CN105190634A - 用于计算用作医疗决策支持的医疗建议的分数的方法 - Google Patents
用于计算用作医疗决策支持的医疗建议的分数的方法 Download PDFInfo
- Publication number
- CN105190634A CN105190634A CN201480025899.0A CN201480025899A CN105190634A CN 105190634 A CN105190634 A CN 105190634A CN 201480025899 A CN201480025899 A CN 201480025899A CN 105190634 A CN105190634 A CN 105190634A
- Authority
- CN
- China
- Prior art keywords
- medical
- facts
- advice
- database
- medical advice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3322—Query formulation using system suggestions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
提供一种用于生成用于支持医疗决策过程的医疗建议的方法。具有特定的有利结构和内容的数据库允许根据基于集合的处理和计算来有效评估接收的已知医疗事实。因此,提供一种生成医疗建议的数字的、自动的、并且整体的方法,其最大可能提高提供给用户的选定的医疗建议的可靠性。本发明提供的数据库的结构提供用于保持数据库的优势,降低复杂性并且数据库的单个结构是能够管理的和容易理解的。还提供了相应的医疗决策支持系统。
Description
技术领域
本发明涉及提供在医疗决策中有用的信息。特别地,本发明涉及计算医疗建议的分数的方法,用于计算医疗建议的分数的程序元件,其中储存有用于计算医疗建议的分数的计算机程序的计算机可读介质,并且涉及用于计算医疗建议的分数的医疗决策支持系统。
背景技术
平均来说,医疗知识每四年翻倍。因此,对于患者而言在医疗决策过程中保持跟踪所有相关方面简直是不可能的,甚至对于健康专业人士来说也是一项艰巨的任务。在过去数十年间已经开发了不同的基于物理、生物化学以及信息技术(IT)的解决方案以在医疗决策过程中辅助和支持医生。但是,这种医疗技术设备像是例如基于计算机断层扫描或超声的成像设备,仅仅为临床医生提供额外数据,而几乎不能将医疗知识考虑在内。因此,可靠的医疗决策现在要求将接收的计算机断层扫描成像或超声成像与医生的知识相结合和/或与由专业文献提供的知识相结合。另外,医生需要依赖与患者的交互以获得用于决策的必要和充分的信息。
遗憾的是,当前医疗保健领域无法利用高度结构化的数据。此外,用于医疗支持的现有技术IT系统是基于树形图的,所述树形图被认为是根据现有医疗知识反映医疗关系。但是,对于基于树形图的系统来说将相互关系考虑在内是非常复杂的任务。例如,患者可能不仅患有一种疾病A而可能同时患有疾病A和疾病B。作为医疗建议MSi的一种实施例,对于A和B的组合的治疗建议可能远远不同于疾病A和B的单独治疗方法之和。
另外,由医生根据检验结果做出的单独医疗发现结果的生成过程是耗费时间的,令人疲倦的,并且成本相对较高的。根据医疗主体,深厚的医疗专业知识和大量的经验是必要的。例如,在妇科内分泌领域中,只有少量收费相对昂贵的医疗专家是可找到的,他们能够精确地评估实验参数的全部集合,因为所述的实验参数高度依赖于大量的各种因素。实验参数的同一值可能被解释为是正常的,而如果额外地将已知的医疗事实例如年龄、周期日、怀孕状态、怀孕周、和/或生命阶段考虑在内,则其可能是高度病态的。
此外,现有的医用决策支持系统大多数集中于特定医疗领域并且经常将其医疗逻辑与其应用逻辑混搭,也就是终端用户程序。这些系统在基本医疗知识模型的复杂程度变得越来越复杂时通常易于出错或者难以维护。另外,将这些系统重复应用于具有不同应用焦点的其他医疗领域通常是不可能的。
发明内容
因此,需要对在医疗决策过程中提供的支持做出改进。因此可以将本发明的目的看作是提供用于医疗决策的改进的支持。独立权利要求的主题解决了所述目的。本发明的其他示例性实施例和优点包括在从属权利要求中。
以下对本发明的详细描述类似地属于计算医疗建议的分数的方法,用于计算医疗建议的分数的程序元件,计算机可读介质,以及医疗决策支持系统。也就是说,通过实施例的不同组合可产生协同效果,尽管下文中可能没有对它们进行明确描述。特别地,本发明的方法的所有实施例可通过以下限定的医疗决策支持系统实现,除非另有说明。特别地,该系统包括如本文中限定的数据库、接收装置以及计算单元。此外,权利要求中的任何附图标记都不应被解释为是对权利要求的范围的限制。
在结合本发明的一些优选实施例对本发明进行详细描述之前,提供以下一般定义。
以下说明性地描述的本发明可在缺少本文未具体公开的任何元件、限制的情况下适当地实施。
将结合特定实施例和参照某些附图描述本发明,但本发明并不局限于此,而是仅由权利要求书限制。
不论术语“包括”是否用在本说明书和权利要求书中,都不排除其他元件。为了本发明的目的,将术语“由…组成”认为是术语“包括…”的优选实施例。如果下文中组被限定包括至少一定数量的实施例,则也应理解为公开了组,其优选由这些实施例组成。当指代单数名词时,使用不定冠词或定冠词,例如“一”、“一个”或“所述”,其包括多个所述名词,除非下文另有具体说明。本发明上下文中的术语“大约”、“近似”表示本领域技术人员理解的仍可确保所讨论的特征的技术效果的精度区间。术语“典型地”表示所指示的数值的正负20%的偏差,优选正负15%,更优选正负10%,更加优选正负5%。
本文使用的技术术语取它们的一般含义。如果具体含义转移至某些术语,则以下将会在所用术语的上下文中给出所述术语的定义。
术语“数据库”应被理解为其上储存有数据和/或有关医疗知识或医疗相互关系/联系的信息的数字实体。特别地,应将数据库理解为数据储存装置,本文描述的医疗建议MSi与医疗事实Fj之间以及医疗建议与权重Wi,j之间的联系或相互关系可储存在所述数据储存装置上。特别地,所述数据库可具体为例如在单个服务器上的单个物理单元,但是,所述数据库可分布在多个服务器和/或多个数据储存设备上,并且可通过网络系统访问。因此本发明也可用在服务器集群内,在它们之中分布有本文描述的数据库。下文将提供有关有利地生成这种数据库的各种不同方面的细节。此外如果需要的话,所述数据库提供一种结构使得所有医疗事实Fj是独立的(autarkic)和等价的。
另外,数据库可具体为关系数据库。特别地,关系数据库促进集合操作,像是本文描述的计算和选择。在该意义上,SQL指令可被本发明所使用。其中,SQL表示结构化查询语言并且是设计用于对保持在关系数据库管理系统(RDBMS)中的数据进行管理的专用编程语言。但是如果需要的话,也可以使用其他编程语言而不脱离本发明。
所述数据库还可具体为修改保存储存系统,其中所有信息都被组织在文件中。所述储存系统自身可以具体为本地文件系统、关系数据库或非关系数据库。所述文件系统可用在很多不同种类的储存设备上。目前使用的最常见的储存设备是硬盘或闪存设备。
在本发明的上下文中,术语“独立的”和“等价的”可按以下理解。每个医疗事实可作为输入单独提交,意思是它们不需要具有彼此之间的关系。也就是说,每个医疗事实Fj表示其自身并且能够用不同权重影响不同的医疗建议。在示例性情况下,与一个或多个其他医疗事实组合的医疗事实被分配不同权重。但是,这并不排除可以有不同的医疗事实,或者所述医疗事实与获得或被分配相同权重的其他医疗事实的组合。
术语“待关联”将会用于以下医疗建议MSi、医疗事实Fj以及权重Wi,j的上下文中。一般来说,如果数据库包括医疗建议MSi与医疗事实Fj之间的关联,则数据库包括或限定所述医疗建议MSi与医疗事实Fj之间的关系或关联。这同样适用于医疗建议MSi的医疗事实Fj与权重Wi,j之间的关联。特别地,与数据库中医疗事实Fj关联的医疗建议MSi反映出医疗事实Fj对于医疗建议MSi的确定量的影响或贡献的数据库的事实或知识。换句话说,当参考或根据接收到的已知事实评估医疗建议MSi时,应将数据库中限定的确定权重的医疗事实Fj考虑在内。也就是说,医疗建议MSi对于医疗事实Fj的依赖关系借助于所述关联在数据库中进行表示或反映。在输入包括一个(或多个)医疗事实Fj的不同具体数值时,数据库的使用的关联结构确保基本集合S0之外的每个医疗建议MSi是可以识别的,其至少在一定程度上由输入的所述医疗事实Fj影响。下文中将会与术语“接收的已知事实”同义地使用术语“输入”或“输入事实”。所述事实还可包括之前的迭代法计算过的和用于下次迭代的事实。下文将对此进行详细描述。所述的迭代法包括步骤1到步骤4的重复,但是对于其他医疗建议还包括仅步骤4的重复。两种迭代选择将在下文中进行解释。这些迭代可例如通过医疗决策支持系统完全自动地实现。
此外,“计算规则”可用来计算医疗建议的分数。在一种实施例中,数据库包括计算规则,其中每种计算规则限定根据医疗事实Fj和相应权重Wi,j的值对于基础集合S0的医疗建议MSi中至少之一的相应分数的计算。根据给定或接收的已知事实(在所述方法的第一次迭代中)并且根据已知事实和/或派生事实(在所述方法的后续迭代中),所述计算规则提供分数作为输出。因此所述计算规则可包括医疗建议MSi、医疗事实Fj以及权重Wi,j之间的数学函数或相互关系。计算规则可限定用于对于不同输入值的医疗建议的分数或输出。下文将解释一种详细实施例,其中计算规则包括医疗知识模型的逻辑。其中每种规则根据具体函数例如映射函数映射已知事实列表,并生成派生(和记分)事实的列表。这种派生事实可用作用于所提出方法的二次迭代的输入。此外,在本发明的上下文中,计算规则可以脚本语言的形式提供。
如一种简单示例,所述计算规则可被看作医疗事实F1和F2的函数f(F1,F2)。例如,所述计算规则是体质指数的计算,所述体质指数取决于患者个体的体重和身高。在这种示例性情况下,体重和身高是F1和F2。因此医疗建议可以是根据F1和F2计算得到的体质指数(bmi)。所述结果,即bmi值可被看作分数。替代地,额外的分数可被计算用于bmi的值。有关所述关联和计算规则的更多细节将会在示例性实施例的上下文中进行描述并且也可从例如图4获得。
如一种示例性说明性实施例,医疗建议MSi可以具体为包括至少一个或多个医疗事实Fj的文件夹。如一种示例性非限制性实施例,医疗建议MSi可以是流感的诊断,其中所述数据库包括的关联的医疗事实Fj可以是F1=体温、F2=具体的血液参数、F3=发炎(irritated)和泪眼,以及F4=疲劳。相应地,数据库“知道”所述参数与所述医疗建议流感相互关联。但是,医疗建议与医疗事实之间的该相互关系的基本原理不仅应用于该示例性疾病或诊断以及相关症状,还由本发明以更加宽泛的方式进行应用,这将在下文中进行更加详细的解释。下文还将对有关所用的权重Wi,j进行详细解释。
另外,一般可将术语“医疗事实Fj”看作是适于描述医疗情况的参数。原则上,医疗事实Fj可被用作用于所述方法和系统的输入以计算想要的结果。在本发明的上下文中,医疗事实Fj可以各种不同方式具体化,像是例如描述患者的参数:患者的年龄或性别、体重或医疗发现的给定结果、或药物数据、或过敏反应或功能测试的结果、或从例如专业调查问卷得到的信息。下文将给出许多其他实施例。在任何情况下,医疗事实Fj提供关于患者个体或患者生活的环境的基础或原子信息。这种医疗事实的“一个或多个值”可被看作是用于例如患者的心跳的医疗事实Fj的“85”次/分钟。因此,所述值可被看作是给定时间点的医疗事实Fj的特性、标记或特质或是与时间无关的值。在一种示例性实施例中,医疗事实Fj可被看作是N型矢量,其中包括医疗事实的时间演化。例如,在医疗事实Fj具体化为患者的以千克为单位的体重的情况下,所述医疗事实的相应矢量可以以下形式提供:[60kg(2010年12月15日),70(2010年2月27日),75kg(2010年12月31日),73kg(2011年1月5日),…]。因此,本发明也可提供和使用依赖于时间的医疗事实Fj。
此外,应将术语“已知事实”看作是用于由本发明的方法使用的系统的数据输入并且假设是真实的。接收的已知事实可通过数据传输提供,或者可在已向用户提供相应输入后由所述系统接收并且可由所述方法使用。本发明可将来自患者目录或来自之前诊断或其他医疗事件的自动数据传送考虑在内作为医疗事实Fj的值形式的已知事实。
术语“权重Wi,j”可被看作离散的或连续的概率分布或函数,通过它们表示用于相应医疗建议MSi的关联医疗事实Fj的值的依赖关系或重要性。因此可将其看作医疗事实Fj的值、特性、标记或特质与关联医疗建议在单独条件下是真实或正确的事实之间相互关系的强度。换句话说,这种权重Wi,j可根据接收的医疗事实Fj的值反映提供给用户作为输出的医疗建议MSi是本文描述的系统和/或方法的正确和准确医疗措施的概率。特别地,所述权重Wi,j的具体值可以是正的或负的,使得一种医疗事实对于相应医疗建议MSi的算得的总分的贡献也可以是正的或负的。在一种示例性实施例中,权重Wi,j可被看作所谓的分数系统,其对已知事实贡献具体的值或概率,使得相关的和选定的医疗建议的分数是可以计算的。这里的这种计算和数学实施例将在下文中进行详细解释。所以,与一种医疗建议MSi相关联的医疗事实Fj可被看作是加权建议组分,所有正的或负的组分对所述医疗建议MSi的所述分数都有贡献。因此,所述医疗建议的分数可被看作是对所有关联和接收的已知医疗事实Fj求和得到的总分或全部分数。
一般来说,本文使用的权重Wi,j可被看作相应医疗事实Fj的相应一个或多个值的函数或医疗事实的组合。所以,可使用术语Wi,j(Fj)。也就是说,权重函数Wi,j的值取决于医疗事实Fj的实际值。此外,权重Wi,j的值取决于相应医疗建议MSi。所以,权重Wi,j可被写成Wi,j(MSi,Fj)的形式。
本发明上下文中的术语“医疗建议MSi”可以各种不同方式具体化。示例性实施例是医疗诊断、文本块(textblock)、医疗发现、实验值的评估、治疗建议、患者调查问卷、营养建议、或者医学问题。但是,许多其他示例性实施例也是可能的并且将在下文中进行解释。一般而言,医疗建议可被看作是由关联的医疗事实Fj和/或由关联的其他医疗建议例如MSm或MSn限定的。另外,相应的权重Wi,j也对医疗建议MSi的限定有所贡献。此外,一般来说,所述医疗建议可被看作医疗事件(event)、事故(incident)或偶发事件(occurrence)。作为本发明的方法或系统的输出的医疗建议被分配一个或多个分数,所述分数可以是用于进一步手术的用户或设备的基础。因此,其可被看作是用于医疗决策过程的支持。
所述方法可被看作生成医疗建议的方法,因为选定基础集合S0之外的医疗建议并执行所述选定医疗建议的相应分数的计算。所述“计算的”医疗建议和/或相应分数中的一些或全部接着可借助于展现元件展现给用户。因此,参考该理解,所述方法在收到输入数据的同时生成医疗建议,即在收到接收的已知事实的同时计算得到选定的多个医疗建议的分数。选定的医疗建议将子集S1用于该迭代方法。因此,本发明上下文中的术语“生成医疗建议”可被看作是在基础集合S0中选择至少一个或多个医疗建议MSi并根据包括在数据库中的关联关系计算用于所述医疗建议MSi中的一些或每个的相应分数。
根据本发明的一种示例性实施例,提供一种生成用于支持医疗决策过程的医疗建议的方法。也就是说,提供一种计算用于支持医疗决策过程的医疗建议的分数的方法。所述方法包括步骤1:为数据库提供医疗建议MSi的基础集合S0。在所述数据库中,所述医疗建议MSi中的至少一些是与至少一个相应医疗事实Fj相关联的。此外,在数据库中所述至少一些医疗建议的相应医疗事实Fj与权重Wi,j相关联。另外,所述方法包括步骤2:接收与患者个体关联的医疗事实Fj的值的形式的已知事实。根据接收的已知事实从基础集合S0中选择医疗建议的子集S1的步骤包括在所述方法中作为步骤3。此外,根据接收的医疗建议Fj的值和相应权重Wi,j计算用于子集S1的至少一些医疗建议MSi的相应分数包括在所述方法中作为步骤4。
