提示块S284去实施类似功能，以自动修改或提示手动修改小组患者的治疗方案。

如图1C中所示，第一方法S100的变型包括块S180，该变型叙述了根据干预方案功效生成更新的干预方案。一般来讲，块S180用于基于块S172中的干预功效预测输出结果去修改干预计划。在一个示例中，如果患者的症状随时间恶化，尽管实施了相关干预，当预期改善时，块S180可以提示医生、药理学家等制定可替代的干预计划。

如图2B中所示，第二方法S200的一个变型的块S284同样叙述了根据块S260中预测的干预功效来更新小组内患者的干预方案和当前规定的干预方案。

在块S284的一个实施中，在诊断医疗状况之后和实施干预计划之前，第二方法S200描述患者通信行为的特征，应用该特征的通信行为，在实施干预计划之前选择具有类似诊断结果和通信行为的一小组患者，并且基于针对患者所预测的干预功效为患者选择干预计划，其中预测的干预功效是根据所选小组内的实际干预效果(和/或如上所述的小组的相应干预效果模型)得到的。块S284可以用于将新的患者与一小组当前的和/或先前的患者进行配对，并相应地为新的患者自动制定干预方案。

12.依从性模型

如上所述，第一方法和第二方法S100，S200的块可以实施PME来生成针对患者和/或小组特定的模型。

特别的是，块S130(其叙述了生成包括本地通信应用的使用的第一日志、本地通信应用的使用的第二日志、第一依从性和第二依从性的患者方案依从性模型)可以实施PME来生成将患者通信行为和治疗依从性联系起来的模型。例如，块S130可以实施BFE来确定通信量较低的时段通常是其中患者脱离规定的治疗方案的时段，并且以相对高的患者活动程度为特征的时段对应于对治疗方案的合适的依从性。在该示例中，块S130可以然后实施PME来生成针对患者的相应模型。块S130随后可以将该模型传递给块S144，基于随后时间里的患者行为来估计随后时间里后续患者的治疗依从性。特别是，在该示例中，块S144可以确定，如果患者的行为(例如通信行为和/或活动程度)基本匹配与治疗依从性(顺从性)(如由患者治疗依从性模型限定)相关的所记录的患者行为，则患者已经有效地顺应了其规定的治疗计划，并且块S144可以确定，当患者的行为基本匹配与治疗依从性忽视相关的所记录的患者行为时，患者未适当地顺应其规定的治疗计划。

在该上述实施中，块S144(叙述了基于患者方案依从性模型和本地通信应用的使用的第三日志来估计第三时段内的第三依从性)用于将随后第三时段的数据传递给在块S130中生成的依从性模型，以预测在第三时段期间患者对治疗方案的依从性。块S144可以附加地或可替代地估计患者对最近实施治疗计划的反应，例如基于治疗依从性模型的患者响应组件。

或者，检索与小组相关联的方案依从性模型的块S162可以基于在块S160中对小组的选择，来选择由PME生成并且与患者小组相关的预先存在的治疗依从性模型。块S144同样可以用于将随后的患者行为数据传递给方案依从性模型，以预测后续患者对规定的治疗的依从性水平。在第一方法的该变型中，块S172可以附加地或可替代地预测患者对治疗的短期和/或长期反应，例如基于在开始实施治疗计划不久之后的患者的通信行为的变化。例如，如果患者的总通信量在开始实施治疗方案不久之后在特定情况下增加，并且通信量的增加对于小组内积极响应治疗方案(如在方案依从性模型中限定的)的患者来说是常见的，则块S172可以预测患者将表现出对治疗方案类似的积极响应。块S172同样可以基于小组内其他患者的数据和方案依从性模型来预测患者对治疗方案的满意度。

然而，块S130和块S160可以分别通过任何其他方式生成和检索预测模型，该预测模型限定了随时间变化的治疗方案依从性和患者通信行为之间的关系。

13.治疗方案模型

如图2B中所示，第二方法S200的一个变型包括块S280，该块S280叙述了生成小组的治疗方案模型，该治疗方案模型限定了小组内患者的通信行为、治疗响应和治疗方案结果之间的相关性。一般来讲，块S280可以实施PME以生成将小组患者的行为和治疗结果关联起来的模型。在一个示例中，块S242可以应用后续患者的行为数据，使后续患者与小组匹配，并且块S282可以将后续患者的行为数据输入到相应治疗方案模型中，以在实施治疗方案之后生成后续患者的预期的治疗方案结果，如图2B中所示。块S282同样可以基于治疗方案模型预测后续患者的健康状况复发风险，例如基于包括复发风险输出组件的治疗方案模型。

