CN107111679A - 用于确定健康风险的方法 - Google Patents

用于确定健康风险的方法 Download PDF

Info

Publication number
CN107111679A
CN107111679A CN201580071478.6A CN201580071478A CN107111679A CN 107111679 A CN107111679 A CN 107111679A CN 201580071478 A CN201580071478 A CN 201580071478A CN 107111679 A CN107111679 A CN 107111679A
Authority
CN
China
Prior art keywords
subject
health
people
age
risk
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201580071478.6A
Other languages
English (en)
Inventor
希瑟·霍姆斯
艾米丽·雷恩斯·张
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tapp Genes Co
Original Assignee
Tapp Genes Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tapp Genes Co filed Critical Tapp Genes Co
Publication of CN107111679A publication Critical patent/CN107111679A/zh
Pending legal-status Critical Current

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G16H10/65—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records stored on portable record carriers, e.g. on smartcards, RFID tags or CD

Landscapes

  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开提供了用于健康管理的系统和方法。该系统可以基于健康数据和家族健康史来计算受试者的健康风险。该系统可以基于健康数据来计算与受试者的健康状态相对应的年龄。该系统可以提供受试者的家族健康史的图形表示。基于所计算的年龄和健康风险，该系统可以提供为该受试者定制的健康建议。

Description

用于确定健康风险的方法
交叉引用
本申请要求2014年10月28日提交的美国临时专利申请No.62/069,573和2015年7月21日提交的美国临时专利申请No.62/195,072的权益，其中每一个通过引用而全文并入本文。
背景技术
受试者的健康数据，例如家族健康史，可以提供关于受试者的健康状态和相关风险因素的有价值的信息。然而，以个性化的受试者特异性方式从过多的健康数据中获得有意义的信息可能是具有挑战性的。当前的健康管理系统仅可以提供有限的信息，并且会排除对受试者的整体健康状态的准确评估。
发明内容
在一些实施方案中，本发明提供一种方法，其包括：a)接收包含针对受试者和该受试者的血亲中的每一个的以计算机可读代码编码的健康信息的电子通信；b)从所述计算机可读代码中提取所述受试者的经编码的健康信息，并将所提取的所述受试者的经编码的健康信息传送到第一存储器扇区；c)从所述计算机可读代码中提取所述受试者的血亲的经编码的健康信息，并将所提取的所述受试者的血亲的经编码的健康信息传送到第二存储器扇区；d)通过将第一存储器扇区的内容复制到所述受试者的健康概况(profile)中来创建所述受试者的健康概况；e)通过将第二存储器扇区的内容复制到所述受试者的血亲的健康概况中来创建所述受试者的血亲的健康概况；f)在视觉显示器上以空间关系显示所述受试者的健康概况和所述受试者的血亲的健康概况，该空间关系提示所述受试者与所述受试者的血亲之间的系谱关系；g)基于所提取的所述受试者的经编码的健康信息和所提取的所述受试者的血亲的经编码的健康信息生成查询；h)基于所述查询搜索数据库，其中该数据库存储条目，每个条目用样本群体的成员的健康风险编码，以鉴别与所提取的所述受试者的经编码的健康信息中存在的健康风险共同的样本群体内的健康风险；i)基于所述查询搜索所述数据库，其中该数据库存储条目，每个条目用样本群体的成员的健康风险编码，以鉴别与所提取的所述受试者血亲的经编码的健康信息中存在的健康风险共同的样本群体内的健康风险；f)基于比较来计算所述受试者相对于所述样本群体的相对风险水平；以及g)用所计算的所述受试者相对于样本群体的相对风险水平以电子方式标注所述受试者的健康概况。