医疗建议的子集S1可通过一组操作进行识别。另外,选择医疗建议的子集S1的步骤可包括从S0识别出医疗建议,可根据接收的已知事实直接计算或稍后迭代计算所述医疗建议的分数。如下文将要解释的,计算规则可包括在数据库中用于医疗建议中的每个或一些。这种计算规则单独地限定将如何计算相应医疗建议的分数。在一种实施例中,识别和选择用于S1的医疗建议,从相应规则根据接收的已知事实是可被计算的(即,规则是能够计算的)意义上说,所述医疗建议是能够计算的。在另一实施例中,如果要求的输入事实通过其他计算规则是已知的或能够解决的并且如果没有已知事实与计算规则的淘汰标准相匹配,则所述计算规则可被看作是能够解决的/能够计算的。在将于下文进行详细解释的具体实施例中,数据库的计算规则可包括一个或多个规则前提并且只有在满足所述前提或者可在稍后的迭代计算中满足所述前提的情况下选择相应的医疗建议用于子集S1。可完全自动地实现该过程而无需任何用户输入。
换句话说,选择医疗建议的子集S1的步骤可被理解为包括根据医疗事实MSi是否与接收的已知事实相关联的信息来限定或识别所述子集S1的步骤。可从例如图4获得所述对S1的限定和对S1的选择的例子。因此子集S1的特征在于包括在S1中的医疗建议是与医疗事实相关联的,用于所述医疗事实的值被接收作为已知事实。下文将对其细节进行更详细的解释。因此,从基础集合S0开始选取医疗建议的子集并且执行相应的分数计算仅用于该子集的所述医疗建议。可自动执行用于子集S1的该选择或限定过程或识别过程以及随后的计算过程而无需任何用户输入。
此外,计算用于子集S1的至少一些医疗建议的相应分数的步骤可被理解为使用本文中限定的相应计算规则。一般来说,不同的数学函数可被储存在数据库中,其中可储存用于每个单独医疗建议的单独的数学函数。
如下文将详细解释的,所述方法可不同地具体化。例如,可在基础集合上执行所述方法。这意味着识别如本文中限定的计算规则,其是可计算的。也就是说,子集S1被限定并且S1的特征在于包括在S1中的医疗建议与医疗事实相关联,用于所述医疗事实的值已被接收作为已知事实。在另一示例中,所述方法使用本文中限定的医疗知识模型的索引文件。所述方法能够完全在计算机的存储器中执行。需要被计算的所述计算规则被从文件系统直接读取并由执行程序元件的处理器或方法/程序元件执行/计算。因此,所提出的方法的所有实施例都可以自动执行而无需用户输入,除非下文另有说明。
在另一示例中,所述方法可只有在满足具体标准的情况下使用防御策略并计算规则。这避免在进行本发明的方法的过程中的不利振荡。当然也可结合之前提到的示例。将结合本文的实施例的详细解释对所述示例进行解释和说明。
所述支持医疗决策的方法可在PC、服务器、计算单元中实施或者可通过分布式计算执行。所述方法可通过医疗决策支持系统执行,所述系统将在下文中进行详细解释。如本文之前描述的,所提出的方法可以在基础集合上进行和/或执行,这相对于基于树形图形式的数据结构和/或数据库结构的现有技术方法提供某些优点。医疗建议的基于集合的生成和计算的所述优点以及其他优点将在下文中进行描述,尤其是在图2、3、4和5的上下文中。通过以下解释将会显而易见的是,医疗建议MSi的相应分数的计算可以执行并以值的形式提供给用户,所述值反映相应单独的医疗建议MSi对于进一步的程序为正确和适当的概率。根据由储存在数据库中的计算规则限定的数学相互关系,可通过所提出的方法计算医疗建议MSi与医疗事实Fj之间的关联,并且可根据关联的权重Wi,j通过所提出的方法计算医疗建议MSi的相应分数和/或概率。如果需要的话,可通过提出的方法将计算得到的分数与预定阈值进行比较。例如,使用介于0与1之间的分数。在另一示例中介于100与600之间的分数被归类为可疑的,值介于601与950之间的分数被归类为可能的,而大于950的分数被归类为高度可能的。但是,也可使用具有2个、4个或更多等级的其他分类并且还可应用所用等级的其他限制。在另一实施例中,可将计算的分数表述为介于0与1之间的概率因子,而介于0.2与0.6之间的分数被归类为可疑的,介于0.61与0.95之间的分数被归类为可能的,而大于0.96的分数被归类为高度可能的。
参照示例1至5进行说明并将会清楚的是,具有本文描述的有利结构和内容的数据库允许根据基于集合的处理和计算对接收的已知事实进行高效评估。这种基于集合的处理和作业原理是本发明的一种实施例并且可从图1至5获得。特别地,所述数据库可以是关系数据库但是还可以根据下文限定的脚本文件具体化。因此,提供一种生成医疗建议MSi的数字自动并且整体性的方法(即,计算医疗建议的分数的方法),其最大概率提高提供给用户的选择的医疗建议的可靠性。本文提供的数据库的结构提供所述数据库的维护优势,因为降低了复杂性并且所述数据库的单个结构是能够管理的和易于理解的。如以下将要进行解释的,所述数据库的这些结构可以是医疗知识模型或医疗知识模型的模块。
通过以下解释将会显而易见,本发明允许通过整体方法并行地寻求多个目标。
当然,基础集合S0的所有医疗建议MSi可与数据库中的至少一个相应的医疗事实Fj相关联。特别地,与多个相应的医疗事实Fj的关联可被包括在数据库中用于每个医疗建议MSi。此外如果需要的话,计算相应分数的步骤可被执行用于包括在选定子集S1中的每个医疗建议MSi。但是,这可以是用户特异性调整。
此外,可生成用于用户的输出以便为用户提供子集S1的医疗建议MSi的计算分数供用户考虑。特别地,在一种示例性实施例中,通过像是例如显示器的界面或借助于生成的信向用户展示选自子集S1中的医疗建议MSi的分数的等级或顺序。本发明的这些方面以及其他方面将会在图2至7的上下文中进行论述。
也就是说,所提出的方法根据交互过程和/或迭代过程为例如患者、医生或实验机器人提供决策支持并朝改进的决策进行引导。将对本发明的所述交互和/或迭代方面进行详细解释。另外,在该上下文中,“改进”被看作提供具有高概率正确性的医疗建议。所以,提出的方法有助于提高提供给用户的医疗建议的概率水平,并且/或者降低集合或结果的数量。也就是说,提出的方法提供包括数字化医疗知识的数据库,并且允许根据数据库的结构和接收的已知事实对医疗建议MSi进行高效评估。例如,所述数据库可以是通过一组专家生成的,所述专家限定本文描述的医疗建议MSi与相应医疗事实Fj之间的关联以及确定相应的权重Wi,j。所以,如以上和以下描述的,用于本文提出的方法的数据库包括以特定地限定的方式储存的数字化医疗知识。
在计算相应的单独的分数的步骤过程中,本发明的一种实施例的方法可包括对用于与所述医疗建议MSi关联的每个医疗事实Fj的权重Wi,j的每个值求和的步骤。总和导致包括在选定子集S1中的每个医疗建议MSi的分数。所以,所述求和是基于以下假设,即假设在更多的医疗事实Fj指示或指向高概率的所述医疗建议的情况下医疗建议是更加有可能的。
但是在另一示例性实施例中,以下原理可附加地或替代地用于计算医疗建议的分数。如果医疗建议包括医疗事实的组合或由其限定,所述医疗事实例如是如以下描述的示例1和2解释的布尔算子连接的医疗事实,则只有特定组合可用于所述医疗建议的分数计算。特别地,只可使用具体的组合,其中接收的已知事实的至少阈值数值确实发挥了作用。例如,四个不同的医疗事实被接收作为已知事实并且通过所述医疗事实的三种组合限定一种医疗建议。本文对这种组合和作业原理进行了详细解释,例如在以下描述的示例1和2的上下文中。在本示例中,所述第一组合和第二组合可分别利用两个接收的已知事实,而第三组合利用所有四个接收的已知事实。在该示例中,所述数据库包括相应的条件使得在所述医疗建议的计算过程中只将第三组合的分数考虑在内。这可被看作是对医疗事实的组合的优选利用,其利用最小量的接收的已知事实。这可为包括在数据库中的医疗事实的组合的选择提供特异性标准,其可用于医疗建议的分数计算。这可为用户提供强化的概述。
如上面已经解释过的,本文提出的方法涉及用于生成医疗建议的基于集合的计算过程。该计算过程用可能的集合进行计算,所述可能的集合包括医疗事实Fj和医疗建议MSi作为组分。这些组分自身不应被认为是集合,而应被认为是来自IT视点可使用自指(self-referencing)的目标。
在数据库中计算过程开始根据接收到的医疗事实Fj的值的形式的已知事实选择与所述接收的医疗事实具有至少一种关联的那些医疗建议MSi。借助于包括在数据库中的所谓的淘汰标准,医疗建议MSi可从进一步的考虑移除或者可在满足所述淘汰标准的情况下根本不被选取。另外,可以通过例如执行本文将会说明性地解释的包括/限定在数据库中的布尔运算来对接收的已知事实的组合进行评估。此外,如接下来将会结合示例进行解释的,一种医疗建议也可与另一种医疗建议相关联,使得一种医疗建议在另一种医疗建议中的结构可被包括在数据库中。在这种情况下,首先计算内部医疗建议的分数,根据所述分数计算外部医疗建议的分数。
本文提出的整体方法被反映在基于集合的计算中。如果需要的话,选取子集S1使得包括在基础集合S0中的每个医疗建议被评估用于子集S1的选取。也就是说,相对于是否与接收的已知事实中的至少一个具有至少一种关联的问题,评估基础集合S0中的每个医疗建议MSi。该方面可清楚地从图4的非限制性示例的描述中得知。此外如果需要的话,对选取的医疗建议MSi的单独分数的计算也可应用于自动选取的子集S1的所有MSi。也就是说,如果需要的话,在计算过程中对子集S1中的每个选取的医疗建议MSi进行评估。
医学领域中当前可用的知识可通过专家并通过引用例如指南和标准操作程序(SOP)汇总。接着可根据本文描述的和独立权利要求中给出的数据库结构将这种汇总的医疗知识进行数字化。如果需要的话,可选择一种用于生成所述数据库的循序渐进的方法。在第一步中,可借助于所描述的包含医疗建议MSi、与医疗事实Fj的关联、与相应权重Wi,j的关联以及Wi,j的精确值分布的结构将所述知识“理论地”整合到数据库中。也可应用本文限定的淘汰标准并且/或者必须具有标准。在第二步中,通过所述系统和提出的方法计算一种实际情况或事件或多个实际情况或事件。所述方法的结果被呈现给专家用于讨论所述方法的输出和结果。因此,专家的实践知识可被用来验证所述方法的结果并促进数据库的完善。这可被看作是本发明的生成数据库的专家反馈形式的二次迭代。所以,生成用于本文提出的方法和系统的改进的和可靠的数据库。第三步可用来进一步改进生成的数据库。特别地,可向终端用户提供包括反馈机制的用户界面,所述反馈机制在单个情形中允许报告“真医疗建议”,例如真药物治疗。这有助于用户从子集S1中选择性地删除提出的一个或多个医疗建议MSi。根据用户的该行为,所述系统和方法可计算权重Wi,j的适应性。从而向用户提供用于生成和更新所述数据库的反馈。特别地,可利用医疗建议MSi的具有权重Wi,j的医疗事实Fj将医疗偶发事件中的具体的有问题的事件场景考虑在内用于数据库的结构。
如果需要的话,所提出的方法可利用“分类概率”系统。如一种示例性实施例,可将被看作概率的计算的分数评估为三类。可疑类,由大于200且小于600的分数值表示;可能假设类,由大于或等于600且小于950的分数值表示;以及高度可能假设类,其具有大于或等于950分的分数值。本文描述的用于分数值的分数总是基于考虑和评估的单独情形,而不是基于总体平均评估。例如,对于单独情形来说,大于80岁的男性中有48%患有缺血性心脏疾病的统计学正确报表不具有价值。实际检验的85岁男性患有这种疾病或者未患所述疾病。不可能有48%的概率患上所述疾病。也就是说,这种统计报表只有在考虑一组人员时才是有价值的。在超过80岁的100位男性中,其中约有48位患有所述心脏疾病。但是当需要详细检验和分析所述单独情形时,其对于单独情形不具有任何进一步的帮助。如通过本发明的解释将会显而易见的和其所说明的,虽然使用了分类概率,但本发明利用这种单独情形评估。通过以下解释将会显而易见。
此外,本发明的方法和/或系统除了考虑医疗要求还能够考虑会优化日常诊断和治疗过程的其他方面,例如经济要求或管理要求。例如,如果例如专用药物代理方是最有可能有帮助的,并且从而除了专用治疗产品(例如,来自某医药公司的具体抗生素)之外所述方法和/或系统能够向患者推荐最好的治疗选择,如果患者的医疗保险方与该公司履行“药物供应合同”的话。所述信息可与本发明提供给用户的医疗建议相结合。
用于过程优化的另一示例是用于“给定信息的可靠性”的取决于其原始来源/创建者的产生的分数。如果由全科医生给定一种信息,例如主动脉瓣的轻微功能不全的诊断,则该输入可被本发明的方法和/或系统分类为“有效性可能不如”由心脏病专家给予的信息。如果同一全科医生向本发明的系统输入“每天使用100mgASS”以保护患者免受心脏问题,则该知识的等级可以比来自患者的相同输入的等级高。该“信息甄别”对于避免任何时候可能的错误引导是非常重要的。所以,本发明的方法和/或系统能够以如下的格式接收并处理医疗事实的值的形式的接收的已知事实,所述格式包括关于其原始来源/创建者的信息以提供用于所述信息甄别。
另外,本发明的方法和/或系统能够根据需要进行医疗决策的医疗环境从子集S1中选取不同的医疗建议。如果患者例如由于缺少体能并且听诊到了心脏杂音而来到全科医生诊所,所述系统/方法则会推荐将该患者转介到心脏病专家,因为全科医生不能实施超声(回声)检查来识别心脏杂音的原因。如果同一患者咨询心脏病专家,所述系统则会准确推荐“下一步”:回声检查,其是心脏外科中的标准诊断程序。所以,本发明的方法和/或系统能够以如下的格式接收和处理医疗事实的值的形式的接收的已知事实,所述格式包括关于需要做出实际决策的医疗环境的数据。
另一方面是地理定位可触发,即从子集S1选择不同的医疗建议。例如,在澳大利亚的由于小伤口而神志不清的年轻女性比在挪威的更有可能是被一种危险的蛇所咬伤。所以,本发明的方法和/或系统能够以如下的格式接收和处理医疗事实的值的形式的接收的已知事实,所述格式包括关于接收的已知事实中的一些或全部的地理位置或地理起点的数据。
根据本发明的另一示例性实施例,所述方法还包括以下步骤:使用在步骤4中计算的,即在第一次迭代中计算的第一医疗建议的计算分数,并根据医疗事实Fj的接收的值和相应权重Wi,j以及第一医疗建议的计算的分数计算用于子集S1的至少第二医疗建议的相应分数。对于第二医疗建议的分数的计算可被看作二次迭代。
也就是说,当再次执行步骤4时,第一次迭代的分数可被用作另一医疗建议的医疗事实,用于所述医疗建议的分数计算。当然在步骤4中可在第一次迭代中计算用于多个医疗建议的多个分数,也可在步骤4的二次迭代中计算另外的医疗建议的多个分数。
根据本发明的另一示例性实施例,所述方法包括以下步骤:通过子集S1中的至少一种医疗建议MSi根据所述至少一种医疗建议的相应计算分数补充接收的已知事实。所述方法还包括之前所描述的用补充的接收的已知事实重复步骤2、步骤3以及步骤4的步骤。
在下文中,术语“补充的接收的已知事实”将会与术语“派生事实”同义地使用。也就是说,所述方法有助于将第一次迭代计算的结果或者所述结果的部分用作本文提出的方法的二次迭代或进一步迭代的输入。换句话说,所述方法能够根据第一次迭代的那些医疗建议MSi产生并生成新的额外的事实,所述第一次迭代的医疗建议MSi被计算成相应分数。可利用阈值来确定所述分数是否足够高。如果所述医疗建议的分数超出所述阈值,则所述方法自动提供该医疗建议作为已知事实Fj,用于再次执行步骤2到4的下一过程。所以,该示例性实施例有助于所述输入数据,即用于二次迭代或进一步迭代的接收的已知事实的用户可控补充和用户可选补充。
换句话说,所述方法还可能包括以下步骤:从已经在所述方法的第一次迭代中计算了相应分数的医疗建议MSi派生出新的事实Fk,并将所述派生出的新的事实Fk作为已知事实用在所述方法的进一步迭代中。这里执行进一步迭代方法步骤2到步骤4。
根据本发明的另一示例性实施例,所述数据库中储存有医疗知识模型。
因此,可将所述方法看作是计算医疗建议的分数作为基于模型的医疗决策的支持的方法。如一种示例,医疗知识模型可包括有关药物治疗的具体领域的信息,像是糖尿病、内分泌、罕见病、甲状腺、心脏病、儿童期疾病或胃肠疾病。因此,所述医疗知识模型可以是糖尿病知识模型、内分泌知识模型、罕见病知识模型等。一般来说,有关药物治疗的具体领域的知识储存在这种医疗知识模型中。
此外,本文描述的医疗知识模型展示了对于在具体领域的医疗专业知识中提供计算机辅助智能和决策支持所必要的至少一些或全部信息。如下文中将详细解释的,其可包括医学领域的所有结构性、本体性(ontological)、逻辑性以及专业性方面。包括在数据库中的全部医疗知识被储存在医疗知识模型中。特别地,在数据库中,医疗知识被以医疗建议MSi与医疗事实Fj之间的关联的形式和医疗事实Fj与权重Wi,j之间的关联的形式储存。因此,限定如何根据接收的/给定的已知事实计算医疗建议的分数的计算规则也是医疗知识模型的一部分。
根据本发明的另一示例性实施例,所述数据库由脚本文件集合组成。