在一个实施中，块S280应用PME，基于小组内患者在一段时间内对治疗方案的依从性、通信行为和调查响应，生成该小组的治疗方案模型。例如，通过识别实施治疗方案期间的通信行为模式并且将通信行为模式与小组内患者的治疗响应进行关联，块S280可以实施PME以生成该小组的治疗方案模型。在该具体实施中，块S282可以将后续患者对治疗方案的依从性、通信行为和调查响应中的任何一种或多种输入到治疗方案模型中，以输出相关治疗对后续患者的预期效果，例如在向后续患者实施治疗计划期间的特定时间段内的预期效果。

然而，块S280可以通过任何其他方式起作用以生成预测模型，该预测模型限定了随时间变化的患者的治疗结果和患者通信行为之间的关系。

14.治疗功效模型

叙述了根据患者的治疗响应和对治疗方案的依从性之间的比较来估计治疗方案对治疗患者健康状况的功效的块S172，用于实施BFE和/或PME要素来预测患者治疗方案的结果。例如，块S172可以识别患者的通信行为模式，将该通信行为模式与治疗依从性模式进行关联，并且然后将治疗依从性模式与患者治疗响应趋势进行比较(例如，基于患者输入的各种调查响应中记录的症状表现形式)。在该示例中，如果患者表现出很强的治疗依从性但是症状变得恶化，则块S172可以估计治疗患者状况的疗效很低。此外，在该示例中，块S172可以将患者与一小组患者的现有健康状况数据和/或治疗结果模型进行比较，以确定尽管很强的治疗依从性对于患者经诊断的健康状况和/或类似患者(即小组内的患者)来说是常见的或预料到的，但是是否恶化症状。块S172可以因此相应地预测治疗的功效。

第二方法S200的块S260同样叙述了基于小组内患者对规定的治疗方案的依从性和健康状况来估计治疗方案在治疗小组内患者的健康状况方面的功效。一般来讲，块S260实施与块S172类似的技术，以应用BFE和/或PME的要素来预测用于患者群体内患者小组的治疗方案的结果。例如，对于所选小组内的患者，块S260可以识别从对患者实施治疗方案之前到实施治疗方案期间，患者使用本地通信应用次数增多的情况，将患者使用本地通信应用次数增多的情况与患者健康状况的改善(例如健康改善、症状减轻)进行关联，并且将患者健康状况的改善与治疗小组内患者的健康状况的治疗功效进行关联。在该示例中，块S260可以应用小组内患者的调查响应和通信行为以及小组内患者共同的已知的健康状况，以预测物理治疗方案在治疗小组内患者的生理缺陷方面的功效。附加地或可替代地，块S260可以应用此类患者数据来估计药物治疗方案在治疗小组内患者精神失常方面的功效。

在一个实施中，块S172和块S260分别从患者和患者小组的一定范围或连续的疗效的治疗值中输出定量值。例如，块S172可以输出80％的预测疗效，表明五分之四的类似患者在相应的治疗方案之后从诊断的状况中康复。如在该示例中，块S172还可以附加地输出表明预测治疗方案的统计置信度的置信区间，该置信区间可以取决于与治疗功效模型相关的患者小组的规模，其中该治疗功效模型用于估计针对患者的疗效，或者该置信区间可以取决于预测准确度和/或患者通信和调查响应数据的有效性，如图1A和1C中所示。

或者，块S172和块S260输出疗效的二进制指示符。例如，如果预测的疗效降到阈值功效以下，例如低于70％预测成功率，则块S172和/或块S260可以输出疗效的负指示符。响应于负的预测疗效，块S172可以提示块S180自动触发对治疗方案的修改或提示保健提供者修改现有治疗方案或为患者制定新的治疗方案，如下文所述。同样，响应于负的预测疗效，块S260可以提示块S284实施类似功能，以自动修改或提示手动修改小组患者的治疗方案。

如图1C中所示，第一方法S100的一种变型包括块S180，其叙述了根据治疗方案功效生成更新的治疗方案。一般来讲，块S180基于块S172中的疗效预测输出结果修改治疗处方。在一个示例中，如果当药物剂量被患者(或护理者等)忽略或无意地减少时，患者呈现改善的症状，则块S180可以通过修改在患者治疗方案中规定的处方药物剂量对此类改善的症状做出响应，如图1C中所示。在另一个示例中，如果当期望改善时，尽管患者对治疗计划有很强的适应性，但是患者症状随时间变化而恶化，则块S180可以取消当前的治疗计划并且自动制定可替代的治疗计划或提示医生、药理学家等制定可替代的治疗计划。