在一些实施方案中，本发明提供一种方法，其包括：a)在物理存储器上创建第一数据节点和第二数据节点；b)在所述物理存储器上创建与第一数据节点相关联的第一子节点；c)在所述物理存储器上创建与第二数据节点相关联的第二子节点；d)用编码人的图像的计算机可读代码填充第一数据节点；e)用编码所述人的亲属的图像的计算机可读代码填充第二数据节点；f)用所述人的健康风险数据填充第一子节点；g)用所述人的亲属的健康事件数据填充第二子节点；h)从第一数据节点向视觉显示模块发送运载编码所述人的图像的计算机可读代码的电子信号；i)从第二数据节点向所述视觉显示模块发送运载编码所述人的亲属的图像的计算机可读代码的电子信号；j)由所述视觉显示模块将编码所述人的图像的计算机可读代码处理成所述人的图像；k)由所述视觉显示模块将编码所述人的亲属的图像的计算机可读代码处理成所述人的亲属的图像；1)在视觉显示器上以空间关系显示所述人的图像和所述人的亲属的图像，该空间关系提示所述人与所述人的亲属之间的系谱关系；m)从第一子节点向健康图标模块发送运载所述人的健康风险数据的电子信号；n)从第二子节点向所述健康图标模块发送运载所述人的亲属的健康事件数据的电子信号；o)由所述健康图标模块处理所述人的健康风险数据，以产生提示所述人的健康风险的图标；p)由所述健康图标模块处理所述人的亲属的健康事件数据，以产生标识所述人的亲属的健康事件的图标；q)在所述视觉显示模块上在所述人的图像附近显示提示所述人的健康风险的图标；以及r)在所述视觉显示模块上在所述人的亲属的图像附近显示标识所述人的亲属的健康事件的图标。
在一些实施方案中，本发明提供一种方法，其包括：a)接收包含以计算机可读代码编码的受试者的健康信息的电子通信；b)从所述计算机可读代码中提取所述受试者的经编码的健康信息，并将所提取的所述受试者的经编码的健康信息传送到存储器扇区；c)通过将所述存储器扇区的内容复制到健康概况中来创建所述受试者的健康概况；d)基于所述受试者的健康概况来鉴别所述受试者的多个健康风险因素；e)基于所鉴别的所述受试者的健康风险因素产生查询；f)基于所述查询来搜索数据库，其中该数据库存储样本群体的条目，其中每个条目用该样本群体的成员的年龄和健康风险编码，以鉴别与所述受试者的经鉴别的健康风险因素之一相对应的年龄调整因子；g)基于多个年龄调整因子计算所述受试者的年龄；以及h)用所述受试者的计算年龄以电子方式标注所述受试者的健康概况，其中所述计算年龄基于所提取的所述受试者的健康数据对应于所述受试者的健康状态。
附图说明
图1示出了结肠癌的年龄和性别特异性发病率数据的逻辑近似。
图2示出了前列腺癌的年龄特异性发病率数据的近似。
图3示出了本发明的系统对具有和不具有皮肤癌家族史的女性计算的年龄。
图4示出了针对年龄绘制的发生健康状况的概率。
图5示出了在限制(capping)最大和最小计算年龄之前，本发明的系统对具有和不具有乳腺癌家族史的女性计算的年龄。
图6示出了在限制最大和最小计算年龄之后，本发明的系统对具有和不具有乳腺癌家族史的女性计算的年龄。
图7是示出可以结合本发明的示例实施方案使用的计算机系统的第一示例架构的框图。
图8是示出可以结合本发明的示例实施方案使用的计算机网络的图。
图9是示出可以结合本发明的示例实施方案使用的计算机系统的第二示例架构的框图。
图10示出了可以传输本发明的产品的全球网络。
图11示出了由本发明的系统显示的家族健康树。
图12示出了构建健康风险模型的步骤。
图13示出了由本发明的系统确定的健康风险。
具体实施方式
受试者的健康和发生健康状况的可能性可受许多因素的影响。这些因素可以包括例如遗传因素、生活方式因素、环境因素或其任意组合。此外，发生健康状况的可能性可在受试者之间不同，并且可能对每个受试者是特异的。
本公开提供了用于健康管理的系统和方法。该系统和方法可以用于基于例如受试者的健康数据和受试者的一个或多个血亲的健康数据来计算与受试者的健康状态相对应的年龄。该系统可以确定与一个或多个健康状况相关的受试者的健康风险。例如，可以使用与该系统提供的年龄和健康风险有关的信息来采取预防措施，诊断健康状况，将受试者的症状与健康状况相关联，鉴别潜在的变态反应，以及选择适合该受试者的具体健康数据的更有效的治疗、药物、疗法和规程。本发明的方法和系统可以提供针对受试者定制的健康建议，例如，该系统可以基于受试者的健康数据(例如健康状况的遗传易感性)来推荐生活方式改变。该系统可以提供受试者和受试者亲属的健康数据和健康风险的图形表示，例如家族健康树。基于该系统的例如健康风险、计算年龄和健康建议的输出，可以进行治疗干预。
从受试者群体收集数据可以提供对于发现与疾病或健康状况高度相关的变量有用的信息。该变量可以是例如年龄、性别、生活方式和家族史。确定与健康状况相关的变量可用来创建例如高度准确的疾病特异性或健康状况特异性模型。群体健康数据可以由本发明的系统使用，例如，用来基于受试者的亲属(例如祖父母)的死亡年龄来预测受试者的死亡年龄；基于健康数据确定可用于改善或调整受试者年龄计算的相对风险；基于健康受试者的生活方式如何选择以及受试者的家族史与数据库或群体中其他受试者的家族史如何比较，对数据库中的受试者进行排序；以及基于家族史信息建议遗传检测。本发明的方法可用于受试者的治疗干预。
本发明的方法
健康数据
本发明的系统可以收集关于受试者的健康数据。健康数据可以包括例如年龄、出生日期、性别、体重、身高、腰围、身体质量指数、种族、家族健康史、家族医疗史、个人医疗史、药物使用、多种维生素使用、变态反应、既往手术、规程、遗传数据、临床资料、在规定时间内的体重增加、出生体重、妊娠次数、月经初潮年龄、妊娠时年龄、母乳喂养、个人健康状况史、绝经年龄、绝经后、避孕措施使用、激素使用、药物使用、酒精摄入次数和频率、吸烟、体力活动、饮食、健康状况筛查、血压、生命体征、血型、肤色、眼睛颜色、毛发颜色、身体质量指数(BMI)和运动习惯。