本文使用的术语脚本文件按本领域技术人员的一般理解。特别地,脚本文件是可由计算机程序处理而无需任何用户交互的指令集合。因此,可通过计算机/计算机程序执行或处理所提出的方法而无需任何用户交互。所述指令可用可由所用的计算机程序解读的具体的脚本语言表述,例如JavaScript等。也可将该实施例描述为,医疗知识模型的所有人工品由脚本文件集合组成。在一种实施例中,数据库中的医疗建议MSi与医疗事实Fj之间的所有关联和医疗事实Fj与权重Wi,j之间的所有关联都以脚本文件形式储存。在一种实施例中,医疗知识模型的所有信息以脚本文件的形式储存在数据库中。所述脚本文件可被安全地管理用于修改。因此,医疗知识模型的任何过去的状态都可被储存或恢复。所以在一种实施例中,所有关联以脚本文件的形式储存在数据库中,并且脚本本件以防止修改方式储存在数据库中。此外,医疗知识模型可由像是编译器的适当工具进行检查,其相对于语法和语义正确性批准所述模型。这种编译器也可生成索引文件,所述索引文件可被用于执行医疗建议的分数计算。
此外,本文使用的脚本文件可被理解为模型人工品。因此,根据本发明的另一示例性实施例,知识模型的人工品在数据库中储存为脚本文件。在所述数据库中储存有医疗知识模型的所有人工品,其中每个人工品描述所述知识模型的结构性、本体性、逻辑性或专业性方面。以内分泌罕见病为例,一种人工品可通过指定其数据类型(“数字的”)、内部使用的科学单位(“mmol/mol”)以及内部或外部本体分配以将所述事实分类或分配到具体的组或编码系统来描述事实HbA1c的结构性信息。如另一示例,人工品还可将计算规则描述为知识模型的逻辑方面,所述知识模型通过医疗事实的体重和身高计算体质指数。
根据另一种示例性实施例,医疗知识模型包括索引文件。
术语“索引文件”应被理解为专用脚本文件,其中医疗建议MSi、它们的关联事实Fj和权重Wi,j之间的所有关系、以及相应的计算规则都以优化结构映射和储存。所述索引结构可被提出的方法使用以在需要识别子集的任何时候执行大集合操作。
根据本发明的另一示例性实施例,所述医疗知识模型包括:
a.结构参数,其描述医疗知识模型的结构,
b.计算规则,其构成医疗知识模型的逻辑,其中每个计算规则根据医疗事实Fj与相应权重Wi,j的值限定用于基础集合S0中的至少一个医疗建议MSi的相应分数的计算,以及
c.展示元件,其用于展示所述方法的结果。
此外,所述医疗知识模型储存在数据库的至少第一储存区域、第二储存区域以及第三储存区域中。所有结构参数储存在第一储存区域中,所有计算规则储存在第二储存区域中而所有展示元件储存在第三储存区域中。另外,数据库的第一储存区域、第二储存区域和第三储存区域彼此不同。
换句话说,医疗知识模型的医疗核心方面与应用相关展示方面保持独立。作为该方法的巨大优势,向不同的目标群体-像患者、护理专家或护理中心代理展示该方法的结果可通过简单地限定用于所述具体目标群体的适合的展示元件来实现,无需改变所述知识模型的医疗核心方面。同样地,将医疗建议翻译成其他口头语言也可通过简单地翻译所述模型的所有应用相关展示元件来实现。
此外,所述构思还促进知识模型在其他医学领域的可重用范围,因为其核心医学一致性基本独立于所述最终应用情形。在一种实施例中,医疗知识模型可将现有模型用作子模块。当模型将现有模型用作子模块时,其可只重用所述子模块的结构参数,或者其可重用所述子模块的结构参数和计算规则,或者其可重用所述子模块的结构参数、计算规则以及展示元件。关于本发明的该方面的更多细节将在下文中进行更详细的描述。
可容易地读出所述结构以及该结构的内容。所述三个组分的分离是能够直接通过目录结构看见的。
所述结构参数描述医疗知识模型的结构。在一种实施例中,所述结构参数包括用于医疗事实和医疗建议/派生事实的医疗知识模型的元信息。在一种实施例中,所述结构参数包括用于结构化和/或分类医疗事实的目录,称为分类目录。此外,关于科学单位的信息可以是所述结构参数的部分,并且不同的科学单位之间的值的转换也可以是结构参数的部分。这可被看作科学单位的元信息。
在计算规则中限定医疗知识模型的逻辑元件。所述计算规则可用来根据给定或接收的已知事实(在所述方法的第一次迭代中)也可根据派生事实(在所述方法的后续迭代中)计算医疗建议的分数。因此这些计算规则可包括医疗建议MSi、医疗事实Fj以及权重Wi,j之间的数学函数或相互关系。因此计算规则可限定不同输入值的医疗建议的分数或输出。
展示元件可描述计算结果以何种格式和以何种方式展示给用户、设备和/或另外的第三方。
术语储存区域应该在本发明的上下文中理解为能够储存或存储有脚本文件的具体组的空间。在一种示例性实施例中,其可以是文件系统中的文件夹,或者可以是关系或非关系数据库中的储存空间(container)。所述储存区域可以是列表,但是其他实施例也是可能的。数据库的第一储存区域、第二储存区域以及第三储存区域是彼此不同的事实可被理解为所述三个储存区域之间的清晰分离。
根据本发明的另一示例性实施例,医疗知识模型包括第一医疗知识模块和第二医疗知识模块。所述第一医疗知识模块包括:
a.结构参数,其描述第一医疗知识模块的结构,
b.计算规则,其构成第一医疗知识模块的逻辑,其中每个计算规则根据医疗事实Fj与相应权重Wi,j的值限定用于基础集合S0中的至少一个医疗建议MSi的相应分数的计算,以及
c.展示元件,其用于展示第一医疗知识模块的结果。
第一医疗知识模块储存在所述数据库的至少第一储存区域、第二储存区域和第三储存区域中。第一医疗知识模块的所有结构参数储存在第一储存区域中,第一医疗知识模块的所有计算规则储存在第二储存区域中,而第一医疗知识模块的展示元件储存在第三储存区域中。此外,数据库的第一储存区域、第二储存区域和第三储存区域彼此不同。另外,第二医疗知识模块包括:
a.结构参数,其描述第二医疗知识模块的结构,
b.计算规则,其构成第二医疗知识模块的逻辑,其中每个计算规则根据医疗事实Fj与相应权重Wi,j的值限定用于基础集合S0中的至少一个医疗建议MSi的相应分数的计算,以及
c.展示元件,其用于展示第二医疗知识模块的结果。
第二医疗知识模块储存在所述数据库的至少第四储存区域、第五储存区域和第六储存区域中。第二医疗知识模块的所有结构参数储存在第四储存区域中,第二医疗知识模块的所有计算规则储存在第五储存区域中,而第二医疗知识模块的展示元件储存在第六储存区域中。此外,数据库的第四储存区域、第五储存区域和第六储存区域彼此不同。
当然也可使用更多的医疗知识模块,例如,可使用第三医疗知识模块或第四医疗知识模块或甚至更多的模块。它们可都具有如前面结合第一模块和第二模块的示例描述的相同结构。
该实施例包括尤其是医疗知识模型的模块性方面并且包括特别是该模型的每个模块内的医疗知识模型中的结构参数、计算规则和展示元件之间的严格物理分离。有关所述严格物理分离的方面,请参考前文和下文中的详细描述。另外,医疗知识模型可由具有具体一般结构的若干医疗知识模块构成。所述医疗知识模型的该模块性方面也会进行详细描述。
关于医疗知识模型的模块性方面在下文中应被注意。由于它们的模块性,医疗知识模块可用于其他医疗知识模块中。例如,第一医疗知识模块可容易地引用第二医疗知识模块。下文将会给出这种引用了其他模块的模块的细节和具体实施例。
根据本发明的另一示例性实施例,第二医疗知识模块依赖于第一医疗知识模块。
该模块性构思允许在标准化知识模块上的用户具体调整和定制。这可通过产生新的用户具体知识模块来实现,所述新的用户具体知识模块基于标准知识模块并且只包含用户具体变化。
根据本发明的另一示例性实施例,第二医疗知识模块的结构参数引用第一医疗知识模块的结构参数,并且/或者第二医疗知识模块的计算规则引用第一医疗知识模块的结构参数,并且/或者第二医疗知识模块的展示元件引用第一医疗知识模块的结构参数。
当然所述第二模块的一些或全部结构参数、计算规则和展示元素可引用所述第一模块的相应元素。
根据本发明的另一示例性实施例,第一医疗知识模块的所有结构参数可被所述第二知识模块引用。
根据本发明的另一示例性实施例,第一医疗知识模块和第二医疗知识模块每个包括用于验证所述方法的结果的测试案例,其中每个测试案例包括医疗事实和多个约束。
所述测试案例可储存在与其它前述储存区域分离的又一分离的储存区域中。因此,这里也应用所述严格的分离。这可对每个模块都适用。另外,在所述储存区域中储存有用于质量保证原因的测试案例。在一种实施例中,这种测试案例由作为输入矢量的医疗事实和一组约束组成,借助于所述测试案例可通过所述方法对所述方法的结果进行检验或验证。
根据本发明的另一示例性实施例,所述数据库中不包括所述第一医疗知识模块和第二医疗知识模块之间的循环依赖。
根据本发明的另一示例性实施例,所述医疗知识模型包括多个医疗知识模块,并且所述数据库中不包括所述多个医疗知识模块的医疗知识模块之间的循环依赖。
术语循环模块依赖应按其一般使用的那样理解,尤其是应理解为彼此直接或间接依赖的两个或更多个知识模块之间的关系。以下给出一种示例。如果模块M1依赖模块M2并且模块M2依赖M3并且模块M3依赖模块M1,则最后的依赖关系引入循环依赖。但是之前所描述的本发明的示例性实施例的结构并不属于这种情况。
在软件设计中,循环依赖被认为是反面模式,因为其具有负面效果。最有问题的是相互依赖模块的紧密结合降低单个模块的单独的可重用性或者使其变得不可能。另外,循环依赖还会在处理过程中引起明显的或无限的振荡。本发明的该实施例有利地避免了所述振荡。
根据本发明的另一示例性实施例,在数据库中对计算规则进行限定,其中每个计算规则根据医疗事实Fj和相应权重Wi,j的值限定基础集合S0中至少一个医疗建议MSi的相应分数的计算。
可使用不同的数学函数并且权重Wi,j可如本发明公开的具体化为概率分布。如本文限定的,限定所述数学函数的计算规则储存在数据库中。因此,计算规则具体地限定医疗建议、医疗事实以及权重之间的关联,使得单独的分数可计算用于医疗建议。
根据本发明的另一示例性实施例,在数据库中对计算规则进行限定,其中每个计算规则根据医疗事实Fj和相应权重Wi,j的接收的值限定子集S1中至少一些医疗建议MSi的相应分数的计算。
根据本发明的另一示例性实施例,用于每个计算规则的相应规则前提储存在数据库中,其中每个规则前提包括三个子前提。每个规则的第一子前提限定哪个医疗事实Fj对于相应规则计算是强制性的。每个规则的第二子前提限定哪个医疗事实Fj对于相应规则计算是选择性的。每个规则的第三子前提限定哪个医疗事实Fj对于相应规则计算是淘汰标准。
如果限定在要求的前提中的所有医疗事实是已知的或者是可以通过其他规则计算的,并且如果没有医疗事实是用于相应规则计算的淘汰标准的已知的/接收的(如输入的)医疗事实的话,则计算规则在本发明的上下文中可被看作是能够计算的。
因此,在执行所提出的方法的过程中,可通过计算/考虑自动排除规则。如果要求的事实不是已知的/接收的或者没有被派生为输入并且如果数据库中的规则不能计算所述要求的医疗事实的话,所述规则可被排除。如果已知的/接收的或者通过方法计算/派生的医疗事实是数据库中列出的淘汰标准,则相应的规则能够被自动排除。
根据本发明的另一示例性实施例,所述方法还包括以下步骤:只有对于所述计算规则是可选的所有医疗事实Fj是已知的,或者不是已知的但是可计算的,或者已经通过数据库中的任何其他计算规则进行计算并且是不可计算的情况下,执行计算规则的计算。
本发明的该实施例避免了会不利地发生在现有技术中的振荡。如果接收的已知事实在计算过程中发生改变,例如由于排除了一个接收的已知事实,并且需要重新计算结果(即,再次计算),则会在现有技术系统中产生这种问题。所述计算规则的重新计算会引起一连串多个重新计算,这在一些情况下会阻止最终结果的计算。但是通过本发明的上述实施例这是可以避免的。
通过以该具体方式使用和限定规则前提,可根据给定事实或基础排除不能进行计算的数据库的计算规则,因为满足了淘汰标准或者要求的事实是可用的。也就是说,从一开始所述方法识别满足所述要求的那些计算规则。只有那些原则上可进行计算的计算规则才会被所述方法所考虑。这可节省用于最终计算的时间并且可以避免非收敛的不必要计算。因此通过本发明的该实施例可以实现效率的提高。
一般来说医疗事实可以是用于若干规则的输入使得若干规则利用所述医疗事实。在所述方法的该实施例中,所述方法等待直到所有能够计算的规则(参见前面描述的要求)提供它们的相应结果。接着可选取具有“最佳”分数的医疗建议用于进一步计算。
根据本发明的另一示例性实施例,所述方法还包括以下步骤:只有在对于计算是淘汰标准的医疗事实Fj不是已知的并且不能被计算的情况下,对计算规则进行计算。
根据本发明的另一示例性实施例,提供一种支持妇科内分泌领域中医疗决策过程的方法。
根据本发明的另一示例性实施例,所述子集S1的特征在于包括在S1中的所述医疗建议MSi每个与至少一个医疗事实相关联,为所述医疗事实接收值作为已知事实。
也就是说,在接收已知事实时只有那些医疗建议MSi选自基础集合S0,根据所述数据库,所述医疗建议包括与所接收的医疗事实Fj的关联。因此,通过确实具有与所述医疗事实的至少一个相关或相连依赖的所提出的方法选取医疗建议,已经接收所述医疗事实的值作为已知事实。也就是说,所述子集S1的特征在于包括在S1中的医疗建议与医疗事实相关联,已经接收所述医疗事实的值作为已知事实。
根据本发明的另一示例性实施例,所述方法包括以下步骤:在选取所述子集S1的步骤的同时评估基础集合S0的每个医疗建议MSi。
也就是说,提供一种生成用于支持医疗决策过程的医疗建议的整体和全部方法。
根据本发明的另一示例性实施例,在一组基础上处理选择子集S1的步骤。
也就是说,以面向集合的方式执行选择子集S1的步骤。特别地,如果数据库中包括或储存有复杂关联或复杂关系,并且如果涉及大数据量,则所提出的方法提供快速操作。本发明的基于集合的过程的其他优点和效果结合例如图2-5进行描述。
根据本发明的另一示例性实施例,所述医疗建议MSi分别具体化为从以下组中选取的元件,所述组包括医疗诊断、医疗发现、药物治疗、既往病历、辅助建议、实验值的评估、医学真实性(medicalplausibility)、医学结论、医疗措施、医疗指示、医学声明、医学问题、症状、症状集群、文本块、营养建议、健身建议、护理建议、康复建议、基因方面、组织发现、生理过程、病理-生理过程发现、质量指标、疗法建议、治疗建议、处理建议、医学调查建议、患者调查问卷、专业调查问卷、以及它们的任意组合。
可通过下文提出的示例1至5额外获得具有详细和实践描述的示例性实施例。
根据本发明的另一示例性实施例,子集S1的医疗建议MSi的每个相应分数表示相应医疗建议是正确的概率。
这种计算得到的概率可分类或组织在列表中并且该列表可被提供给用户。可使用具体的可能性目录,像是可疑的、可能的以及高度可能的,以便将计算得到的分数分类。如果需要的话,只有经过选择的这种目录可以显示或输出至用户。
根据本发明的另一示例性实施例,医疗事实Fj分别地具体化为选自以下组的元件,所述组包括患者的年龄、患者的性别、患者的体重、患者的身高、生理参数、生物学参数、化学参数、医学参数、症状、有关医疗投诉的信息、医学发现的结果、有关患者居住条件的信息、有关患者的对描述患者的医疗状况有用的信息、诊断、医疗数据、药物治疗数据、健身数据、营养数据、康复数据、护理数据、遥测数据、统计数据、医疗参考数据、既往病历、风险因素、过敏反应、患者的习惯、患者的工作条件、患者的住房条件、成像数据、区域天气数据、区域环境数据、地方性数据、流行病数据、功能测试结果、通过它们的任意组合或调查问卷从专家或患者接收的信息。
此外,单独患者的生活的个别环境可以用作医疗事实。例如,个人关系或工作环境中的压力、污染或环境有害条件或爱好可以作为医疗事实的替代实施例。对于医疗事实“区域环境数据”,应该注意的是其中的实施例可以是例如区域辐射暴露数据、环境污染数据、以及像是铅、臭氧、紫外线辐射、粉尘或噪音的存在。
根据本发明的另一示例性实施例,计算医疗建议的分数的步骤包括以下步骤:通过对第一医疗建议MSi的第一医疗事实Fj的接收的第一值应用第一权重Wi,j得到第一建议结果。此外,包括通过对第一医疗建议MSi的第二医疗事实Fk的接收的第二值应用第二权重Wi,k得到第二建议结果的步骤。另外,通过本发明的实施例执行对第一建议结果和第二建议结果求和以得到建议MSi的分数的步骤。
换句话说,在这种情况下,医疗建议MSi的分数可被看作加权单独结果之和。除此之外或作为替代,之前描述的特异性选择的方面可用于计算医疗建议的分数。
根据本发明的另一示例性实施例,所述方法还包括以下步骤:对第一医疗事实Fj和第二医疗事实Fk的组合应用组合权重Wi,组合j-k,并且其中所述组合选自一组布尔组合,其包括AND、OR、ANDNOT、以及它们的任意括号组合。
也就是说,提供的数据库包括这样使用的权重用于不同医疗事实Fj和Fk的组合。另外,所述数据库包括布尔组合的组中的应用组合。换句话说,本发明的该实施例不仅考虑了单个集合或者第一医疗事实Fj和第二医疗事实Fk的发生,还对接收的两个事实分配权重以及对Fj和Fk的值分配权重。所以,在计算相应分数的步骤中该方法考虑了医疗事实Fj和Fk的关系。稍后将给出清楚的示例。根据本发明的另一示例性实施例,所述方法包括以下步骤:相对于至少一个第二医疗建议Sm重复之前描述的步骤。