如图2B中所示，第二方法S200的一种变型的块S284同样叙述了根据块S260中预测的疗效，来更新小组内患者的治疗方案和当前规定的治疗方案。

在块S284的一个实施中，在诊断医疗状况之后和实施治疗计划之前，第二方法S200描述患者通信行为的特征，应用该所述特征的通信行为，在实施治疗计划之前选择具有类似诊断结果和通信行为的一小组患者，并且基于患者的预测的疗效为患者选择治疗计划，其中预测的疗效是根据所选小组内的实际疗效(和/或如上所述的小组的相应治疗功效模型)得到的。例如，块S282可以基于预测的用于患者的治疗方案结果来为患者开出定制的药物和定制的剂量，例如通过将不同的药物和/或剂量传递给小组方案结果模型并选择产生最高预测疗效的特定药物和/或剂量。因此，块S284可以用于将新的患者与一小组当前的和/或先前的患者进行配对，并相应地为新的患者自动制定治疗方案。

15.通知

第一方法S100的块S150叙述了基于第三依从性通过移动计算装置提出治疗相关的通知。一般来讲，块S150用于通过患者的移动计算装置生成并向患者呈现通知，以在实施治疗计划期间为患者提供指导，例如以提醒信息的形式执行特定任务(如图1A所示)，建议或实施行为变化，为行为提供阳性强化，提供行为见解或分享患者症状和/或行为时间线。例如，一旦块S144识别了有一段时间是低治疗依从性或忽略治疗的情况，则块S150可以生成包括了服用处方药提醒信息的通知，并将该提醒信息传送到患者的移动计算装置上，其中在移动计算装置上运行的本地应用显示通知，例如以弹出式通知的形式。块S150可以将通知传送到移动计算装置上，以在规定的治疗实施时间显示，例如在上午9点和下午5点，剂量倍数由医生规定，在估计患者忽略治疗计划之后的那天。或者，响应于患者活动、不活动、行为或行为变化，块S150基本上可以实时地将通知传送到患者的移动计算装置上。例如，块S150可以生成叙述了“一切都好吧？”的通知，并将该通知传送给患者，作为对检测到患者行为模式突然变化(例如患者每个上午9点都给同一个家庭成员打电话，但是如今上午9:15过去了却没有拨打或接听电话)的响应。

块S150还可以将另外的患者信息包含在通知中。例如，块S150可以生成规定患者药物剂量的通知，例如包括某种类型(或大小、形状、颜色等)的药丸的数量。在该示例中，基于更新的治疗方案，例如块S180中的输出，该通知可以包含剂量信息。块S150可以附加地或可替代地生成通知，在通知中包括以往的患者数据，数据表明了如果患者依从治疗方案的预期结果和/或如果患者忽视治疗方案的预期结果，例如基于患者或小组治疗依从性模型。

块S150可以生成包括提示的通知，该提示请求确认患者实施了该通知中指定的行动项(例如患者服用了其处方药)。例如，该通知可以告知“服药时间到了”并且包括写有“收到！”和“稍后提醒我”的输入区域，如图1A中所示。块S150随后可以将“收到！”这一选择情况传回到患者的治疗依从性模型中，作为患者对治疗计划的依从性，并且块S150可以将“稍后提醒我”这一选择情况传回到治疗依从性模型中，作为患者对治疗计划的忽略或延迟，如图3中所示。

块S150可以附加地或可替代地与保健提供者(例如护士或医生(例如通过在相应计算装置上运行的保健提供者界面))进行交流，以生成定制的通知。例如，块S150可以传输或与保健提供者分享患者信息，其包括健康状况、治疗方案、实际的和估计的患者依从性、调查响应和/或实际的和估计的患者的治疗响应数据，并且指导保健提供者确定患者的问题或需求。块S150可以然后收到来自保健提供者关于从可用的和/或适用的默认通知的预填充列表中选择默认通知的情况。或者，块S150可以提示保健提供者输入患者的基于定制的文本和/或图像(例如信息图)的通知，并且然后将通知回传给患者。在一个示例中，基于与所选小组相关的(例如在所选小组中诊断的)特殊疾病相关联症状的严重程度增加的风险，块S172预测患者的医学症状变化风险，并且如果患者的医学症状变化风险超过特殊疾病特定的阈值风险，例如诊断有糖尿病的患者在不久的将来其症状严重程度系统性地增加的概率为70％，和诊断有ADHD的患者在不久的将来其症状严重程度系统性地增加的概率为88％，则块S150将通知传送给保健提供者。