在一些实施方案中，健康数据包括关于与健康状况相关的环境因素的数据。环境因素的非限制性实例包括暴露于化学品、石棉、橡胶、铝、芳香胺、辐射、阳光、疾病媒介、二手烟、空气污染、不纯水和霉菌。
在一些实施方案中，健康数据包括遗传数据。可以通过例如对受试者的生物样品进行测序来获得遗传数据。遗传数据可以从例如遗传数据库、DNA银行设施和基因库(repositories)获得。可以使用任何合适的测序方法，例如下一代测序方法来获得受试者的遗传数据。
受试者或群体的遗传数据可采取多种形式。遗传数据的非限制性实例包括基因、基因型、等位基因、突变、多态性、限制性片段长度多态性试验(RFLP)的结果、聚合酶链反应试验(PCR)的结果、亲子鉴定的结果、核酸序列，上述任何项的表达、外显率、普及率(prevalence)、拷贝数、途径、功能或染色体位置，及其组合。
在一些实施方案中，健康数据包括关于家族健康史的数据。关于家族史的数据可以包括来自受试者的任何适宜血亲例如一级亲属、二级亲属和三级亲属的健康信息。一级亲属可以包括，例如，父母、兄弟姐妹(siblings)和子女(offspring)。二级亲属可以包括，例如，侄女、侄子、半同胞(half-siblings)、祖父母、孙子女、姑姨和叔舅。三级亲属可以包括，例如，堂表亲(first-cousins)、曾祖父母和曾孙。家族史可以包括来自继子女、继父母和半同胞的健康数据。家族史可以包括与个体遗传相关的个体的健康数据。该系统可以定制化，以选择将要包括在家族健康史中的亲属。
在一些实施方案中，家族史包括来自一个或多个一级亲属的健康信息。在一些实施方案中，家族史包括来自受试者的一个或多个一级血亲和一个或多个二级血亲的健康信息。在一些实施方案中，家族史包括来自受试者的血亲的健康信息。在一些实施方案中，家族史包括来自受试者的多于一个血亲的健康信息。
本发明的系统可以收集并存储受试者或受试者的亲属的健康事件(episode)数据。在一些实施方案中，该系统收集受试者的亲属的健康事件数据。在一些实施方案中，该系统使用受试者的亲属的健康事件数据来计算例如受试者的健康风险和年龄。健康事件的非限制性实例包括贫血、绞痛、焦虑、心律失常、变态反应、良性前列腺增生、冷凝集素疾病、癌症、白内障、艰难梭菌(clostridium difficile)、慢性心力衰竭、便秘、慢性阻塞性肺病、脑血管意外、痴呆、抑郁症、血脂异常、糖尿病、深静脉血栓形成、胃食管反流病、胃肠道出血、青光眼、高血压、甲状腺功能减退、插管、心肌梗死、肺栓塞、肺炎、精神病史、消化性溃疡病、外周血管病、骨关节炎、肥胖症、骨质疏松症、类风湿关节炎、肾功能不全、癫痫发作、尿失禁、手术史、家庭可用性、移动性、独立性、物质使用，例如酒精、烟草、处方药和非处方药。健康事件数据可以包括与健康事件相关的症状，例如a)体质异常，包括例如发热、精神状态改变、机能变化、健康状态改变、体重变化和疼痛；b)胃肠道异常，包括例如恶心、呕吐、肥胖、腹痛、腹泻、便秘、黑便、血红素隐匿(heme-occult)、吞咽困难、消化不良、食欲改变和粪便变化；c)神经系统异常，包括例如晕厥、失语、头痛、眩晕、局灶性虚弱、感觉异常、癫痫发作、言语变化、感官知觉变化和温度知觉变化；d)肌肉骨骼异常，包括例如关节疼痛、肿胀、肌痛、关节痛、运动范围变化、跌倒风险、跌倒史和步态障碍；e)呼吸系统异常，包括例如呼吸急促、咳嗽、哮鸣、痰量变化、痰颜色变化、痰韧性变化；f)头-眼-耳-鼻-喉(HEENT)异常，包括例如视力变化、听力变化、视力辅助、耳鸣、牙痛和假牙；g)泌尿生殖系统异常，包括例如排尿困难、血尿、频率变化、紧迫性、夜尿、控尿(continence)变化和水合(hydration)的变化；h)精神异常，包括例如焦虑、抑郁、睡眠障碍、好斗、精神病、幻觉、妄想和药物滥用；i)心血管/肺血管异常，包括例如胸痛、心悸、眩晕、运动性呼吸困难和水肿；和j)皮肤异常，包括例如皮疹、瘙痒、瘀伤和开放区域。在一些实施方案中，健康事件数据包括心血管发作。在某些实施方案中，健康事件数据包括癌症。在一些实施方案中，健康事件数据包括糖尿病。在一些实施方案中，健康事件数据包括肺病况，例如变态反应和哮喘。在一些实施方案中，健康事件数据包括代谢病况，例如糖尿病。在一些实施方案中，健康事件数据包括脑或神经病况。在一些实施方案中，健康事件数据包括中风。
本发明的系统可以基于健康数据生成受试者的健康概况，例如个人健康表征(portrait)。该系统用来生成健康概况和计算受试者年龄的健康数据可以基于例如受试者的健康状况、年龄和性别为每个受试者定制。例如，该系统针对前列腺癌使用的健康数据可以包括例如性别、身高、钙摄入、脂肪摄入、家族史和种族。
可以将受试者的健康概况或健康数据与来自多个受试者的健康数据的数据库进行比较。与健康数据的数据库的比较可用来计算受试者的健康风险。该数据库可以包含要与受试者的健康数据进行比较的多个受试者的任何合适的健康数据，例如多个受试者中的每一个的年龄、性别、种族和健康风险。
图形表示
在一些实施方案中，本发明的系统提供受试者的家族健康树的图形表示。在一些实施方案中，该系统包括具有显示设备、处理器设备、数据库、节点、子节点、存储器扇区和介质的计算机系统，该介质具有被配置为根据本文所述的方法显示相关个体的系谱关系和健康数据的计算机可执行指令。该系统可以包括例如计算机可读介质、物理存储器、物理驱动器、视觉显示模块、图标模块、图标、存储器扇区和数据文件。