当然,所提出的方法还可重复所述步骤用于包括在选定子集S1内的很多个医疗建议。只有具有相对高分数的医疗建议可以显示给用户作为可能的医疗建议,如果需要的话作为高的可能的医疗建议。
根据本发明的另一示例性实施例,权重Wi,j是一种概率分布,其基于医疗事实Fj的值表示相应医疗建议MSi是正确的概率。
根据本发明的另一示例性实施例,计算医疗建议的分数的步骤包括以下步骤:接收第一医疗建议Si的第一医疗事实Fj的第一值,接收第一医疗建议Si的第二医疗事实Fk的第二值,以及对第一医疗事实Fj和第二医疗事实Fk的组合应用组合权重Wi,组合j-k。
组合权重可以各种不同方式具体化。例如,权重Wi,组合j-k具体化为一种概率分布,其基于医疗事实Fj和Fk的值的组合表示相应医疗建议MSi是正确的概率。也就是说,提供一种基于面向集合计算方法将医疗事实Fj和Fk的具体值考虑在内的本发明的整体和全部方法,其中所述值是通过所述系统接收的。
根据本发明的另一示例性实施例,数据库提供一种结构使得所有医疗事实Fj是独立和等价的。也就是说,相对于另一医疗事实来说没有医疗事实是优选的,任何医疗事实都不具有优先次序。这里,反映了这样的医疗现实,即医疗相互关系和依赖关系以网状方式发生,而不是以树状方式发生。也就是说,数据库中不包括医疗事实Fj的层级。在另一实施例中,从由于它们的一般性而认为一般数据比其他事实更重要的意义上说,将患者的性别和/或年龄考虑为例外的医疗事实。
根据本发明的另一示例性实施例,所述方法包括以下步骤,将子集S1的医疗建议MSi按它们分别的计算分数的顺序进行排级,并将排级的医疗建议的顺序提供给用户。
如果需要的话,只有超过具体预定阈值的那些医疗建议MSi可被展示和提供给用户。所述阈值可以由用户调整和单独地修改。
根据本发明的另一示例性实施例,所述方法还包括以下步骤:提供分数阈值,并从子集S1选择至少一个医疗建议,如果所述医疗建议的分数大于分数阈值的话。
如已经在之前的示例性实施例的上下文中描述的,可通过本文提出的方法将在适当分数内的医疗建议转化成用于所述方法的后续和随后迭代的医疗事实。因此,所述方法可被看作迭代方法。本文使用的分数阈值以及其他阈值可被提供在数据库中。根据所述分数的限定,也可选取其他标准。例如,大于或等于分数阈值、小于分数阈值、等于分数阈值都是可能的实施例。
根据本发明的另一示例性实施例,所述方法还包括以下步骤:相对于接收的已知事实的相应创建者对单独的所述接收的已知事实进行分类,并根据所述相应的创建者应用接收的已知事实的优先次序。
特别是在之前描述的关于将医疗建议转换成用于进一步迭代的医疗事实的实施例的上下文中,其分类和优先次序具有重要意义。所述接收的已知事实的创建者还可以被看作所述接收的已知事实的来源。有利地,该实施例有助于从“真实世界”接收的并且可被称为“真实医疗事实”的已知事实之间的区分,而随后被用作医疗事实的转换的医疗建议可被归类为“虚拟医疗事实”。也就是说,本发明的该示例性实施例促进医疗事实之间的关于它们的质量或关于它们的初始状态的区分。接收的已知事实的示例性创建者可以是患者、全科医生、专科医生、用户设备或所述医生的设备。可通过本发明执行和应用相应已知事实的对应优先次序。其还提高了所提出方法的可靠性和精确性。
特别地,本发明的方法和系统能够将接收的医疗事实或者提供给数据库的信息的创建者或来源考虑在内。可相对于通过本发明生成的输出来确定所述事实是否是由患者、全科医生、医学专家、消费者设备或专业设备首创的医疗事实Fj的值用于用户。特别地,可根据相应医疗事实Fj的创建者,即医疗事实Fj的来源,通过所述方法或系统应用不同的权重。此外,如果计算的分数被提供给用户,则所述单独用户的属性可被所述方法和对应的系统考虑在内。例如,可从子集S1选取检验方法,所述方法可以是当前使用本发明的所述单独用户优选的。如果所述单独用户具有由其支配的X光设备或计算机断层扫描设备,本发明的方法和系统可优选相应的医疗建议作为输出或者可相应地增加所述分数。另外,用户可交互地向执行本发明的系统提供有关其想要应用的计算属性的信息。例如,用户可以选取第一属性“尽快计算结果”、替代的属性“以节省成本为目标”、或者替代的“合法程序”。但是其他属性也是可能的。所述方法和所述相应系统能够通过例如用户界面向用户提供这种属性用于选择。
根据本发明的另一示例性实施例,至少一个接收的医疗事实Fj是以时间演化的形式提供的。
一般地,可使用不同形式的时间演化。例如,具有血压或每分钟心跳的时间独立值的矩阵可以是一种实施例。此外,具体生理参数的时间演化图表可以是另一种实施例。所述时间演化图表可以描述的数学函数的形式提供,像是例如趋势函数。
根据本发明的另一示例性实施例,通过包括n个不同时间点处的医疗事实的n个值的矢量表示所述时间演化。
例如,用于具体化为体重的医疗事实Fj的n=4,所述医疗事实的相应矢量可以以下形式提供:[60kg(2010年12月15日)70(2010年2月27日),75kg(2010年12月31日),73kg(2011年1月5日)]。
根据本发明的另一示例性实施例,至少一个接收的医疗事实以纵向患者数据的形式提供。也就是说,按时间顺序提供患者数据,其可以各种不同的方式具体化。例如可以呈现平均值,例如最近三个月的平均值。也可使用趋势函数,所述趋势函数表示具体时间内例如半年内的增长趋势或降低趋势。此外,可使用现有函数(existentfunction)。另外,波动幅度可被用作医疗因子,或者也可使用最小函数或最大函数以声明“在x期间内所述值具有最小的y”。也可使用求和函数,这样的话,提供“发生时间之和,例如每月入院次数在上一年内超出阈值x”信息的纵向患者数据是可能的。
根据本发明的另一示例性实施例,基础集合S0包括相应地具体化为诊断的多个医疗建议。此外,每个诊断与医疗事实相关联,所述医疗事实具体化为症状或者具体化为所述诊断有关或相关联的医疗事实。通过以下示例1至5的描述和进一步的说明,本发明的该示例性实施例将显而易见。
根据本发明的另一示例性实施例,基础集合S0的第一医疗建议与第二医疗建议相关联,使得在计算所述第一医疗建议的分数的步骤中计算第二医疗建议的分数。
在下文中,示例性地描述相应情形。由增加的雄性激素例如患者的血液中的睾酮或者脱氢表雄酮限定高雄性激素血症。雄性激素自身取决于医疗事实,像是性别、年龄、怀孕状态,并且可以来自实验使用的测量方法。可通过本发明在相应的医疗建议中评估雄性激素值是否高于参考区域。所述医疗建议的结果又影响医疗建议“诊断高雄性激素血症”。此外,除了高雄性激素血症,雄性激素值影响其他医疗建议。该示例性实施例的重要优点可参见下文。如果发现了另一依赖雄性激素的医疗建议,或者如果应用的测量方法适用或者变得更加精确,那么只有相应的权重需要调整。有利地,不是包括与雄性激素值的关联的所有医疗建议,例如高雄性激素血症,需要在数据库中调整。高雄性激素血症还是可以在其他医疗建议中起作用的医疗建议。对于创建数据库的医学专家,关联、依赖关系以及相互关系的结构以能够管理的结构或格式提供。
根据本发明的另一示例性实施例,基础集合S0中的至少一个医疗建议与多个医疗事实Fj相关联,并且其中所述多个医疗事实中的至少部分在数据库中主题地(thematically)联系在一起以形成一组医疗事实。
使用医疗事实的形成的组促进将所述集合朝医疗建议的总论地(topically)联系的子集界定。这种医疗事实组可表示有关具体医疗方面的医疗事实的组分。从结构性的角度来看,这种组可被看作医疗事实之上的一种结构和医疗建议之下的一种结构。特别地,这种组可包括若干医疗事实,而医疗建议可包括或者可与医疗事实和医疗事实的组的选取相关联。例如,这种组可以是“甲状腺机能减退的症状”并且可包括以下医疗事实:
●体重增加:是/否/未知,
●一般身体虚弱:是/否/未知,
●食欲不振:是/否/未知,
●精神萎靡:是/否/未知,
●皮肤干燥:是/否/未知,
●便秘:是/否/未知,
●脱发:是/否/未知,以及
●闭经(女性):是/否/未知。
对应的医疗建议可以是“甲状腺机能减退诊断”,其中可有效地利用展示的医疗事实的组。另外,医疗事实的所述示例性组可容易地用在其他医疗建议中,使得所述组如有修改或调整,关联的医疗建议被集中和立即更新。同时地,使用所述组的所有医疗建议被自动更新和/或修改。
根据本发明的另一示例性实施例,所述数据库包括至少一个医疗建议MSi,其与用于所述医疗建议的淘汰标准相关联。
也就是说,如果一个医疗事实的值的形式的一个接收的已知事实预先假设所述医疗建议MSi不是真的,则将相应的医疗建议从所用的子集S1中移除或者根本不选择。如果所述医疗建议示例性地具体化为“是否怀孕”,则患者的性别是所谓的淘汰标准。如果接收的已知事实包括所述患者的性别为男,则医疗建议“是否怀孕”被从所用的子集S1中移除或者与在进一步的计算中不再使用的备注相关联。
根据本发明的另一示例性实施例,如果接收的已知事实满足所述淘汰标准,所述至少一个医疗建议不被选择用于所述子集S1。
根据本发明的另一示例性实施例,至少一个医疗建议MSi与用于数据库中的所述医疗建议的必须具有的标准相关联。
也就是说,如果要求的医疗事实或者医疗事实的要求值未被接收作为处理所述方法的输入,则与所谓的必须具有的标准相关联的相应医疗建议MSi不被选择用于所述子集S1。
根据本发明的另一示例性实施例,如果接收的已知事实满足所述必须具有的标准,则所述至少一个医疗建议仅被选择用于所述子集S1。
根据本发明的另一示例性实施例,所述方法还包括以下步骤:根据计算的分数生成输出,其中所述输出是从以下组中选取的,所述组包括:以各自的计算分数为顺序排级的可能的医疗建议的列表、报告、发送给患者的信、发送给实验室的信、发送给实验室的包括对于在所述实验室进行进一步测量的指示或建议的信、医疗发现信、具有临床医生的寄件人识别的医疗发现信、问题或者提给用户的问题、提给用户的图形界面形式的问题、顺序、用药顺序、以及它们的任意组合。图6示意性地示出这种内容。
根据本发明的另一示例性实施例,所述方法还包括以下步骤:以输出数据形式向用户提供所述生成的输出,接收有关由用户引起的输出数据的修改的修改信息,和根据所述接收的修改信息调整所述数据库。
在下文中描述所述系统和方法的自学方面。本文提出的方法和系统能够以被动和自动方式通过用户的行为进行学习并且可使用关于用户行为的信息以根据所述用户对建议MSi的选择更新数据库。特别地,如果将多个医疗建议MSi作为所述方法的结果呈现给用户并且用户选择了所述建议中的一个,则该用户选择可作为反馈信息提供给系统或数据库,使得可以执行所述医疗事实的相应关联的调整和/或相应权重Wi,j的调整。另外,通过本发明的方法和系统提供反馈系统。如果所述方法或系统展示了错误的决策或错误的医疗建议,则可能向用户提供例如用户界面按钮,以让系统知道提供了错误的决策。
此外,所述方法和系统能够促进从外部技术设备接收或查询关于最终的“真建议”或“真诊断”的信息,使得能够促进数据库的后续调整。
根据本发明的另一示例性实施例,从以下组中选取所述数据库的调整,所述组包括:调整至少一个医疗建议与至少一个相应医疗事实Fj的关联、调整至少一个权重Wi,j,调整用于从基础集合S0中选择医疗建议的子集S1的选择规则,以及它们的任意组合。
根据本发明的另一示例性实施例,通过所述计算单元执行选择子集的步骤和计算分数的步骤,所述方法还包括以下步骤:在计算单元与医疗事实源之间提供界面用于促进数据在数据库与医疗事实源之间的传递。这里,所述界面能够在医疗事实源连接到所述界面时促进至少一个单独患者的医疗事实Fj的值的形式的已知事实传递到所述计算单元。
在下文中描述本发明对外部数据的使用。本发明的方法和系统能够促进对外部数据的利用,并允许将所述数据整合到数据库中。优选地,可利用外部结构化数据。所提出的方法和系统允许以国际结构传输数据,像用于诊断的疾病和有关健康问题的国际统计分类法(ICD)、用于药物治疗的解剖治疗化学(ATC)分类系统、医药中心编码(PZN)、卫生信息交换标准(HL7)、xDT格式、或者医学临床术语系统化命名法(SNOMEDCT)以及其它可使用的结构。所以,本文提出的方法和系统能够访问结构化医疗知识并在本文描述的医疗建议的生成过程中利用所述知识或者利用所述知识用于生成本文描述的医疗建议。
根据本发明的另一示例性实施例,计算单元能够处理从医疗事实源接收的所述已知事实。这里,所述医疗事实源是从以下组中选取的,所述组包括传感器、用于确定生理参数的传感器、具有传感器或数据的智能电话、医疗实践的数据系统、医院的数据系统、护理或康复组织的数据系统、医疗办公室和/或医院/护理或康复组织的网络或者综合护理的网络、医疗办公室的数据库、医院/护理或康复组织的数据库、国家医疗网络的数据库、提供结构化医疗、环境或统计数据的软件、实验设备、以及实验机器人。
根据本发明的另一示例性实施例,所述方法是通过计算机网络执行的。根据本发明的另一示例性实施例,选择子集S1和计算分数的步骤是在服务器或服务器集群上执行的。根据本发明的另一示例性实施例,接收已知事实的步骤是通过用户界面执行的,用户借助于所述用户界面输入所述值。
根据本发明的另一示例性实施例提供程序元件,并且根据本发明的又一示例性实施例,提供计算机可读介质。
计算单元可具体化为处理器或CPU,但是也可不同地具体化。所述程序元件可以是计算机程序的部分,但是其也可以是整个程序自身。例如,计算机程序元件可被用来更新已经存在的计算机程序以获得本发明。计算机可读介质可以是储存介质,例如USB记忆棒、CD、DVD、数据储存设备、硬盘、或任意其他介质,其中可储存上面描述的程序元件。通过下文描述的实施例并结合对其的说明,本发明的这些以及其他特征会显而易见。
根据本发明的另一示例性实施例,提出一种对支持医疗决策过程有用的用于生成医疗建议的医疗决策支持系统。所述系统包括数据库,所述数据库具有医疗建议MSi的基础集合S0,其中在数据库中,医疗建议中的至少一些与至少一个相应的医疗事实Fj相关联。此外在数据库中,医疗建议MSi的相应医疗事实Fj与权重Wi,j相关联。所述系统还包括用于接收医疗事实Fj的值的形式的已知事实的接收装置,所述已知事实与单独患者相关联。所述系统还包括计算单元,其能够根据接收的已知事实从基础集合S0中选择医疗建议MSi的子集S1。此外,计算单元能够根据接收的医疗事实Fj和相应权重Wi,j的值计算子集S1的至少一些医疗建议MSi的相应分数。
通过之前的描述可见,该医疗决策支持系统能够实现本文提出的与所述方法有关的实施例。
附图说明
图1示出根据本发明的示例性实施例的方法的流程图。
图2示例性地示出可用在根据本发明的示例性实施例的方法中的医疗建议的基于集合的生成。
图3示意性地示出可用在根据本发明的示例性实施例的方法中的医疗建议的基于迭代集合的生成。
图4示意性地示出根据本发明的另一示例性实施例的生成医疗建议的方法。
图5示意性地示出基于树形图的系统,即现有技术,与用在本发明的示例性实施例中的生成医疗建议的面向集合的方法之间的比较。
图6示意性地示出根据本发明的示例性实施例的医疗决策支持系统。
图7示意性地示出根据本发明的另一示例性实施例的医疗决策支持系统。
具体实施方式
图1中示出提出的生成医疗建议MSi的方法的流程图。所述医疗建议MSi可被医生、患者、或医疗环境中的其他用户用作对医疗决策过程的支持。在该方法的步骤1中,提供具有包括多个医疗建议MSi的基础集合S0的数据库。另外,在所述数据库中,包括在基础集合S0中的至少一个、一些、或所有医疗建议MSi与至少一个相应的医疗事实Fj相关联。在另一实践应用中,每个医疗建议MSi与多个不同的医疗事实Fj相关联。此外,在图1的数据库中,所述至少一些医疗建议MSi的所述至少一个相应的医疗事实Fj与权重Wi,j相关联。在步骤2中,接收医疗事实Fj的值的形式的已知事实,其中所述已知事实与单独患者相关联。在所述方法的步骤3中,根据接收的已知事实从基础集合S0中选出医疗建议MSi,得到选取的子集S1。此外,步骤4表示根据接收的已知事实Fj的值和相应权重Wi,j计算子集S1中的至少一些医疗建议MSi的相应分数。如果需要的话,可补充本文描述的不同方法步骤,像生成新的医疗事实。还可对方法进行补充以提供用于多次执行所述步骤的迭代方法。此外,在数据库中还可限定计算规则,其中每个计算规则限定根据医疗事实Fj和相应权重Wi,j的值对子集S0中至少一个医疗建议MSi的相应分数的计算。因此,为了执行步骤4,计算用于子集S1中每个医疗建议的相应计算规则。