除了生成患者的提醒(例如以顺从治疗计划)以外，块S150还可以附加地或可替代地生成通知，以提示或提醒患者完成调查、安排时间去见医生或保健提供者，参加预定的与健康相关的就诊等。然而，块S150可以生成通知，该通知包括任何其他信息并且以任何其他合适的方式或通过任何其他合适的介质呈现给患者。

16.服务

第一方法和第二方法S100、S200可以分别用于向与患者和与一小组患者相关的保健提供者提供一种或多种服务。在一个实施中，第一方法和第二方法S100、S200通过授权向患者提供成本较低的治疗和/或疗法来交换反馈，为疾病管理计划提供支持，其中第一方法和第二方法S100、S200收集如上所述的患者反馈。在该实施中，第一方法S100可以支持工具和一种或多种移动应用程序(即移动计算装置的本地应用)，以启用较好的患者主导的状况管理，并降低症状恶化，而第二方法S200可以从整个小组的患者数据中汇聚并提取有价值的信息，以由保健提供者为疾病管理计划提供支持。例如，第二方法S200可以管理或向保健提供者提供分析得到的数据，以管理患有慢性病的群体，例如通过收集临床环境以外的患者数据，并且生成报告和/或模型，为高风险患者分类提供帮助，而第一方法100连同第二方法S200可以支持通信平台或网络，以使从保健提供者到患者能够更有效地延伸。

在一个示例中，第一方法S100访问第二名患者在第二移动计算装置上运行的本地通信应用的使用的第二日志，并基于该本地通信应用的使用的第二日志和健康风险模型来预测第二名患者的医学症状变化的第二风险，而块S150根据患者的医学症状变化风险和第二名患者的医学症状变化的第二风险，将评分的患者分类列表传送给保健提供者(例如护士、医院、诊所等)。在另一个示例中，块S150将通知传送给保健提供者，通知包括提示保健提供者安排时间看望特定的患者。

第一方法和第二方法S100、S200可以因此进行定向患者干预，以改善患者健康和减少医疗服务利用率(例如医疗服务成本、急诊室就诊、对药物的依赖等)。例如，第一方法和第二方法S100、S200可以生成并实施模型来识别健康状况每况愈下、医疗服务利用率增加和较高的再次入院率的高风险患者。一旦识别出此类患者，第一方法和第二方法S100、S200可以提示保健提供者进行干预，从而开始定向护理干预，以改善患者的健康和福祉。

第一方法和第二方法S100、S200可以附加地或可替代地根据群体水平的数据推断出深刻的见解，以指导保健提供者在实践中不断完善，从而指导保健提供者改善患者结果。例如，第二方法S200可以检测群体中表现出类似行为和结果模式的患者集群，识别显示了明显不同的再入院率的两个患者集群，识别整个两个集群中不同的治疗实践，并因此基于这两个患者集群的再入院率和治疗实践来指导保健提供者设计治疗实践。

特别是，第一方法和第二方法S100、S200的各种块以各种方式与保健提供者进行交流。

如上所述，块S172可以将患者的治疗方案的预测(例如估计的)功效传送给与该患者相关的保健提供者。例如，如果预测的治疗功效降到患者健康状况的阈值功效以下，则块S172可以向患者医疗档案中注释的或记录的作为患者特定健康状况的治疗管理人员的医生、护士或其他保健提供者发出警告或其他通知。在一个实施中，块S172通过保健提供者私人账户将警告发送给相应的保健提供者，其中该私人账户可以通过提供者专用的界面(例如在线医疗服务仪表板)访问，例如登录到保健提供者私人账户并在与该保健提供者相关的计算装置上运行的医疗服务应用程序。第一方法S100还可以使保健提供者通过医疗服务应用程序和/或私人的医疗服务账户(例如通过在线仪表板)来访问附加的患者信息。块S172还可以指导保健提供者为患者修改现有的治疗计划或选择替代的治疗计划，如上所述，例如通过基于患者的行为和小组内患者的行为之间的相似性以及该小组内的治疗功效(例如通过治疗功效模型)，显示评分列表中的患者健康状况的可用治疗计划列表。然而，块S172可以通过任何其他方式起作用将患者的治疗方案的预测功效传达给相应的保健提供者。