所述系统可以接收包含例如以计算机可读形式编码的健康信息的电子通信。该系统可以从计算机可读代码中提取经编码的信息。该系统可以将提取的信息传送到例如存储器扇区、物理存储器、节点和子节点。
系统可以包括可操作地耦合到用户终端和医疗保健提供者终端的通信接口。该通信接口可以适于从用户终端、医疗保健提供者终端或其组合收集信息。所收集的信息可以包括例如与用户的健康状况相关的信息、关于向用户施用的药物的信息以及关于用户的身体状况的信息。该系统还可以包括可操作地耦合到该通信接口并且适于存储用户信息的数据存储介质。该数据存储介质可以耦合到计算机处理器。
本发明的系统可以收集并存储受试者的图像。该系统可以收集并存储受试者的一个或多个血亲的图像。该系统可以以显示或提示受试者与受试者家族之间的系谱关系的方式(例如家族健康树)来显示图片(图11)。
所述系统可以配置用于为健康状况或健康事件分配特定图标(图11)。该图标可以显示在个体图像附近，指示与该图像相关联的个体的健康事件或健康状况。
所述系统可以基于受试者图像旁边的健康数据来显示如本文所述计算的受试者年龄。该系统可以在受试者图像旁边显示受试者的健康风险。该系统可以在个体的图像旁边显示药物和生命体征。
健康风险
本发明的系统可以基于例如受试者的健康数据和家族健康史来确定该受试者的健康风险。该系统可以从群体中收集健康和家族数据并保存到数据库。基于群体数据，该系统可以确定每个健康状况的强相关预测子(predictor)。基于该预测子，该系统可以构建风险模型，如图12所示。使用该风险模型，可以基于预测子为每个受试者计算个性化风险评分。
可以基于受试者的家族健康史调整该受试者的健康风险。例如，与没有2型糖尿病家族史的受试者相比，具有2型糖尿病家族史的受试者发生2型糖尿病的风险可能高2倍。
由所述系统确定的健康风险可以是定性的、定量的或不是定量的。在一些实施方案中，由该系统确定的健康风险不是定量的。在一些实施方案中，由该系统确定的健康风险是定量的。该健康风险可以基于例如受试者的年龄、性别和种族进行调整。
受试者的健康风险可表明，例如，该受试者发生健康状况的风险。健康风险可以以任何合适的格式报告。健康风险可报告为高、呈平均值或低。健康风险可以报告为群体的百分位数。健康风险可以报告为钟形曲线。例如，如图13所示，由于受试者处在第80百分位数，因此发生状况(例如2型糖尿病)的健康风险可能很高。
健康风险可以为约1％、约2％、约3％、约4％、约5％、约6％、约7％、约8％、约9％、约10％、约11％、约12％、约13％、约14％、约15％、约16％、约17％、约18％、约19％、约20％、约21％、约22％、约23％、约24％、约25％、约26％、约27％、约28％、约29％、约30％、约31％、约32％、约33％、约34％、约35％、约36％、约37％、约38％、约39％、约40％、约45％、约50％、约55％、约60％、约65％、约70％、约75％、约80％、约85％、约90％、约95％或约100％。
遗传年龄
本发明的系统可以基于与例如健康状况的家族史相关的受试者的相对风险来计算该受试者的年龄。相对风险可表明受试者发生健康状况的风险。与不同健康状况相关的相对风险可以相同或不同，这取决于与健康状况相关的健康数据。与健康状况相关的相对风险可以以年龄依赖性的方式表示，或者表示为所有年龄段的平均值。在一些实施方案中，健康状况(例如乳腺癌)的阳性家族史对年轻群体中的相对风险比对老年群体的相对风险有更大的影响。与健康状况相关的相对风险可以以性别依赖性的方式表示，或者表示为两种性别的平均值。相对风险可以由所述系统使用该系统收集的健康数据来计算。相对风险可以从数据库中获得，例如疾病风险指数或您的疾病风险。
与健康状况相关的相对风险的值可以是例如约0.1、约0.2、约0.3、约0.4、约0.5、约0.6、约0.7、约0.8、约0.9、约1、约1.1、约1.2、约1.3、约1.4、约1.5、约1.6、约1.7、约1.8、约1.9、约2、约2.1、约2.2、约2.3、约2.4、约2.5、约2.6、约2.7、约2.8、约2.9、约3、约3.1、约3.2、约3.3、约3.4、约3.5、约3.6、约3.7、约3.8、约3.9、约4、约4.1、约4.2、约4.3、约4.4、约4.5、约4.6、约4.7、约4.8、约4.9、约5、约5.5、约6、约6.5、约7、约7.5或约8。
本发明的系统可以使用与群体中健康状况普及率相关的数据。对于每个健康状况，该系统可以确定并使用具有例如健康状况的阳性家族史的群体的分数。在某些实施方案中，健康状况的普及率数据对应于具有至少一个具有受影响的一级亲属的家族成员的群体的分数。与阳性家族史相关的普及率数据可以基于例如具有健康状况的1、2、3、4、5、6、7、8、9、10个或更多个家族成员。普及率数据可以以性别依赖性的方式报告，或者报告为两性的平均值。普及率数据可以以年龄依赖性的方式报告，或者报告为所有年龄段的平均值。普及率数据可以基于家族规模来报告，或者报告为所有家族规模的平均值。在一些实施方案中，群体中对应于健康状况的阳性家族史的普及率数据被报告为所有年龄和家族规模的平均值。群体中健康状况的普及率可能随着群体老龄化而增加。普及率可随着家族规模的增大而增加。