在另一实践实施例中,计算选取的子集S1中每个医疗建议MSi的相应分数。也就是说,提出一种自动方法,其中接收已知医疗事实形式的输入,其中计算关于潜在医疗建议MSi的分数,并且其可包括以已经事先选取的医疗建议的分数形式提供给用户的输出。如果需要,图1中示出的方法可根据本发明之前描述的实施例由用户进行补充,并可通过下文解释的实施例进行补充。
图2示意性地示出图1的方法的示例性实施例可如何执行生成医疗建议MSi的方法。特别地,图2中示出基于集合地生成医疗建议MSi。由储存在数据库201中的基础集合S0开始,物理实体像是例如计算单元200可根据接收的已知事实Fj计算所述子集S1。如通过图2可见,S1是基础集合S0的子集。通过图4也可得到将基础集合S0限制成子集S1的过程的原理和本发明提出的方法使用的用于限制/选择的标准。在图2的示例中,只有医疗建议MS3、MS4和MS6确实满足S1的子集标准。用于选择子集S1的所述标准可按不同方式具体化。这种标准的示例性实施例在下文中描述并且已在之前进行了描述。图2的示例还根据数据库201的内容基于所述医疗建议与接收的已知事实F1、F2以及F3的关联计算选取的医疗建议MS3、MS4和MS6的相应分数。计算单元200也可在网络系统中实施。另外,服务器或服务器集群可用来执行所述方法。所述接收的已知事实202如下。F1是医疗事实血压并且该接收的医疗事实的值为110/70。其是与单独患者相关联的已知事实。医疗事实F2具体为脉搏,其值为95次每分钟,作为单独患者的值。另外,第三接收已知事实F3具体为患者的体温并提供为40℃的值。所述已知事实被计算单元200接收,其作用于储存有决策关联和权重Wi,j的数据库201。在该实施例中用附图标记203表示的基础集合S0也储存在数据库201中并在图2中以放大视图示出。子集S1示出为204。另外,图2的示例包括具有医疗建议MS4的计算的子集S2,具有大于或等于分数阈值x的计算的分数。所以,图2中示出的方法的结果是可具体化为例如诊断、提供给用户的问题、发给实验室的用于询问例如患者的试样检测的进一步分析的信的医疗建议MS4。
可将图3中示出的实施例看作图1和/或图2的实施例的进一步发展。特别地,图3中示出医疗建议MSi的基于迭代集合的生成。结果是将医疗建议MS5呈现给用户。关于接收的已知事实的结构、计算单元、以及数据库,请参见图2。但是,本文描述的其他IT结构也可用于图3的实施例。除了用附图标记300示出的第一次迭代中的子集S1的计算之外,结合图1描述的方法步骤的二次迭代可在图3的实施例中执行。所述结果示出为二次迭代的计算的子集S1*301。图2中用附图标记205示出的计算的子集S2对应于图3中用附图标记302示出的计算的子集S2。此外,图3包括二次迭代的计算的子集S2*,其导致包括医疗建议MS5的子集303。由于进一步迭代,即图1中步骤1至4中的至少部分或全部的多次和/或重复过程,通过图3的实施例使得结果MS5的正确性更加精确和更加可靠。特别地,发现结果MS5的方式是基于经由子集S1、子集S1*、子集S2以及最终的子集S2*的基础集合S0的基于纯集合的限制。
根据本发明的另一示例性实施例,图4示出生成用于支持医疗决策过程的多个医疗建议的方法。特别地,结果400分别具体化为医疗建议MS1、MS2和MS3的三个不同分数。根据值U、W和Y形式的接收的已知事实F1、F3和F5,评估基础集合S0并选取子集S1。只有医疗建议MSi被选择用于子集S1,医疗建议MSi包括与数据库中至少一个医疗事实Fj的关联,医疗事实Fj的值已经被接收作为已知事实。图4中详细解释了所使用的医疗建议MS1至MS5与医疗事实Fj至F5的依赖关系以及相应的使用的权重W1,1至W5,5。但是,本发明不局限于这种数字的示例并且可扩展至很多个医疗建议,每个依赖于多个相应的医疗事实。特别地,可被看作从基础集合S0中选出医疗建议的面向集合的方法的医疗建议的基于集合的生成对于具有需要根据大量所接收已知事实进行评估的大量医疗建议的大数据库来说是有利的方法。由于其基于集合的方面本发明的这种情形允许可靠有效的医疗建议支持。
在图4的示例中,值U、W、Y已经被接收作为已知事实并且是医疗事实F1、F3和F5的值、特性和/或标记。所以计算单元从S0中选出医疗建议MS1、MS2和MS3以限定子集S1。由于剩余的医疗建议MS4和MS5不包括与医疗事实F1、F3和F5至少之一的关联,所以不将它们选择用于子集S1。
图5示意性地示出与现有技术使用的生成医疗建议的基于树形图的方法的缺点相比较的生成医疗建议的基于集合的方法的优点,所述基于集合的方法使用数据库,数据库包括本文描述的包括在基础集合501中的医疗建议MSi之间的关联,所述基础集合501示出于图5的右手侧。基于树形图的方法示出于图5的左手侧。在该示例性实施例中使用的医疗事实Fj示出于圆圈500中。所示的线502表示相应关联。此外,相应权重Wi,j包括和限定在相应的数据库中。另外,线503示出第一医疗建议可与第二医疗建议相关联的情况。例如,医疗建议504可包括医疗建议505,使得在计算医疗建议504的分数过程中,计算医疗建议505的分数。这有助于简化数据库中使用的数据结构并可提高本文所提出方法的速度。所以,通过该示例性实施例缩短了用于回应用户的时间要求。示出于图5的右手侧的基于集合的结构506是医疗现实的有效表示,其实际上是关于医疗事实与医疗建议之间的不同相互关系的网状。在复杂关联/相互关系和在大数据量的情况下,结构506提供所述方法的快速操作。有利地,可以在关系数据库中或者根据一个或多个索引文件实施所述结构506。这与现有技术系统中使用的层级结构507相比提供具体优势。结构506提供简化的维护,因为结构506的单个构件不需要按严格的层级顺序进行排序。不利地,现有技术结构507严格要求相应元件的正确层级顺序以避免任何不一致。
另外,本发明的有利结构506允许并行寻找不同的构思或医疗建议MSi,而在现有技术结构507中,需要通过用户选择通过树形图的单个路径。但是,这种选择带来接收的已知事实中的一个元件被忽视或低估的风险。另外,本发明的结构506允许对不确定或不精确知识的改进表示。与之相比,现有技术结构507要求层级关系。如果一个医疗事实用于树形结构507的若干不同分支中,则相应的计算过程在树形系统中变慢,因为需要执行复杂的计算操作。另外,本发明的结构506的另一优点是能够例如根据新的要求或者用户需求调整所用的集合,像基础集合S0和选取的集合S1。这种调整可以高度动态的方式执行。根据每个新的医疗事实,例如在所用的输入矢量中的新的医疗事实,以动态方式生成新的集合。另外,在医疗决策支持情况下的集合的使用提供所用集合的改进界定的可能性和优点。例如,在具体方法领域例如心脏外科领域的情况下,所述方法或所述方法的方面像子集或者分数的计算可被限制为仅是基础集合S0的部分。这可提高向用户提供或传递响应的速度。与之相比,当需要/应用对具体医疗领域的界定时,现有技术结构507不利地在其结构507内包括缺陷(holes)。所描述的结构505的优点可应用到本发明的任何实施例。
根据本发明的另一示例性实施例,图6示出医疗决策支持系统600。系统600能够执行结合图1至4描述的方法。如图6所示,系统600生成输出602,其可以根据本发明以各种不同方式具体化并且以各种不同的方式使用。例如,所述输出可以是子集S1的医疗建议MSi的分数的排级/排序,并且可以被传送到显示器605。输出602还可以被用作反馈603,并且除了在第一次迭代中接收的医疗事实Fj的值之外可提供输出602以执行所述方法的二次或更进一步的迭代,像第三次或第四次迭代。此外,图6示出可具体化为建议治疗方法例如药物治疗606的输出602。这些医疗建议可以显示在显示器607上或者可以借助于生成的信息608提供给用户。具体化输出602的另一可能是用609示出的实验值的评估可被发送至显示器610,或者可被发送至打印机611以自动地生成打印文件。根据图6的输出602还可具体化为指令或查询612以使像实验机器人的技术设备执行措施。这些医疗建议612可被发送至技术设备613,其可以具体化为所述实验机器人。此外,输出602可以是给打印机的指令,以打印例如医生的信、实验报告或医疗发现信。打印机615可由具有所述指令的系统600自动提供。另外,用户616的输入可通过例如用户界面提供至系统600。例如,用户可选择具有相应分数的多个建议的医疗建议MSi,以将选择的一个或多个医疗建议用于输入601的反馈603或者二次迭代。所以,示出的元件604、606、609、612、614以及603可被看作由本发明提出方法生成的医疗建议MSi。
图7示意性地示出医疗决策支持系统700的另一示例性实施例,其包括通过网络703彼此通信的用户界面702和服务器701。医疗事实Fj的值的形式的已知事实可通过用户界面702经由通信路径704以指令形式提供给服务器701。另外,服务器701可执行图1至4内示出的至少一个步骤或所有步骤。服务器701可向用户界面702提供选定医疗建议MSi的计算的分数并从而提供选定医疗建议MSi是正确的相应概率。可通过通信路径705提供该结果。
为了透彻地理解本发明的宽泛的各种应用,以下提供两个示例。
示例1:实验值的计算
目标:
相对于其参考区域评估测量的实验值
背景:
在妇科内分泌领域,实验值取决于大量因素。因此,在第一天具有数值x的测量值在参考区域内并因此是正常的,而当发生在不同的一天时,相同的值x远在所述参考区域之外并因此是高度病态的。
对于例如FSH值及其依赖关系的医疗情况如下:FSH值的参考区域取决于周期日和患者的年龄。所以,为了评估给定FSH值是否在参考区域内,应该知道周期日、患者的年龄以及当前的FSH值。通过这里示出的第一示例及结合第一示例的说明将会显而易见的是,当根据示例1例示的已知医疗事实F1至F9提供输入时,根据本发明的方法和系统促进对结果例如FSH值的可靠和有效评估。本发明提供改进的方法和系统以辅助用户在这样的情形下做出医疗决策。
程序:
在该实施例中,基础集合S0包括300个医疗建议MS1至MS300。特别地,所述300个医疗建议构成或限定在如下数据库中。在该示例中,感兴趣的是使用妇科内分泌的30个最重要的、常用的实验参数。所述30个参数构成30个医疗事实F1至F30。在该示例中每个所述参数与5个不同的医疗事实相结合,所述5个不同的医疗事实与单独接收的值及其与相应参考区域的关系有关。所述5个不同的医疗事实F31-F35可如下概括用于一个参数:
●实验值x远低于参考区域。
●实验值x低于参考区域。
●实验值x在参考区域内。
●实验值x高于参考区域。
●实验值x远高于参考区域。
这已经得到150个医疗建议,每个医疗建议包括30个参数之一与5个“参考区域”医疗事实之一的组合。相对于概述、计算速度和数据维护原因,进一步将具有可能值“是”和“否”的医疗事实“怀孕”考虑在内可能是较理想的。在这种情况下这又使得医疗建议的集合加倍达到总数为300个医疗建议MSi。
在该具体示例中,医生提供4个不同的参数值作为已知事实与像性别和年龄的5个一般医疗事实组合。所述已知事实可提供给根据本发明的医疗决策支持系统。一个医疗建议MSi包括影响所述单独医疗建议MSi的所有医疗事实Fj。例如,促卵泡激素(FSH)值受以下医疗事实影响:性别、年龄、周期日、怀孕状态和生命阶段,例如初潮前、能够生育、绝经前、绝经后。这些影响因素是储存在数据库中的医疗建议MS1至MS300的限定的部分,所述数据库可由医疗作者和专家创建。如将要详细解释的,还包括相应权重和用于组合的权重。在本示例中,如限定在独立权利要求中的医疗事实Fj的值的形式的接收的已知事实可按如下进行识别:
●医疗事实F1:年龄(按年):27
●医疗事实F2:性别:女
●医疗事实F3:周期日:6
●医疗事实F4:FSH(IU/l):7.5
●医疗事实F5:LH(IU/l):16.9
●医疗事实F6:17-β-雌二醇(ng/l):60.0
●医疗事实F7:HCG(IU/L):0.5
●医疗事实F8:怀孕情况:否
●医疗事实F9:女性生命阶段:能够生育
在选择过程中,从300个医疗建议中选择出所有医疗建议用于不包括接收的已知医疗事实F1至F9所满足的淘汰标准的子集S1。在该实施例中,所有医疗建议被移除或者即,未被选择用于子集S1,所述医疗建议包括医疗事实“怀孕情况:是”。所以,在选择子集S1的过程中,基础集合S0被减少至150个医疗建议。此外,只有那些医疗建议被用来限定S1,那些医疗建议包括在相应的限定区间中的值FSH=7.5、LH=16.9或者17β-雌二醇=60。所以,忽略不包括与医疗事实FSH、LF或者17β-雌二醇的关联的所有医疗建议。最终,子集S1只包括从S0中的300个医疗建议选出的最多50个医疗建议。
对于该特定示例中使用的数据库,包括医疗建议“FSH,在参考区域内,未怀孕”、用于相应关联/依赖关系的权重Wi,j或与它们相关联。数据库的所述权重可由医疗专家在之前已经描述过的生成数据库的过程中提供。在示例1中其是相对简单的二元评估。如果可被看作用于若干不同医疗事实的组合要求的以下组合之一是真的,则单独分数或者950分对于相应组合有所贡献。在该示例中,组合(即组合要求)可被看作区分要求,因为在某一时间只有一个要求可以是真的。所述组合可被看作通过布尔运算符像AND、OR、ANDNOT以及它们的括号组合相联或组合的若干相联的医疗事实。也就是说,在示例1中通过施加组合权重Wi,组合来执行对第一医疗事实和第二医疗事实的组合分配权重的步骤。因为示例1中提出的组合是区分要求,如果所述组合描述的情形中没有真的,每个组合的所有分数之和只能为零,或者如果所述组合之一是真的,所述分数之和只能为950。也就是说,如果单独医疗建议MSi的要求被满足,则所述医疗建议为950分,否则为0分。若干不同要求不能同时为真,因为对于每个组合来说只存在一个真的布尔组合,所述医疗建议的组合之和最终总是为零或950。可以非常简单地实现所述组合,例如首先性别改变,则接着周期日改变,再接着生命阶段改变。提供限定区间用于FSH值。作为淘汰标准,包括性别“男”。所述数据库包括用于医疗建议“FSH,在参考区间内,未怀孕”的以下医疗事实和区间的组合:
-组合:性别=男AND年龄(>17-…)ANDFSH(1.5-14.3)
-组合:性别=男AND年龄(>15-17)ANDFSH(-13)
-组合:性别=女AND生命阶段=能够生育AND周期日(>0-2)ANDFSH(5.49-8.23)
-组合:性别=女AND生命阶段=能够生育AND周期日(>2-4)ANDFSH(6.2-9.3)
-组合:性别=女AND生命阶段=能够生育AND周期日(>4-6)ANDFSH(5.49-8.23)
应该注意的是,前述组合对于给定示例为真,因此该医疗建议增加950分。其他使用的组合如下:
-组合:性别=女AND生命阶段=能够生育AND周期日(>6-8)ANDFSH(5.09-7.63)
-组合:性别=女AND生命阶段=能够生育AND周期日(>8-10)ANDFSH(4.26-6.39)
-组合:性别=女AND生命阶段=能够生育AND周期日(>10-12)ANDFSH(3.98-5.97)
-组合:性别=女AND生命阶段=能够生育AND周期日(>12-14)ANDFSH(3.1-17.7)
-组合:性别=女AND生命阶段=能够生育AND周期日(>14-16)ANDFSH(5.5-8.25)
-组合:性别=女AND生命阶段=能够生育AND周期日(>16-18)ANDFSH(4.81-7.22)
-组合:性别=女AND生命阶段=能够生育AND周期日(>18-20)ANDFSH(3.44-5.16)
-组合:性别=女AND生命阶段=能够生育AND周期日(>20-22)ANDFSH(2.75-4.13)
-组合:性别=女AND生命阶段=能够生育AND周期日(>22-24)ANDFSH(2.06-3.09)
-组合:性别=女AND生命阶段=能够生育AND周期日(>24-26)ANDFSH(3.44-5.16)
-组合:性别=女AND生命阶段=能够生育AND周期日(>26-28)ANDFSH(6.19-9.29)
-组合:性别=女AND生命阶段=能够生育AND周期日(>28-35)ANDFSH(5.85-8.94)
-组合:性别=女AND生命阶段=绝经后ANDFSH(23-116)
另外,作为用于医疗建议MSi“FSH,高于参考区域,未怀孕”的另一示例,以下医疗事实和限定区间的组合可用在数据库中。
-组合:性别=男AND年龄(>17-…)ANDFSH(14.3-20)
-组合:性别=男AND年龄(>15-17)ANDFSH(13-…)
-组合:性别=男AND年龄(>11-14)ANDFSH(4.6-…)
-组合:性别=女AND生命阶段=能够生育AND周期日(>0-2)ANDFSH(8.23-12)