第二方法的块S290叙述了在后续患者实施治疗方案之后将预测的治疗方案结果传输给与后续患者相关的数字化健康简档中规定的保健提供者，该块可以实施类似技术和/或方法，同与(随后的)患者有关的保健提供者分享关于健康和治疗的信息。例如，块S290可以向相应的保健提供者发送通知，该通知包括对后续患者目前的健康状况做出响应的提示。然而，块S290可以通过任何其他方式起作用将患者的预测的治疗结果传达给保健提供者。

第二方法的块S270叙述了基于治疗方案功效生成针对小组的治疗方案报告，该块可以实施类似的技术或功能，以将针对特定治疗方案的小组范围的功效报告传达给保健提供者。一般来讲，块S270基于在块S260中输出的治疗方案估计功效用于制定患者群体的治疗方案功效报告。例如，块S270可以生成报告，该报告包括将患者症状模式与随时间变化的小组内的治疗依从性的治疗模式、患者行为和调查响应模式变化等进行关联的图表。在另一个示例中，块S270生成针对小组内特定患者的治疗报告，该报告包括在实施治疗方案期间特定患者健康状况下降的预测风险，如图2A中所示。在该示例中，块S270可以因此提示保健提供者修改小组内特定患者的治疗计划，例如基于预测的或推断的患者风险。

如在块S172中，块S270还可以指导保健提供者修改或变更小组的治疗方案，例如通过识别和显示与小组内改善的患者症状和/或患者行为相关的治疗忽视或患者“定制”的(意料之外的)模式。例如，第二方法S200可以应用小组内患者的行为数据来比较患者的幸福并相应地识别他们的迫切需求。块S270可以因此生成治疗方案报告，该治疗方案报告包括基于需求和症状的小组内患者等级。因此，管理几十名患者的护理师可以查看小组的治疗报告，从而更有效地分类并确定(有可能)需要帮助的患者，而不是在实施治疗方案期间随意地选择小组内患者与其联系。块S270和第二方法S200基本上可以因此使护士或其他保健提供者能够作出实时决定以及进行干预和/或基于实际的患者数据帮助特定患者。

然而，块S270可以生成包括任何其他适合的患者信息的报告，并且可以通过任何其他方式起作用使一名或多名保健提供者能够使用该报告，例如与小组的一名或多名患者和/或规定的治疗方案相关。

如上所述，虽然以上描述在监测和/或估计治疗依从性的背景下对本发明进行了具体的描述，但是第一方法和第二方法S100、S200可以实现类似的功能和技术，以识别患者风险和评估疗效。

实施例的系统和方法可以具体化和/或至少部分实施为机器，该机器被配置以接收存储有计算机可读指令的计算机可读介质。指令可以由与患者计算机或移动装置的应用程序、小应用程序、主机、服务器、网络、网站、通信服务、通信接口、硬件/固件/软件元件或它们任何适合的组合集成的计算机可执行组件执行。实施例的其他系统和方法可以具体化和/或至少部分实施为机器，该机器配置为接收存储有计算机可读指令的计算机可读介质的机器。这些指令可以由与以上所述类型的装置和网络集成的计算机可执行组件集成的计算机可执行组件执行。计算机可读介质可以存储在任何适合的计算机可读介质上，例如RAM、ROM、闪存、EEPROM、光学装置(CD或DVD)、硬盘驱动器、软盘驱动器或任何适合的装置。虽然任何适合的专用硬件装置可以(可替代地或附加地)执行指令，但是计算机可执行组件可以是处理器。

本领域技术人员从之前的具体实施方式和从附图及权利要求中将认识到，可以对本发明的实施做出修改和变更，而不脱离如在所附权利要求中限定的本发明的范围。

Claims (44)

1.一种用于检测患者健康状况变化的方法，所述方法包括：

·访问由患者对在移动计算装置上运行的本地通信应用的使用的日志；

·根据所述本地通信应用的使用的所述日志和对患者群体的小组共同的通信行为选择所述小组；

·检索与所述小组相关联的健康风险模型，所述健康风险模型限定了所述小组内患者的医学症状变化风险和通信行为之间的相关性；

·根据所述本地通信应用的使用的所述日志和所述健康风险模型，预测所述患者的医学症状的变化风险；以及

·响应于所述患者的所述医学症状的变化风险超过阈值风险，向与所述患者相关联的保健提供者传送通知。

2.根据权利要求1所述的方法，还包括接收来自所述患者的调查响应并从所述调查响应中提取所述患者的人口统计信息，其中选择所述患者群体的所述小组还包括：基于基本上类似于所述患者的人口统计信息的所述小组内共同的人口统计信息来选择所述小组。