普及率数据可以报告为例如百分比、比例、分数或概率。群体中健康状况的普及率可以是例如约0％、约1％、约2％、约3％、约4％、约5％、约6％、约7％、约8％、约9％、约10％、约11％、约12％、约13％、约14％、约15％、约16％、约17％、约18％、约19％、约20％、约21％、约22％、约23％、约24％、约25％、约26％、约27％、约28％、约29％、约30％、约31％、约32％、约33％、约34％、约35％、约36％、约37％、约38％、约39％、约40％、约45％、约50％、约55％、约60％、约65％、约70％、约75％、约80％、约85％、约90％、约95％或约100％。健康状况的普及率数据可以从数据库中获得，例如疾病风险指数或您的疾病风险。在一些实施方案中，普及率数据基于美国人口。
本发明的系统可以使用以下方程式，按照P(疾病)——一般群体中的患病群体——确定P(疾病|家族史)和P(疾病|！家族史)：
P(D)＝P(D|E)*P(E)+P(D|！E)*P(！E)
其中RR是相对风险，E是暴露或家族史，D是疾病。由于RR和P(E)和P(！E)的值可以基于相对风险值和普及率数据来确定，因此上述方程式可以按照P(D)对P(D|E)求解，按照P(D)对P(D|！E)求解，如下所示：
作为年龄的函数的P(疾病)的近似值可以使用每个健康状况和每个性别的年龄特异性原始发病率数据来确定。发病率数据可以从数据库中获得。例如，美国国家癌症研究所的监督、流行病学和最终结果(SEER)计划数据库可用于获得癌症发病率数据。风险曲线可以使用发病率数据进行绘制，并使用发病率数据的每个间隔的中间年龄用逻辑函数进行近似估计。
针对膀胱癌从SEER数据库中获得的年龄和性别特异性原始发病率数据的实例在表1中示出：
表1
诊断时的年龄 男性 女性
<1 - -
1-4 - -
5-9 - -
10-14 - -
15-19 0.4 0.3
20-24 1.1 0.8
25-29 2.2 2.2
30-34 4.9 4.3
35-39 8.8 8.6
40-44 17.8 16.4
45-49 33.3 27.9
50-54 64 51
55-59 84.6 59.9
60-64 120.3 80.5
65-69 174.8 118.6
70-74 233.5 162.5
75-79 279.4 213
80-84 333.7 261.4
85+ 371 303.5
其中“-”是指膀胱癌的低风险。
在表1中，对于由所述系统进行的年龄计算，膀胱癌的低风险可以近似为零。可以假定风险在给定年龄范围内为线性。平均年龄可以用作每个年龄范围的代表性年龄。
通过使预测风险与实际风险之差的平方达到最小，可以为发病率数据构建最佳拟合的逻辑曲线。参数A、B、C和D可以从以下逻辑方程式确定：
其中A是最年轻年龄时的风险，B是幂，C是年龄的中心，D是最大年龄时的风险。
对于许多健康状况，发病率数据的近似在形状上可以是S形，并且可以使用逻辑方程式。S形曲线的近似可以提供递增函数，无分支，并且可能在大多数年龄范围内有效。
图1示出了结肠癌的年龄和性别特异性发病率数据的逻辑近似。如图1所示，预测的风险和观察到的风险的风险曲线几乎相同，表明结肠癌的数据良好地符合逻辑近似。
对于一些健康状况，P(疾病)例如可以随着年龄的降低而减小。P(疾病)随年龄的减小可能由于与其他健康状况的相关性而发生，例如，死于相关健康状况(例如前列腺癌)的老年受试者，或者对其缺乏后期生活测试。
图2示出了前列腺癌的年龄和性别特异性发病率数据的近似。如图2所示，70岁及以上的逻辑近似没有良好地拟合。对70岁及以上的男性缺乏前列腺癌筛查和观察到的前列腺癌病例减少可能导致对老年男性的逻辑近似下降。
对于每个年龄，p(疾病|E)和P(疾病|！E)可以使用以下方程式来计算：
其中RR是相对风险，E是暴露或家族史，A是最年轻年龄时的风险，B是幂，C是年龄的中心，D是最大年龄时的风险。
对于p(疾病|E)和p(疾病|！E)，一般群体中的相应年龄可以用以下方程式来计算：
其中RR是相对风险，E是暴露或家族史，A是最年轻年龄时的风险，B是幂，C是年龄的中心，D是最大年龄时的风险。
图3示出了由本发明的系统对具有和不具有皮肤癌家族史的女性计算的年龄。X轴代表女性的实足年龄，Y轴代表与基于女性的健康数据(例如，皮肤癌家族史)计算的女性健康状态相对应的年龄。
基于例如健康状况的阳性家族史发生健康状况的高风险可导致受试者的计算年龄大于在一般群体中所见的实足年龄，例如，计算年龄大于100岁。相反，基于例如没有健康状况的家族史发生健康状况的低风险可导致受试者的计算年龄低于在一般群体中所见的实足年龄，例如，计算年龄小于0岁。
图4示出了针对年龄绘制的疾病的概率——P(疾病)。如图所示，具有疾病家族史的老年受试者可能具有比在一般群体中对于类似年龄的受试者所见的疾病风险更大的疾病风险。由所述系统计算的年龄可以在任何合适的期望范围内加以限制，例如，最高计算年龄可以限制在100岁，最低计算年龄可以限制在0岁。
图5示出了在限制最大和最小计算年龄之前，通过本发明的系统对具有和不具有乳腺癌家族史的女性计算的年龄。图6示出了在限制最大和最小计算年龄之后，通过本发明的系统对具有和不具有乳腺癌家族史的女性计算的年龄。该系统基于健康数据计算的无限高和无限低年龄在图5和图6中绘制为零。来自一般群体的受试者的风险可以等于具有疾病家族史的老年人的风险。在一些实施方案中，具有等同于100岁受试者的计算的疾病风险和年龄的受试者可被认为处于非常高的发生健康状况的风险下。在一些实施方案中，具有等同于0岁受试者的计算的疾病风险和年龄的受试者可被认为处于非常低的发生健康状况的风险下。