-组合:性别=女AND生命阶段=能够生育AND周期日(>2-4)ANDFSH(9.3-12)
-组合:性别=女AND生命阶段=能够生育AND周期日(>4-6)ANDFSH(8.23-11)
-组合:性别=女AND生命阶段=能够生育AND周期日(>6-8)ANDFSH(7.63-10)
-组合:性别=女AND生命阶段=能够生育AND周期日(>8-10)ANDFSH(6.39-10)
-组合:性别=女AND生命阶段=能够生育AND周期日(>10-12)ANDFSH(5.97-10)
-组合:性别=女AND生命阶段=能够生育AND周期日(>12-14)ANDFSH(17.7-25)
-组合:性别=女AND生命阶段=能够生育AND周期日(>14-16)ANDFSH(8.25-14)
-组合:性别=女AND生命阶段=能够生育AND周期日(>16-18)ANDFSH(7.22-14)
-组合:性别=女AND生命阶段=能够生育AND周期日(>18-20)ANDFSH(5.16-12)
-组合:性别=女AND生命阶段=能够生育AND周期日(>20-22)ANDFSH(4.13-10)
-组合:性别=女AND生命阶段=能够生育AND周期日(>22-24)ANDFSH(3.09-10)
-组合:性别=女AND生命阶段=能够生育AND周期日(>24-26)ANDFSH(5.16-12)
-组合:性别=女AND生命阶段=能够生育AND周期日(>26-28)ANDFSH(9.29-12)
-组合:性别=女AND生命阶段=能够生育AND周期日(>28-35)ANDFSH(8.94-11.5)
-组合:性别=女AND生命阶段=绝经后ANDFSH(116-150)
在对子集S1内的每个医疗建议MSi的单个权重求和之后,提供以下结果:
实验值FSH远低于参考区域,未怀孕 | 0分 |
实验值FSH低于参考区域,未怀孕 | 0分 |
实验值FSH在参考区域内,未怀孕 | 950分 |
实验值FSH高于参考区域,未怀孕 | 0分 |
实验值FSH远高于参考区域,未怀孕 | 0分 |
实验值LH远低于参考区域,未怀孕 | 0分 |
实验值LH低于参考区域,未怀孕 | 0分 |
实验值LH在参考区域内,未怀孕 | 0分 |
实验值LH高于参考区域,未怀孕 | 950分 |
实验值LH远高于参考区域,未怀孕 | 0分 |
实验值17-β-雌二醇远低于参考区域,未怀孕 | 0分 |
实验值17-β-雌二醇低于参考区域,未怀孕 | 0分 |
实验值17-β-雌二醇在参考区域内,未怀孕 | 950分 |
实验值17-β-雌二醇高于参考区域,未怀孕 | 0分 |
实验值17-β-雌二醇远高于参考区域,未怀孕 | 0分 |
该结果可被分类并且低于预定阈值例如低于200分的医疗建议可从输出移除。得到的次级输出可提供如下:
实验值FSH在参考区域内,未怀孕 | 950分 |
实验值LH高于参考区域,未怀孕 | 950分 |
实验值17-β-雌二醇在参考区域内,未怀孕 | 950分 |
通过分类结果可见,所述方法和系统向用户提供基于所述女性未怀孕的给定事实的信息,其可以提供所述实验值FSH在参考区间内。从而,该结果将之前描述的参考区域与周期日、年龄以及当前提供的FSH值之间的相互关系考虑在内。这同样适用于实验值LH以及实验值17-β-雌二醇。因此,展示了对接收的已知事实F1-F9的自动的、基于计算机并面向集合的评估。
实践补充:
一种有利的辅助措施是,例如以自动方式导出额外的医疗事实,并将这些补充医疗事实添加到初始接收的已知事实。这可被看作用补充医疗事实补充初始输入矢量。例如,可容易地自动地导出上述示例的医疗事实F8和F9。
因此,本发明的方法和系统能够根据接收的已知事实生成新的医疗事实。也可使用数学函数例如用于体质指数,其是100%确定性派生或生成的新医疗事实。但是也可用合理的正确性概率生成可从接收的已知事实导出的医疗事实。
示例2:用于实验值的医疗发现情形
程序:
在该情形下医疗建议MSi的集合包括内分泌的医疗建议,其包括在示例1中详细描述的实验值评估的医疗建议。特别地,示例2的子集S0包括:
●诊断医疗建议(例如PCO综合征),
●医疗建议真实性(例如周期日和患者年龄值是不太真实的),
●来自医疗建议的结论(例如高促性腺激素、高雄性激素卵巢功能不全1(hyperandrogenemicovarianinsufficiency1),
●实验值评估医疗建议(例如FSH高于参考区域,未怀孕),
●相容性医疗建议(例如与高雄性激素脱发相容),
●文本块医疗建议(例如高雄性激素血症:术语“高雄性激素血症”只说明雄性激素的一个或多个测量水平高于参考区域。关于雄性激素的等级的解释,应该考虑雄性激素水平在童年时期、生育阶段、怀孕时期、以及绝经后期、不同参考区域的变化),以及
●辅助医疗建议(例如星座症状、复合研究等)。
医生可例如通过订单形式指示实验室检查或评估具体实验值并且所述医生希望结果是信形式的详细医疗发现报告。本发明的方法和执行所述方法的系统匹配这些需求并且可向医生提供不同格式的相应回应,使得医生可将纸式信件或电子信件整合到他的医疗实践/医疗办公室的IT管理系统或他的临床信息系统中。如果需要的话,医生或其他任何用户可将其他医疗事实添加到已经使用的接收的医疗事实。
在下面的具体示例中,提供虚拟患者TinaMustermann用于进一步的解释。如独立权利要求中限定的医疗事实Fj的值的形式的接收的已知事实可被本示例识别为:
基础事实:
●F1:年龄:38
●F2:性别:女(f)
诊断说明书(从医疗实践的IT系统自动接收/查询的)
●F3:N64.3:乳溢,与生育和哺乳无关
●F4:N91.1:继发性闭经
实验参数:
●F5:催乳激素(ng/ml):51
●F6:DHEAS(microgramm/ml):5.3
●F7:17-OH-孕酮(microgramm/ml):0.5
●F8:17-β-雌二醇(ng/l):21
临床说明:
●F9:视野缺损:是
派生事实:
●F10:怀孕情况:否
●F11:女性生命阶段:能够生育
示例2的不同步骤:
本示例的基础集合S0可被看作更加一般的基础集合的子集。S0涉及与用于实验值的医疗发现情形相结合的妇科内分泌。S0包含约(ca.)1500个医疗建议MSi。在集合操作中,选取子集S1。为了该目的,从S0中选出所有医疗建议MSi,所述医疗建议MSi至少包括由用户接收的一个医疗事实或与其相关联。在本发明的示例性实施例中,年龄和性别可被看作是基础信息,由于它们的一般价值它们应被一般地应用到系统并且不可被用作选择标准。根据接收的输入,所述接收的已知事实F1到F11、84个医疗建议保持在子集S1内。根据医疗事实Fj和相应权重Wi,j的接收的值计算子集S1中建议MSi的相应分数的步骤可在下面执行。如通过以下列表可知,每个医疗建议被归类到医疗建议目录中,其被提供在相应医疗建议后面的括号中。如果需要的话,可根据医疗建议的目录从属关系对医疗建议进行分组。
计算:
下面描述用“分类概率”的系统的计算。如一种示例性实施例,可使用三个类别来评估被看作概率的计算分数。怀疑类,用介于200与小于600之间的分数值表示;可能假设类,用大于或等于600且小于950的分数值表示;以及高度可能假设类,用等于或高于950分的分数值表示。但是,也可使用更少或更多的类别,也可使用用于相应要求(calls)的其他限制。应该注意的是,这与统计概率相比有所不同,统计概率与本发明使用的分类概率远远不同。本文描述的用于分数值的分数总是基于考虑和评估的单独情况,并且不基于总体平均评估。例如这样的单独情况,48%的大于80岁的男性患有缺血性心脏病的统计正确说法不具有添加值。实际检查的85岁男性患有或未患有所述疾病。不可能患有所述疾病的概率为48%。也就是说,这种统计学说法只在考虑一组人群时在有价值。在大于80岁的100位男性中,约有48%患有所述心脏疾病。但是在需要对单独情况进行详细检查和分析时,这对于所述单独情况不具有任何其他帮助。通过本发明的解释及其说明将会显而易见的是,虽然使用了分类概率,但本发明采用这种单独情况评估。
在以下列表中,将48个剩余医疗建议MSi按分数从高到低的顺序展示给用户。其是本文描述的TinaMustermann夫人的单独情况的结果列表。
另外,在下文中,从以上列表中选出计算示例用于说明性目的。特别地,示出称为“HOMA-IR”的活动医疗建议,即抗胰岛素性稳态模式评估。详细地,该医疗建议的依赖关系提供在以下表格中。在第一列“名称”中,提供相应医疗事实和医疗建议。在第二列“类型”中,表示是否提供医疗建议或医疗事实。在第三列“Wi,j”中,示出用于分数计算的权重Wi,j的值。在最后一列“结果,分数”中,示出相应医疗建议或医疗事实的相应计算分数。
实验室:抗胰岛素性稳态模式评估[HOMA-IR](活动),该医疗建议的关联/依赖关系:
通过医疗建议HOMA-IR的该示例可见,该医疗建议与医疗建议PCO综合征相关联。所以,当计算HOMA-IR医疗建议的分数时,还需要计算医疗建议PCO综合征的分数。该示例中采用类别怀疑(S)、可能(L)以及非常可能(VL)作为概率分类。为清楚起见,未展示PCO综合征的潜在计算系统和结构。但是对于TinaMustermann示例的给定事实来说,PCO综合征的计算值或分数为301。根据权重,将200分分配给PCO综合征,其示出于第一行和最后一列。此外,在表格的第六行内示出体质指数的医疗事实。在BMI大于29的情况下,将200分分配给HOMA-IR医疗建议。但是因为在本示例中未提供BMI值,所以没有将分数分配给相应列。以类似方式,对剩余医疗建议MSi和HOMA-IR医疗建议的医疗事实Fj进行计算使得所述分数的结果为600。
本发明的方法和系统在示例2的该实施例中能够根据之前解释的计算和普通信模板生成信,所述信模板包括在数据库中,如下所示:
Claims (43)
1.计算用于支持医疗决策过程的医疗建议的分数的方法,所述方法包括以下步骤:
提供医疗建议MSi的基础集合S0用于数据库(步骤1),
其中,在数据库中至少一些医疗建议与至少一个相应医疗事实Fj相关联,
其中,在数据库中所述至少一些医疗建议MSi的所述相应医疗事实Fj与权重Wi,j相关联,
所述方法还包括以下步骤:
接收医疗事实Fj的值的形式的已知事实,所述已知事实与单独患者相关联(步骤2),
根据接收的已知事实从基础集合S0中选出医疗建议的子集S1(步骤3),以及
根据接收的医疗事实Fj的值和相应权重Wi,j计算所述子集S1中至少一些医疗建议MSi的相应分数(步骤4)。
2.根据权利要求1所述的方法,所述方法还包括以下步骤:
使用在步骤4中计算的第一医疗建议的计算分数并根据接收的医疗事实Fj的值和相应权重Wi,j以及所述第一医疗建议的计算分数计算子集S1的至少第二医疗建议的相应分数。
3.根据权利要求1所述的方法,所述方法还包括以下步骤:
根据所述至少一个医疗建议的相应计算分数通过子集S1的至少一个医疗建议补充接收的已知事实,和
用补充的接收的已知事实重复步骤2、步骤3和步骤4。
4.根据前述权利要求中任一项权利要求所述的方法,
其中,在数据库中储存有医疗知识模型。
5.根据前述权利要求中任一项权利要求所述的方法,
其中,数据库由脚本文件集合构成。
6.根据权利要求4或5所述的方法,
其中,医疗知识模型包括
a.结构参数,其描述医疗知识模型的结构,
b.计算规则,其中每个计算规则根据医疗事实Fj与相应权重Wi,j的值限定用于基础集合S0中至少一个医疗建议MSi的相应分数的计算,
c.展示元件,
其中,医疗知识模型储存在数据库中至少第一储存区域、第二储存区域和第三储存区域中,
其中,所有结构参数储存在第一储存区域中,
其中,所有计算规则储存在第二储存区域中,
其中,所有展示元件储存在第三储存区域中,并且
其中,数据库的第一储存区域、第二储存区域和第三储存区域彼此不同。
7.根据权利要求4或5所述的方法,
其中,医疗知识模型包括第一医疗知识模块和第二医疗知识模块,
其中,第一医疗知识模块包括:
a.结构参数,其描述第一医疗知识模块的结构,
b.计算规则,其中每个计算规则根据医疗事实Fj与相应权重Wi,j的值限定用于基础集合S0中至少一个医疗建议MSi的相应分数的计算,
c.展示元件,并且
其中,第一医疗知识模块储存在数据库的至少第一储存区域、第二储存区域和第三储存区域中,
其中,第一医疗知识模块的所有结构参数储存在第一储存区域中,
其中,第一医疗知识模块的所有计算规则储存在第二储存区域中,
其中,第一医疗知识模块的所有展示元件储存在第三储存区域中,
其中,数据库的第一储存区域、第二储存区域和第三储存区域彼此不同,
其中,第二医疗知识模块包括:
a.结构参数,其描述第二医疗知识模块的结构,
b.计算规则,其中每个计算规则根据医疗事实Fj与相应权重Wi,j的值限定用于基础集合S0中至少一个医疗建议MSi的相应分数的计算,
c.展示元件,并且
其中,第二医疗知识模块储存在数据库的至少第四储存区域、第五储存区域和第六储存区域中,
其中,第二医疗知识模块的所有结构参数储存在第四储存区域中,
其中,第二医疗知识模块的所有计算规则储存在第五储存区域中,
其中,第二医疗知识模块的所有展示元件储存在第六储存区域中,并且
其中,数据库的第四储存区域、第五储存区域和第六储存区域彼此不同。
8.根据权利要求7所述的方法,
其中,第二医疗知识模块依赖于第一医疗知识模块。
9.根据权利要求7或8所述的方法,
其中,第二医疗知识模块的结构参数引用第一医疗知识模块的结构参数,并且/或者
其中,第二医疗知识模块的计算规则引用第一医疗知识模块的结构参数,并且/或者
其中,第二医疗知识模块的展示元件引用第一医疗知识模块的结构参数。
10.根据权利要求7或8所述的方法,
其中,第一医疗知识模块的所有结构参数都被第二医疗知识模块引用。
11.根据权利要求7至10中任一权利要求所述的方法,
其中,第一医疗知识模块和第二医疗知识模块每个包括用于验证所述方法的结果的测试方案,并且
其中,每个测试方案包括医疗事实和多个约束。
12.根据权利要求7至11中任一权利要求所述的方法,
其中,数据库不包括第一医疗知识模块和第二医疗知识模块之间的循环依赖。
13.根据权利要求7至12中任一权利要求所述的方法,
其中,医疗知识模型包括多个医疗知识模块,并且
其中,数据库不包括所述多个医疗知识模块的医疗知识模块之间的循环依赖。
14.根据前述权利要求中任一权利要求所述的方法,
其中,在数据库中限定计算规则,
其中,每个计算规则根据医疗事实Fj与相应权重Wi,j的值限定用于基础集合S0中至少一个医疗建议MSi的相应分数的计算。
15.根据权利要求14所述的方法,
其中,数据库中储存有用于每个计算规则的相应规则前提,
其中,每个规则前提包括三个子前提,
其中,每个计算规则的第一子前提限定哪个医疗事实Fj对于相应规则计算是强制性的,
其中,每个计算规则的第二子前提限定哪个医疗事实Fj对于相应规则计算是选择性的,并且
其中,每个计算规则的第三子前提限定哪个医疗事实Fj对于相应规则计算是淘汰标准。
16.根据权利要求15所述的方法,所述方法还包括以下步骤:
只有对于所述计算规则是选择性的所有医疗事实Fj是以下情况时执行计算规则的计算:
已知的,或者
非已知但是不能够计算的,或者
已经计算的并且通过数据库中任意其他计算规则都是不能计算的。
17.根据权利要求15或16所述的方法,所述方法还包括以下步骤:
只有对于所述计算规则是淘汰标准的所有医疗事实Fj是非已知的并且是不能计算的时执行计算规则的计算。
18.根据前述权利要求中任一权利要求所述的方法,
其中,子集S1的特征在于,包括在S1中的医疗建议与医疗事实相关联,所述医疗事实的值已被接收作为已知事实。
19.根据前述权利要求中任一权利要求所述的方法,
所述方法还包括以下步骤:
在选择子集S1的步骤时评估基础集合S0的每个医疗建议。
20.根据前述权利要求中任一权利要求所述的方法,
其中,选择子集S1的步骤在集合基础上进行。
21.根据前述权利要求中任一权利要求所述的方法,
其中,医疗建议MSi分别具体化为从以下组中选取的元件,所述组包括医疗诊断、医疗发现、药物治疗、既往病历、辅助建议、实验值的评估、医学合理性、医学结论、医疗措施、医疗指示、医学声明、医学问题、症状、症状集群、文本块、营养建议、健身建议、护理建议、康复建议、基因方面、组织发现、生理过程、病理-生理过程发现、质量指标、疗法建议、治疗建议、处理建议、医学调查建议、患者调查问卷、专业调查问卷、以及它们的任意组合。
22.根据前述权利要求中任一权利要求所述的方法,
其中,子集S1的医疗建议MSi的每个相应分数表示所述相应医疗建议是正确的概率。