3.根据权利要求2所述的方法，其中检索所述健康风险模型包括：利用所述本地通信应用的使用的所述日志和来自所述患者的第一次调查响应更新所述健康风险模型。

4.根据权利要求1所述的方法，其中预测所述患者的医学症状的变化风险包括预测与特殊疾病相关的症状的症状严重程度增加的风险，并且其中向所述保健提供者传送通知包括响应于所述患者的所述医学症状的变化风险超过针对所述特殊疾病的阈值风险，向所述保健提供者传送所述通知。

5.根据权利要求1所述的方法，还包括基于所述患者的医学症状的变化风险向所述移动计算装置传送行为变化建议。

6.根据权利要求1所述的方法，其中访问所述本地通信应用的使用的日志包括：对在预设的时间段期间从所述移动计算装置打出电话和发出的文本通信的频率和持续时间产生定量评估。

7.根据权利要求6所述的方法，其中访问所述本地通信应用使用的日志还包括：生成所述电话应用内的发出的语音通信的频率、持续时间、时间点和联系多样性以及接收的语音通信的频率、持续时间和时间点的加权综合结果。

8.根据权利要求1所述的方法，还包括访问由第二患者对在第二移动计算装置上运行的本地通信应用的使用的第二日志，并基于所述本地通信应用的使用的所述第二日志和所述健康风险模型来预测所述第二患者的医学症状变化的第二风险，其中向所述保健提供者传送通知包括：根据所述患者的医学症状的变化风险和所述第二患者的医学症状变化的第二风险，将评分的患者分类列表传送给所述保健提供者。

9.根据权利要求1所述的方法，其中向所述保健提供者传送所述通知包括：提示医疗服务提供者安排时间看望所述患者。

10.根据权利要求1所述的方法，其中检索所述健康风险模型包括检索限定所述小组内患者的疾病的进展和通信行为之间的相关性的健康风险模型，并且其中预测所述患者的医学症状的变化风险包括进一步基于所述小组内的所述疾病的进展预测所述患者的所述疾病的医疗诊断。

11.根据权利要求10所述的方法，其中向所述保健提供者传送所述通知包括：基于所述小组内的对所述疾病的治疗的功效选择对所述疾病的所述治疗，并且将所述治疗插入到所述保健提供者可获取的所述患者的健康记录中。

12.根据权利要求1所述的方法，其中预测所述患者的医学症状的变化风险包括：识别所述患者在一段时间内的通信行为的变化，这种通信行为的变化类似于所述小组内的患者在类似的时间段内的通信行为的变化，并且基于所述患者在所述一段时间内的通信行为的所述变化来预测所述患者的下降的健康状况。

13.根据权利要求12所述的方法，其中识别所述患者在一段时间内的通信行为的变化包括识别代表所述患者的工作与生活平衡的复合函数的变化，并且其中预测所述患者下降的健康状况包括基于所述健康风险模型将所述复合函数的变化与下降的健康状况进行关联。

14.根据权利要求12所述的方法，其中识别所述患者在一段时间内的通信行为的变化包括识别所述患者在所述一段时间内移动使用的变化，并且其中预测所述患者的下降的健康状况包括基于所述健康风险模型将所述患者的移动使用的变化与下降的健康状况进行关联。