本发明的系统可以计算受试者的健康状况特异性年龄。例如，基于受试者的健康状况如心脏病、糖尿病和癌症家族史，该系统可以计算与每个健康状况相关的受试者的年龄，即与心脏病相关的受试者年龄、与糖尿病相关的受试者年龄和与癌症相关的受试者年龄。该系统的健康状况特异性年龄可以基于与该健康状况相关的健康数据。该系统可以计算受试者的例如1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20个或更多的健康状况特异性年龄。
本发明的系统可以基于受试者的健康状况特异性年龄来计算调整因子。调整因子可以基于受试者的例如1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20个或更多的健康状况特异性年龄。调整因子可用来调整受试者的实足年龄，以输出受试者的年龄，其对应于受试者的健康状态。调整因子可以是例如约0.1、约0.2、约0.3、约0.4、约0.5、约0.6、约0.7、约0.8、约0.9、约1、约1.1、约1.2、约1.3、约1.4、约1.5、约1.6、约1.7、约1.8、约1.9、约2、约2.1、约2.2、约2.3、约2.4、约2.5、约2.6、约2.7、约2.8、约2.9、约3、约3.1、约3.2、约3.3、约3.4、约3.5、约3.6、约3.7、约3.8、约3.9、约4、约4.1、约4.2、约4.3、约4.4、约4.5、约4.6、约4.7、约4.8、约4.9、约5、约5.5、约6、约6.5、约7、约7.5、约8、约8.5、约9、约9.5或约10。调整因子可以是正值或负值。受试者的年龄可以基于调整因子来计算，例如通过算术求和或加入调整因子。
加权因子可以由本发明的系统应用，例如，加权因子可以应用于受试者的调整因子或健康状况特异性年龄。加权因子或权重可以是例如约0.001、约0.002、约0.003、约0.004、约0.005、约0.006、约0.007、约0.008、约0.009、约0.01、约0.02、约0.03、约0.04、约0.05、约0.06、约0.07、约0.08、约0.09、约0.1、约0.2、约0.3、约0.4、约0.5、约0.6、约0.7、约0.8、约0.9、约1、约1.1、约1.2、约1.3、约1.4、约1.5、约1.6、约1.7、约1.8、约1.9、约2、约2.1、约2.2、约2.3、约2.4、约2.5、约2.6、约2.7、约2.8、约2.9、约3、约3.1、约3.2、约3.3、约3.4、约3.5、约3.6、约3.7、约3.8、约3.9、约4、约4.1、约4.2、约4.3、约4.4、约4.5、约4.6、约4.7、约4.8、约4.9、约5、约5.5、约6、约6.5、约7、约7.5、约8、约8.5、约9、约9.5或约10。权重因子可以是正值或负值。
本发明的系统可以通过对受试者的两个或更多个健康状况特异性年龄进行算术求和来计算受试者的总体年龄。该系统计算的总体年龄可以提示以非零风险发生健康状况的可能性增加或降低。该系统可以为每个健康状况特异性年龄确定或分配权重。用于每个健康状况特异性年龄的权重可以基于例如一般群体中的健康状况的普及率。每个健康状况特异性年龄的加权平均值可以由所述系统加和为单个总体计算年龄。该系统可以加和例如1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20个或更多的健康状况特异性年龄，以计算受试者的总体年龄。该系统在计算总体年龄时加和的健康状况特异性年龄可以基于受试者的性别，例如女性的卵巢癌和乳腺癌以及男性的前列腺癌。该系统考虑的健康状况特异性年龄的非限制性实例是心脏病、中风、糖尿病、膀胱癌、结肠癌、肾癌、肺癌、胰腺癌、乳腺癌、卵巢癌、前列腺癌、皮肤黑素瘤，以及与本文所述的任何风险因素或状况相关的年龄。
通过本发明的系统计算的受试者的年龄可以与例如该受试者的实足年龄进行比较。可以将受试者的计算年龄与例如该受试者的生物学年龄进行比较。
本发明的系统的应用
本发明的系统可用来将所有健康信息收集并存储在一起，例如为每个家族成员保存健康记录；迅速浏览状况、药物和医疗文件拷贝；并从任何地方访问记录，包括在旅行时或紧急情况中。
本发明的系统可以用来为紧急情况做准备。可以基于健康信息为每个家族成员生成紧急情况概况。可以生成紧急访问代码，以便与医疗保健提供者共享信息。
本发明的系统可以用来例如在家族成员、照护者和医疗保健提供者之间共享信息。由本发明的系统提供的信息可以由例如照护者或医疗保健提供者使用，以对受试者的健康作出更好和更明智的决定，例如开具药物。
本发明的系统可以提供针对受试者或家族的健康需要定制的个性化健康、医疗和教育内容。