23.根据前述权利要求中任一权利要求所述的方法,
其中,医疗事实Fj分别地具体化为选自以下组的元件,所述组包括患者的年龄、患者的性别、患者的体重、患者的身高、生理参数、生物学参数、化学参数、医学参数、症状、有关医疗投诉的信息、医学发现的结果、有关患者居住条件的信息、有关患者的对描述患者的医疗状况有用的信息、诊断、医疗数据、药物治疗数据、健身数据、营养数据、康复数据、护理数据、遥测数据、统计数据、医疗参考数据、既往病历、风险因素、过敏反应、患者的习惯、患者的工作条件、患者的住房条件、成像数据、区域天气数据、区域环境数据、地方性数据、流行病数据、功能测试结果、通过调查问卷从专家或患者接收的信息、以及它们的任意组合。
24.根据前述权利要求之一所述的方法,
其中,计算医疗建议的分数的步骤包括以下步骤:
对第一医疗建议MSi的第一医疗事实Fj的接收的第一值应用第一权重Wi,j得到第一建议结果,
对第一医疗建议MSi的第二医疗事实Fk的接收的第二值应用第二权重Wi,k得到第二建议结果,以及
对第一建议结果和第二建议结果求和得到建议MSi的分数。
25.根据权利要求24所述的方法,所述方法还包括以下步骤:
对第一医疗事实Fj和第二医疗事实Fk的组合应用组合权重Wi,组合 j-k,以及
其中,所述组合选自布尔组合的组,其包括AND、OR、ANDNOT、以及它们的任意括号组合。
26.根据前述权利要求中任一权利要求所述的方法,
其中,权重Wi,j是一种概率分布,其基于医疗事实Fj的值表示相应医疗建议MSi是正确的概率。
27.根据前述权利要求中任一权利要求所述的方法,
其中,计算医疗建议的分数的步骤包括以下步骤:
接收第一医疗建议Si的第一医疗事实Fj的第一值,
接收第一医疗建议Si的第二医疗事实Fk的第二值,以及
对第一医疗事实Fj和第二医疗事实Fk的组合应用组合权重Wi,组合 j-k。
28.根据权利要求27所述的方法,
其中,权重Wi,组合j-k是一种概率分布,其基于医疗事实Fj和Fk的值的组合表示相应医疗建议MSi是正确的概率。
29.根据前述权利要求中任一权利要求所述的方法,
其中,数据库提供一种结构使得所有医疗事实Fj是独立和等价的。
30.根据前述权利要求中任一权利要求所述的方法,所述方法还包括以下步骤:
将子集S1的医疗建议MSi按它们分别的计算分数的顺序进行排级,并且
将排级的医疗建议的顺序提供给用户。
31.根据前述权利要求中任一权利要求所述的方法,所述方法还包括以下步骤:
相对于所述接收的已知事实的相应创建者对单独接收的已知事实进行分类,以及
根据所述相应的创建者应用接收的已知事实的优先次序。
32.根据前述权利要求中任一权利要求所述的方法,
其中,至少一个接收的医疗事实Fj是以时间演化的形式提供的,
其中,通过包括n个不同时间点处的医疗事实的n个值的矢量表示所述时间演化。
33.根据前述权利要求中任一权利要求所述的方法,
其中,基础集合S0包括相应地具体化为诊断的多个医疗建议,
其中,每个诊断与医疗事实相关联,所述医疗事实具体化为症状或者具体化为与所述诊断有关或相关联的医疗事实。
34.根据前述权利要求中任一权利要求所述的方法,
其中,基础集合S0的第一医疗建议与第二医疗建议相关联,使得在计算所述第一医疗建议的分数的步骤中计算第二医疗建议的分数。
35.根据前述权利要求中任一权利要求所述的方法,
其中,基础集合S0中的至少一个医疗建议与多个医疗事实Fj相关联,并且
其中,所述多个医疗事实中的至少部分在数据库中主题地联系在一起以形成一组医疗事实。
36.根据前述权利要求中任一权利要求所述的方法,
其中,在所述数据库中至少一个医疗建议MSi与用于所述医疗建议的淘汰标准相关联,并且
其中,如果接收的已知事实满足所述淘汰标准,则所述至少一个医疗建议不被选择用于子集S1。
37.根据前述权利要求中任一权利要求所述的方法,
其中,在数据库中至少一个医疗建议MSi与用于所述医疗建议的必须具有的标准相关联,并且
其中,如果接收的已知事实满足所述必须具有的标准,则所述至少一个医疗建议仅被选择用于所述子集S1。
38.根据前述权利要求中任一权利要求所述的方法,所述方法还包括以下步骤:
根据计算的分数生成输出,并且
其中,所述输出是从以下组中选取的,所述组包括以各自的计算分数为顺序排级的可能的医疗建议的列表、报告、发送给患者的信、发送给实验室的信、发送给实验室的包括对于在所述实验室进行进一步测量的指示或建议的信、医疗发现信、具有临床医生的寄件人识别的医疗发现信、问题或者提给用户的问题、提给用户的图形界面形式的问题、顺序、用药顺序、以及它们的任意组合。
39.根据权利要求38所述的方法,所述方法还包括以下步骤:
以输出数据形式向用户提供所述生成的输出,
接收有关由用户引起的输出数据的修改的修改信息,以及
根据所述接收的修改信息调整所述数据库。
40.根据权利要求39所述的方法,
其中,从组中选取所述数据库的调整,包括:
调整至少一个医疗建议与至少一个相应医疗事实Fj的关联,调整至少一个权重Wi,j,调整用于从基础集合S0中选出医疗建议的子集S1的选择规则,以及它们的任意组合。
41.根据前述权利要求中任一权利要求所述的方法,
其中,通过计算单元执行选择子集S1的步骤和计算分数的步骤,
所述方法还包括以下步骤:
在计算单元与医疗事实源之间提供界面用于促进数据在数据库与医疗事实源之间的传递,以及
其中,所述界面能够在医疗事实源连接到所述界面时促进至少一个单独患者的医疗事实Fj的值的形式的已知事实传递到所述计算单元。
42.一种计算机可读介质,其中储存有用于计算医疗建议的分数的计算机程序,所述医疗建议的分数用于支持医疗决策过程,所述计算机程序在通过处理器执行时能够执行:
用医疗建议MSi的基础集合S0形成数据库,
其中,在数据库中医疗建议中的至少一些与至少一个相应的医疗事实Fj相关联,
其中,在数据库中医疗建议MSi的相应医疗事实Fj与权重Wi,j相关联,
其中,程序元件还能够执行:
接收医疗事实Fj的值的形式的已知事实,所述已知事实与单独患者相关联,
根据接收的已知事实从基础集合S0中选出医疗建议MSi的子集S1,以及
根据接收的医疗事实Fj的值和相应权重Wi,j计算子集S1的至少一些医疗建议MSi的相应分数。
43.用于计算医疗建议的分数的医疗决策支持系统,所述医疗建议的分数用于支持医疗决策过程,
所述系统包括:
具有医疗建议MSi的基础集合S0的数据库,
其中,在数据库中医疗建议中的至少一些与至少一个相应医疗事实Fj相关联,
其中,在数据库中医疗建议MSi的所述相应医疗事实Fj与权重Wi,j相关联,
接收装置,其用于接收医疗事实Fj的值的形式的已知事实,所述已知事实与单独患者相关联,
计算单元,其能够根据接收的已知事实从基础集合S0中选出医疗建议MSi的子集S1,并且
其中,计算单元能够根据接收的医疗事实Fj的值和相应权重Wi,j计算子集S1中至少一些医疗建议MSi的相应分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011110049.4A CN112151170A (zh) | 2013-03-07 | 2014-03-07 | 用于计算用作医疗决策支持的医疗建议的分数的方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP13158164.7A EP2775412A1 (en) | 2013-03-07 | 2013-03-07 | Method of generating a medical suggestion as a support in medical decision making |
EP13158164.7 | 2013-03-07 | ||
PCT/EP2014/054502 WO2014135699A2 (en) | 2013-03-07 | 2014-03-07 | Method of calculating a score of a medical suggestion as a support in medical decision making |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011110049.4A Division CN112151170A (zh) | 2013-03-07 | 2014-03-07 | 用于计算用作医疗决策支持的医疗建议的分数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105190634A true CN105190634A (zh) | 2015-12-23 |
Family
ID=47900666
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011110049.4A Pending CN112151170A (zh) | 2013-03-07 | 2014-03-07 | 用于计算用作医疗决策支持的医疗建议的分数的方法 |
CN201480025899.0A Pending CN105190634A (zh) | 2013-03-07 | 2014-03-07 | 用于计算用作医疗决策支持的医疗建议的分数的方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011110049.4A Pending CN112151170A (zh) | 2013-03-07 | 2014-03-07 | 用于计算用作医疗决策支持的医疗建议的分数的方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20160042134A1 (zh) |
EP (2) | EP2775412A1 (zh) |
JP (1) | JP2016516231A (zh) |
KR (1) | KR102035888B1 (zh) |
CN (2) | CN112151170A (zh) |
AU (1) | AU2014224524A1 (zh) |
CA (1) | CA2904144A1 (zh) |
WO (1) | WO2014135699A2 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107978347A (zh) * | 2016-10-21 | 2018-05-01 | 佛山市顺德区顺达电脑厂有限公司 | 护理决策辅助方法及系统 |
CN109147931A (zh) * | 2017-06-16 | 2019-01-04 | 宏达国际电子股份有限公司 | 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统 |
CN109427420A (zh) * | 2017-08-31 | 2019-03-05 | 谷歌有限责任公司 | 诊断有效性工具 |
CN109817340A (zh) * | 2019-01-16 | 2019-05-28 | 苏州金唯智生物科技有限公司 | 疾病风险分布信息确定方法、装置、存储介质及设备 |
CN110162779A (zh) * | 2019-04-04 | 2019-08-23 | 北京百度网讯科技有限公司 | 病历质量的评估方法、装置及设备 |
CN107610770B (zh) * | 2016-07-11 | 2021-08-27 | 百度(美国)有限责任公司 | 用于自动化诊断的问题生成系统和方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101863240B1 (ko) * | 2015-01-28 | 2018-06-01 | 주식회사 인피니트헬스케어 | 스텐트 추천 시스템 및 방법 |
WO2017158160A1 (en) | 2016-03-17 | 2017-09-21 | Koninklijke Philips N.V. | Home visit assessment and decision support system |
KR102319741B1 (ko) * | 2016-06-30 | 2021-10-29 | 사회복지법인 삼성생명공익재단 | 임상 의사결정 지원 시스템 및 방법 |
CN109147953A (zh) * | 2017-06-28 | 2019-01-04 | 京东方科技集团股份有限公司 | 一种推理规则自动发现方法及系统 |
EP3451561A1 (en) * | 2017-08-28 | 2019-03-06 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Hybrid decoder for coded slotted aloha |
WO2019070970A1 (en) * | 2017-10-04 | 2019-04-11 | Practive Health Inc. | HEALTH CARE SYSTEM FACILITATING PERSONALIZED HEALTH CARE SERVICES PROVIDED BY MULTIPLE HEALTH CARE ORGANIZATIONS THROUGH A SINGLE HEALTHCARE APPLICATION |
KR102038139B1 (ko) | 2017-12-29 | 2019-10-29 | (주)허니냅스 | 폐쇄성 수면 무호흡증 치료를 위한 수술 시행 전 수술 성공률을 예측하는 장치 및 방법 |
KR102014825B1 (ko) | 2017-12-29 | 2019-08-27 | (주)허니냅스 | 폐쇄성 수면 무호흡증 치료를 위한 수술 시행 전 무호흡 저호흡 지수의 감소율을 예측하는 장치 및 방법 |
US11350912B2 (en) * | 2018-01-23 | 2022-06-07 | FLO Living LLC | Female health tracking and diagnosis method |
KR102270170B1 (ko) * | 2018-11-14 | 2021-06-25 | 임승준 | 증강 현실을 이용한 수술 보조 장치 |
KR102200563B1 (ko) * | 2018-12-20 | 2021-01-07 | 이화여자대학교 산학협력단 | 부모보고형 평가 데이터를 이용한 언어 평가 방법, 이를 수행하기 위한 장치 및 기록매체 |
US11189290B2 (en) * | 2019-12-04 | 2021-11-30 | International Business Machines Corporation | Interactive selection and modification |
EP4084015A4 (en) | 2019-12-27 | 2023-02-08 | Panasonic Intellectual Property Corporation of America | CONTROL METHOD, PROGRAM AND CONTROL DEVICE |
WO2021167989A1 (en) * | 2020-02-18 | 2021-08-26 | Shaklee Corporation | Systems and methods for refining a dietary treatment regimen using ranked based scoring |
CN116741373B (zh) * | 2023-08-11 | 2023-11-07 | 四川互慧软件有限公司 | 基于神经网络模型的蛇伤类型识别方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0531889A2 (en) * | 1991-09-11 | 1993-03-17 | Hewlett-Packard Company | Data processing system and method for automatically performing prioritized nursing diagnoses from patient assessment data |
CN1529867A (zh) * | 2001-01-10 | 2004-09-15 | 乔格・雷沃尔德 | 急救情况下抢救和/或医护生命用的个人专有数据采集及存储系统、相应的存储元件和方法 |