15.根据权利要求14所述的方法，其中识别所述患者在所述一段时间内移动使用的变化包括：识别所述患者在所述一段时间内的活动、极度活动和不活动的变化。

16.根据权利要求1所述的方法，其中预测所述患者的医学症状的变化风险包括：生成定量风险分数，该定量风险分数对应于所述患者的医学症状的变化风险的预测等级。

17.一种方法，包括：

·从患者群体中选择与健康状况相关的患者小组，所述小组内的患者都表现出类似的行为特征；

·对于所述小组内的患者，根据患者在一时间段期间对在相应的移动计算装置上运行的本地通信应用的使用，对患者的通信行为进行表征；

·从所述小组内的患者提交的调查中提取所述小组内患者的医学症状的特征；

·识别所述小组内患者的通信行为和所述小组内患者的医学症状的特征之间的关系；

·基于所述关系生成针对所述小组的健康风险模型，所述健康风险模型限定了通信行为变化和医学症状变化风险之间的相关性。

18.根据权利要求17所述的方法，还包括：

·访问后续患者对在相应移动计算装置上运行的本地通信应用的使用的日志；

·根据所述本地通信应用的使用的所述日志和所述小组共同的通信行为选择所述健康风险模型；

·根据所述本地通信应用的使用的所述日志和所述健康风险模型，预测所述后续患者的医学症状的变化风险；以及

·响应于所述患者的医学症状的变化风险超过阈值风险，向与所述患者相关的保健提供者传送通知。

19.根据权利要求18所述的方法，其中生成所述小组的健康风险模型包括生成限定在指定的时间段内的通信行为变化和入院风险之间的相关性的健康风险模型，并且其中预测所述后续患者的医学症状的变化风险包括预测所述后续患者在所述指定时间段内的入院的风险，以及其中向所述保健提供者传送通知包括向与所述后续患者相关的医院传送所述后续患者在所述指定的时间段内入院的所述风险。

20.根据权利要求17所述的方法，其中从所述小组内的患者提交的调查中提取所述小组内患者的医学症状的特征包括：从所述小组内的患者的子集提交的调查中提取所述子集的患者的医学症状的特征。

21.根据权利要求17所述的方法，其中对于所述小组内的患者来对患者的通信行为进行表征包括检测患者的通信行为的变化，其中提取所述小组内患者的医学症状的特征包括检测所述小组内患者的症状严重程度的变化，并且其中识别所述小组内患者的通信行为和所述小组内患者的医学症状的特征之间的关系包括识别所述小组内患者的通信行为变化和症状严重程度变化之间的关系。

22.根据权利要求17所述的方法，其中对所述小组内患者的通信行为进行表征包括：对在预设时间段期间从所述相应移动计算装置打出电话和发出文本通信的频率和持续时间产生定量评估。

23.一种用于通过治疗方案支持患者的方法，所述患者与健康状况相关，所述方法包括：

·访问由患者对在移动计算装置上运行的本地通信应用的使用的日志；

·根据所述本地通信应用的使用的所述日志和患者群体的小组共同的通信行为选择所述患者群体的小组；

·检索与所述小组相关的方案依从性模型，所述方案依从性模型限定了所述小组内患者的治疗方案依从性和通信行为之间的相关性；

·根据所述本地通信应用的使用的所述日志和所述方案依从性模型，预测对所述治疗方案的患者依从性；以及

·基于所述患者依从性，通过所述移动计算装置呈现治疗相关的通知。

24.根据权利要求23所述的方法，还包括从患者接收与所述本地通信应用的使用的日志相关的时间段对应的调查响应，以及从该调查响应中提取患者在所述时间段内对所述治疗方案的依从性的定性度量，其中选择所述患者群体的小组包括进一步基于所述患者对所述治疗方案的依从性的所述定性度量来选择所述患者群体的所述小组，所述患者对所述治疗方案的依从性类似于所述小组内患者对治疗方案的依从性。

25.根据权利要求25所述的方法，其中检索所述方案依从性模型包括利用所述本地通信应用的使用的所述日志和所述患者的所述调查响应更新所述方案依从性模型。

26.根据权利要求24所述的方法，其中呈现治疗相关的通知包括：将来自保健提供者的定制的通知传送至所述移动计算装置并在所述移动计算装置的显示器上显示所述定制的通知。

27.根据权利要求24所述的方法，其中访问所述本地通信应用的使用的所述日志：包括对在预设的时间段期间从所述移动计算装置打出电话和发出的文本通信的频率和持续时间产生定量评估。

28.一种方法，包括：

·从患者群体中选择患者的小组，所述小组内的患者表现出类似的行为特征并且与健康状况相关；

·对于所述小组内的患者，基于患者通过相应的移动计算装置输入的调查响应，估计患者在一段时间期间对规定的治疗方案的依从性；

·对于所述小组内的患者，根据所述患者在所述一段时间期间对在相应的移动计算装置上运行的本地通信应用的使用，对患者的通信行为进行表征；

·对于所述小组内的患者，将患者的通信行为与患者的健康状况进行关联；

·基于所述小组内的患者对规定的治疗方案的依从性和健康状况来估计所述治疗方案在治疗所述小组内的患者的所述健康状况方面的功效；并且

·基于所述治疗方案的所述功效，生成针对所述小组的治疗方案报告。

29.根据权利要求28所述的方法，还包括：对于所述小组内的患者，依据所述治疗方案的功效更新规定的治疗方案。

30.根据权利要求28所述的方法，还包括：基于后续患者对在相应的移动计算装置上运行的本地通信应用的使用，对所述后续患者的通信行为进行表征，基于所述后续患者的所述通信行为将所述后续患者与所述小组进行关联，并且为所述后续患者规定治疗方案。