可以使用本发明的系统基于健康数据计算受试者的年龄。由该系统计算的受试者的年龄可以是例如约0、约1、约2、约3、约4、约5、约6、约7、约8、约9、约10、约11、约12、约13、约14、约15、约16、约17、约18、约19、约20、约21、约22、约23、约24、约25、约26、约27、约28、约29、约30、约31、约32、约33、约34、约35、约36、约37、约38、约39、约40、约41、约42、约43、约44、约45、约46、约47、约48、约49、约50、约51、约52、约53、约54、约55、约56、约57、约58、约59、约60、约61、约62、约63、约64、约65、约66、约67、约68、约69、约70、约71、约72、约73、约74、约75、约76、约77、约78、约79、约80、约81、约82、约83、约84、约85、约86、约87、约88、约89、约90、约91、约92、约93、约94、约95、约96、约97、约98、约99、约100岁或更老。
可以使用本发明的系统确定基于健康数据的受试者的计算年龄与受试者的实足年龄之间的算术差。该算术差可以是正值或负值。该算术差可以是约0、约1、约2、约3、约4、约5、约6、约7、约8、约9、约10、约11、约12、约13、约14、约15、约16、约17、约18、约19、约20、约21、约22、约23、约24、约25、约26、约27、约28、约29、约30、约31、约32、约33、约34、约35、约36、约37、约38、约39、约40、约41、约42、约43、约44、约45、约46、约47、约48、约49、约50、约51、约52、约53、约54、约55、约56、约57、约58、约59、约60、约61、约62、约63、约64、约65、约66、约67、约68、约69、约70、约71、约72、约73、约74、约75、约76、约77、约78、约79、约80、约81、约82、约83、约84、约85、约86、约87、约88、约89、约90、约91、约92、约93、约94、约95、约96、约97、约98、约99、约100岁或更多岁。该算术差可以是约-1、约-2、约-3、约-4、约-5、约-6、约-7、约-8、约-9、约-10、约-11、约-12、约-13、约-14、约-15、约-16、约-17、约-18、约-19、约-20、约-21、约-22、约-23、约-24、约-25、约-26、约-27、约-28、约-29、约-30、约-31、约-32、约-33、约-34、约-35、约-36、约-37、约-38、约-39、约-40、约-41、约-42、约-43、约-44、约-45、约-46、约-47、约-48、约-49、约-50、约-51、约-52、约-53、约-54、约-55、约-56、约-57、约-58、约-59、约-60、约-61、约-62、约-63、约-64、约-65、约-66、约-67、约-68、约-69、约-70、约-71、约-72、约-73、约-74、约-75、约-76、约-77、约-78、约-79、约-80、约-81、约-82、约-83、约-84、约-85、约-86、约-87、约-88、约-89、约-90、约-91、约-92、约-93、约-94、约-95、约-96、约-97、约-98、约-99、约-100岁或更少岁。
受试者可以是例如老年人、成年人、青少年、儿童、幼儿或婴儿。受试者可以是男性或女性。受试者可以是患者。受试者可以是个体或客户。
本发明的系统可以由受试者、患者、照护者、受试者的家庭成员、受试者的法定监护人、保险提供者、学校、大学、筛选机构、认证机构、医院、诊所、药剂师和医疗保健专业人员使用。医疗保健专业人员的非限制性实例包括内科医生、护士、治疗师、急救医士、医疗专家、内科医生助理、医疗技术人员、外科医生、外科医生助理、外科技术人员、临床主任、物理治疗师、职业治疗师、急救医疗技术人员和临床医师。本发明的系统可以支持任何数量的用户。每个用户都可以创建用户概况，并随时编辑该概况。
本发明的系统可在医院或研究设施使用。在一些实施方案中，本发明在医院或研究设施之外使用。在一些实施方案中，本发明在受试者的家中使用，并且可以允许医院与受试者的家之间的通信。可以使用本发明系统的场所的非限制性实例包括医院、卫星临床和护理管理设施；护理设施；临终关怀和姑息治疗设施；诊所；门诊手术中心；临时急救场外设施；实验室；临床试验地点；政府机构；和矫正设施。
本发明的系统可以应用于任何健康状况。健康状况的非限制性实例包括癌症、皮肤病况、内分泌紊乱、眼睛病症、肠疾病、传染病、遗传病、心脏病、中风、糖尿病、癌症、神经障碍、阿尔茨海默病、痴呆、关节炎、哮喘、血凝块、抑郁症、高胆固醇、高血压、流产和出生缺陷。
癌症的非限制性实例包括急性淋巴母细胞性白血病、急性髓样白血病、肾上腺皮质癌、AIDS相关癌症、AIDS相关淋巴瘤、肛门癌、阑尾癌、星形细胞瘤、基底细胞癌、胆管癌、膀胱癌、骨癌、脑肿瘤如小脑星形细胞瘤、大脑星形细胞瘤/恶性神经胶质瘤、室管膜瘤、髓母细胞瘤、幕上原始神经外胚瘤、视通路和下丘脑神经胶质瘤、乳腺癌、支气管腺瘤、伯基特淋巴瘤、未知原发灶癌、中枢神经系统淋巴瘤、小脑星形细胞瘤、宫颈癌、儿童癌症、慢性淋巴细胞性白血病、慢性髓性白血病、慢性骨髓增生性病症、结肠癌、皮肤T细胞淋巴瘤、结缔组织增生性小圆细胞肿瘤、子宫内膜癌、室管膜瘤、食管癌、尤因肉瘤、生殖细胞肿瘤、胆囊癌、胃癌、胃肠道类癌瘤、胃肠道间质瘤、神经胶质瘤、毛细胞白血病、头颈癌、心脏癌、肝细胞(肝)癌、霍奇金淋巴瘤、下咽癌、眼内黑素瘤、胰岛细胞癌、卡波西肉瘤、肾癌、喉癌、唇及口腔癌、脂肪肉瘤、肝癌、肺癌如非小细胞和小细胞肺癌、淋巴瘤、白血病、巨球蛋白血症、骨恶性纤维组织细胞瘤/骨肉瘤、髓母细胞瘤、黑素瘤、间皮瘤、隐匿原发性转移性鳞状颈癌、口癌、多发性内分泌肿瘤综合征、骨髓增生异常综合征、髓样白血病、鼻腔和鼻旁窦癌、鼻咽癌、神经母细胞瘤、非霍奇金淋巴瘤、非小细胞肺癌、口癌、口咽癌、骨肉瘤/骨恶性纤维组织细胞瘤、卵巢癌、卵巢上皮癌、卵巢生殖细胞肿瘤、胰腺癌、胰腺癌、胰岛细胞癌、鼻旁窦和鼻腔癌、甲状旁腺癌、阴茎癌、咽癌、嗜铬细胞瘤、松果体星形细胞瘤、松果体生殖细胞瘤、垂体腺瘤、胸膜肺母细胞瘤、浆细胞瘤形成、原发性中枢神经系统淋巴瘤、前列腺癌、直肠癌、肾细胞癌、肾盂和输尿管移行细胞癌、视网膜母细胞瘤、横纹肌肉瘤、唾液腺癌、肉瘤、皮肤癌、梅克尔细胞皮肤癌、小肠癌、软组织肉瘤、鳞状细胞癌、胃癌、T细胞淋巴瘤、喉癌、胸腺瘤、胸腺癌、甲状腺癌、滋养细胞肿瘤(妊娠)、未知原发部位的癌症、尿道癌、子宫肉瘤、阴道癌、外阴癌、瓦尔登斯特伦巨球蛋白血症和威尔姆斯瘤。