CN101911078A (zh) * | 2007-12-28 | 2010-12-08 | 皇家飞利浦电子股份有限公司 | 基于疾病概率向量检索类似患者病例 |
CN102802511A (zh) * | 2009-06-12 | 2012-11-28 | 联合研究公司 | 医学治疗假设检验的系统和方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5935060A (en) * | 1996-07-12 | 1999-08-10 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system including list based processing |
EP1011419B1 (en) * | 1996-03-01 | 2002-05-02 | Medicomp Systems, Inc. | Method and apparatus to assist a user in creating a medical protocol |
EP0912957B1 (en) * | 1996-07-12 | 2004-12-08 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system including network access |
WO2001061616A2 (en) * | 2000-02-14 | 2001-08-23 | First Opinion Corporation | Automated diagnostic system and method |
US20040122787A1 (en) * | 2002-12-18 | 2004-06-24 | Avinash Gopal B. | Enhanced computer-assisted medical data processing system and method |
WO2009073185A1 (en) * | 2007-12-03 | 2009-06-11 | Dataphysics Research, Inc. | Systems and methods for efficient imaging |
US20120078062A1 (en) * | 2010-09-24 | 2012-03-29 | International Business Machines Corporation | Decision-support application and system for medical differential-diagnosis and treatment using a question-answering system |
CN103380428A (zh) * | 2010-12-16 | 2013-10-30 | 皇家飞利浦电子股份有限公司 | 用于使用基于病例的推理的治疗计划的临床决策支持的系统和方法 |
JP2013012025A (ja) * | 2011-06-29 | 2013-01-17 | Fujifilm Corp | 診療支援システムおよび方法、並びに、プログラム |
-
2013
- 2013-03-07 EP EP13158164.7A patent/EP2775412A1/en not_active Withdrawn
-
2014
- 2014-03-07 CN CN202011110049.4A patent/CN112151170A/zh active Pending
- 2014-03-07 EP EP14708549.2A patent/EP2965241A2/en not_active Withdrawn
- 2014-03-07 US US14/773,618 patent/US20160042134A1/en not_active Abandoned
- 2014-03-07 KR KR1020157027724A patent/KR102035888B1/ko active IP Right Grant
- 2014-03-07 AU AU2014224524A patent/AU2014224524A1/en not_active Abandoned
- 2014-03-07 CA CA2904144A patent/CA2904144A1/en not_active Abandoned
- 2014-03-07 CN CN201480025899.0A patent/CN105190634A/zh active Pending
- 2014-03-07 JP JP2015560716A patent/JP2016516231A/ja active Pending
- 2014-03-07 WO PCT/EP2014/054502 patent/WO2014135699A2/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0531889A2 (en) * | 1991-09-11 | 1993-03-17 | Hewlett-Packard Company | Data processing system and method for automatically performing prioritized nursing diagnoses from patient assessment data |
EP0531889A3 (zh) * | 1991-09-11 | 1994-02-23 | Hewlett Packard Co | |
CN1529867A (zh) * | 2001-01-10 | 2004-09-15 | 乔格・雷沃尔德 | 急救情况下抢救和/或医护生命用的个人专有数据采集及存储系统、相应的存储元件和方法 |
CN101911078A (zh) * | 2007-12-28 | 2010-12-08 | 皇家飞利浦电子股份有限公司 | 基于疾病概率向量检索类似患者病例 |
CN102802511A (zh) * | 2009-06-12 | 2012-11-28 | 联合研究公司 | 医学治疗假设检验的系统和方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610770B (zh) * | 2016-07-11 | 2021-08-27 | 百度(美国)有限责任公司 | 用于自动化诊断的问题生成系统和方法 |
US11194860B2 (en) | 2016-07-11 | 2021-12-07 | Baidu Usa Llc | Question generation systems and methods for automating diagnosis |
CN107978347A (zh) * | 2016-10-21 | 2018-05-01 | 佛山市顺德区顺达电脑厂有限公司 | 护理决策辅助方法及系统 |
CN109147931B (zh) * | 2017-06-16 | 2022-04-19 | 宏达国际电子股份有限公司 | 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统 |
CN109147931A (zh) * | 2017-06-16 | 2019-01-04 | 宏达国际电子股份有限公司 | 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统 |
US11488718B2 (en) | 2017-06-16 | 2022-11-01 | Htc Corporation | Computer aided medical method and medical system for medical prediction |
US11361865B2 (en) | 2017-06-16 | 2022-06-14 | Htc Corporation | Computer aided medical method and medical system for medical prediction |
CN109427420B (zh) * | 2017-08-31 | 2022-10-14 | 谷歌有限责任公司 | 诊断有效性工具 |
CN109427420A (zh) * | 2017-08-31 | 2019-03-05 | 谷歌有限责任公司 | 诊断有效性工具 |
US11488712B2 (en) | 2017-08-31 | 2022-11-01 | Google Llc | Diagnostic effectiveness tool |
CN109817340A (zh) * | 2019-01-16 | 2019-05-28 | 苏州金唯智生物科技有限公司 | 疾病风险分布信息确定方法、装置、存储介质及设备 |
CN110162779A (zh) * | 2019-04-04 | 2019-08-23 | 北京百度网讯科技有限公司 | 病历质量的评估方法、装置及设备 |
CN110162779B (zh) * | 2019-04-04 | 2023-08-04 | 北京百度网讯科技有限公司 | 病历质量的评估方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CA2904144A1 (en) | 2014-09-12 |
WO2014135699A2 (en) | 2014-09-12 |
WO2014135699A3 (en) | 2014-11-06 |
KR20150123938A (ko) | 2015-11-04 |
CN112151170A (zh) | 2020-12-29 |
KR102035888B1 (ko) | 2019-10-23 |
EP2775412A1 (en) | 2014-09-10 |
JP2016516231A (ja) | 2016-06-02 |
AU2014224524A1 (en) | 2015-09-24 |
US20160042134A1 (en) | 2016-02-11 |
EP2965241A2 (en) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105190634A (zh) | 用于计算用作医疗决策支持的医疗建议的分数的方法 | |
US8579784B2 (en) | Personalized prognosis modeling in medical treatment planning | |
US8670997B2 (en) | Quality metric extraction and editing for medical data | |
US7805385B2 (en) | Prognosis modeling from literature and other sources | |
AU2005321925A1 (en) | Methods, systems, 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 | |
EP3382584A1 (en) | A system and a method to predict patient behaviour | |
US11011256B2 (en) | System and method for providing an on-demand real-time patient-specific data analysis computing platform | |
Venkateswaran et al. | A digital health registry with clinical decision support for improving quality of antenatal care in Palestine (eRegQual): a pragmatic, cluster-randomised, controlled, superiority trial | |
JP7021101B2 (ja) | 検査値のコンテキストによるフィルタリング | |
CN112908452A (zh) | 事件数据建模 | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
Khademolqorani et al. | Development of a decision support system for handling health insurance deduction | |
TW201426624A (zh) | 個人醫療費用預測系統 | |
KR20180108671A (ko) | 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법 및 시스템 | |
CA3012605A1 (en) | Method and system for medical suggestion search | |
de Havenon et al. | Endovascular Treatment of Acute Ischemic Stroke After Cardiac Interventions in the United States | |
Gupta et al. | A systematic review of artificial intelligence applications in the health sciences | |
US20230048700A1 (en) | Recommending at least one imaging protocol for scanning a patient | |
US20220351847A1 (en) | A device and a method for determining a path of a patient in a hospital | |
Yadav et al. | The impact of a hybrid hospital at home program in reducing subacute rehabilitation referrals | |
Hari Nandigam MD | Mapping Systematized Nomenclature of Medicine-Clinical Terms (SNOMED CT) to International Classification of Diseases, Tenth Revision, Clinical Modification (ICD-10-CM): Lessons Learned from Applying the National Library of Medicine's Mappings | |
Xu | Mapping SNOMED CT to ICD-10-CM | |
CN116957138A (zh) | 诊疗相关费用的预测方法、系统、介质及终端 | |
JP2020021339A (ja) | 電子カルテシステム | |
Apanasik et al. | The research platform for building medical diagnostic services |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180316 Address after: German jesteburg Applicant after: O Busi Dinu J limited liability company Address before: Germany Mainz Applicant before: MEDESSO GMBH |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |
|
RJ01 | Rejection of invention patent application after publication |