31.根据权利要求28所述的方法，其中选择所述小组患者包括

基于在开始实施治疗方案之前和对所述群体内的一组患者中的患者实施所述治疗方案期间所述一组患者内类似的患者通信行为，来选择所述群体内的所述一组患者。

32.根据权利要求31所述的方法，其中估计所述治疗方案的功效包括：对于所述小组内的患者，识别从对所述患者开始所述治疗方案之前到对所述患者实施所述治疗方案期间，所述患者对本地通信应用的使用的增多，将所述患者对相应的本地通信应用的使用的增多与所述患者的改善的健康状况进行关联，并且将所述患者改善的健康状况与治疗所述患者的健康状况的治疗功效进行关联。

33.根据权利要求28所述的方法，还包括基于所述小组内的患者在所述一段时间内对所述治疗方案的依从性、通信行为和调查响应，生成所述小组的治疗方案模型。

34.根据权利要求28所述的方法，其中估计所述治疗方案的功效包括：估计物理治疗方案在治疗所述小组内的患者的生理缺陷方面的功效。

35.根据权利要求28所述的方法，其中估计所述治疗方案的功效包括：估计药物治疗方案在治疗所述小组内的患者的精神失常方面的功效。

36.根据权利要求28所述的方法，其中生成所述治疗方案报告包括：预测在对所述患者实施所述治疗方案期间，所述小组内的患者的健康状况下降的风险。

37.一种方法，包括：

·选择针对健康状况规定了治疗方案的患者的群体；

·对于所述群体内的患者，根据患者在开始实施治疗方案之前和对所述患者实施所述治疗方案期间对在相应的移动计算装置上运行的本地通信应用的使用，对患者的通信行为进行表征；

·基于在开始实施所述治疗方案之前的类似的通信行为从所述患者群体中选择患者的小组；

·从所述小组内的患者在所述治疗方案的实施期间完成的调查中提取治疗响应；

·生成所述小组的治疗方案模型，所述治疗方案模型限定了所述小组内的患者的通信行为、治疗响应和治疗方案结果之间的相关性；

·基于后续患者对在相应移动计算装置上运行的本地通信应用的使用，对所述后续患者的通信行为进行表征；并且

·基于所述后续患者的通信行为和所述小组内共同的通信行为之间的相似性，生成针对所述后续患者的预测的治疗方案结果。

38.根据权利要求37所述的方法，还包括将所述预测的治疗方案结果传送给与所述后续患者相关的数字化健康简档中规定的保健提供者。

39.根据权利要求38所述的方法，还包括生成所述后续患者的定制的治疗方案，所述定制的治疗处方基于所述预测的治疗方案结果限定了药物剂量，其中将所述预测的治疗方案结果传送给所述保健提供者还包括将所述定制的治疗方案传送给所述保健提供者。

40.根据权利要求3所述的方法，其中对所述后续患者的通信行为进行表征包括访问从在所述相应移动计算装置上运行的电话应用发出的语音通信的使用的日志。

41.根据权利要求3所述的方法，其中对所述小组内的患者的通信行为进行表征包括对在对应于所述小组内的患者的移动计算装置上运行的电话应用内的语音通信的频率、持续时间、时间点和联系多样性以及接收的传入的语音通信的频率、持续时间和时间点进行表征，并且其中生成所述小组的治疗方案模型包括识别在实施所述治疗方案期间的通信行为的模式，并将通信行为的模式与所述小组内的患者的治疗响应进行关联。

42.根据权利要求37所述的方法，其中选择患者的群体包括访问标记了所述健康状况的匿名患者简档。

43.根据权利要求37所述的方法，其中从所述小组内的患者完成的调查中提取治疗响应包括：对从与所述小组内患者对应的移动计算装置上传的并和相应的患者简档协同保存的匿名调查响应进行分析。

44.根据权利要求37所述的方法，其中生成所述预测的治疗方案结果包括：基于所述治疗方案模型预测所述后续患者的健康状况复发的风险。