遗传状况的非限制性实例包括软骨发育不全、α-1抗胰蛋白酶缺乏、抗磷脂综合征、自闭症、常染色体显性多囊肾病、乳腺癌、腓骨肌萎缩症(Charcot-Marie-Tooth)、结肠癌、猫叫综合征(Cri du chat)、克罗恩病、囊性纤维化、德卡姆(Dercum)病、唐氏综合征、杜安(Duane)综合征、迪谢内(Duchenne)肌营养不良、因子V莱顿(Leiden)血栓形成倾向、家族性高胆固醇血症、家族性地中海热、脆性X染色体综合征、戈谢病、血色素沉着症、血友病、前脑无裂畸形(Holoprosencephaly)、亨廷顿病、Klinefelter综合征、马凡(Marfan)综合征、强直性肌营养不良、神经纤维瘤病、努南(Noonan)综合征、成骨不全、帕金森病、苯丙酮尿症、波兰(Poland)异常、卟啉症、早老症、前列腺癌、视网膜色素变性、重症联合免疫缺陷(SCID)、镰状细胞病、皮肤癌、脊髓性肌萎缩、泰-萨氏病(Tay-Sachs)、地中海贫血、三甲基胺尿症、特纳(Turner)综合征、软腭-心-面综合征、WAGR综合征和威尔逊(Wilson)病。
本发明的系统可被配置为用于任何合适的设备，例如个人计算机、平板电脑或智能电话。
基于受试者的健康数据，本发明的系统可以提供与群体相比受试者发生健康状况的相对风险。该风险可以分类为，例如，无、低、中等或高。该风险可以报告为百分比或得分。该风险可以是例如约0％、约1％、约2％、约3％、约4％、约5％、约10％、约15％、约20％、约30％、约40％、约50％、约60％、约70％、约80％、约90％或约100％。
本发明的系统可以基于健康数据向受试者提供健康建议。健康建议的非限制性实例包括生活方式的改变、身体活动、饮食、药物、补充剂、环境因素、阳光暴露、遗传检测、治疗干预和健康状况筛查。
在本发明的系统中使用的统计功能
为了确定方法的准确性，可以进行可靠性评估。可针对检验可靠性测量的一个输出是Pearson相关系数(r)。Pearson相关系数可以描述两个结果之间的线性关系，并且介于-1与+1之间。样本的相关系数r可以使用以下公式计算：
其中n是样本量；i＝1、2、…、n；X和Y是变量，和是该变量的平均值。Pearson相关系数r的平方r2被称为确定系数，可用于解释简单线性回归中作为X的函数的Y的方差的分数。
Pearson相关系数也可以用来描述效应量，效应量可以被定义为两组之间的关系的量级。当Pearson相关系数用作效应量的量度时，结果的平方可以估计实验中由实验模型解释的方差的量。
可靠性可以是测量值随时间保持一致并且不存在随机误差的程度的指示。可靠性可以衡量测试结果是否稳定并且内部一致。测试-重测法是可用于可靠性的一种测量方法。当在两个不同时间对样本进行相同的测试时，测试-重测可靠性测试可以测量样本结果的变化。如果在两个不同时间给出的测试结果相似，那么该测试可以被认为是可靠的。可以用Pearson相关系数来描述两个结果之间的关系；相关系数的值越高，测试的可靠性就越高。
测试-重测可靠性的相关系数的值可以是例如约-1、约-0.95、约-0.9、约-0.85、约-0.8、约-0.75、约-0.7、约-0.65、约-0.6、约-0.55、约-0.5、约-0.45、约-0.4、约-0.35、约-0.3、约-0.25、约-0.2、约-0.15、约-0.1、约-0.05、约0、约0.05、约0.1、约0.15、约0.2、约0.25、约0.3、约0.35、约0.4、约0.45、约0.5、约0.55、约0.6、约0.65、约0.7、约0.75、约0.8、约0.85、约0.9、约0.95或约1。
可用于测量测试可靠性的另一个测试是分半可靠性测试。分半可靠性测试将测试分为两个部分，条件是这两个部分包含相似的主题，并将测试施用于样本。然后，将来自样本的每一半测试的得分相互比较。可以使用Pearson相关系数来描述来自该测试两半的得分之间的相关性或相似性程度，其中如果相关性高，则该测试是可靠的。
分半可靠性的相关系数的值可以是例如约-1、约-0.95、约-0.9、约-0.85、约-0.8、约-0.75、约-0.7、约-0.65、约-0.6、约-0.55、约-0.5、约-0.45、约-0.4、约-0.35、约-0.3、约-0.25、约-0.2、约-0.15、约-0.1、约-0.05、约0、约0.05、约0.1、约0.15、约0.2、约0.25、约0.3、约0.35、约0.4、约0.45、约0.5、约0.55、约0.6、约0.65、约0.7、约0.75、约0.8、约0.85、约0.9、约0.95或约1。
有效性是测试测量目标物的程度。为了使测试有效，测试可以证明测试结果得到上下文支持。具体来说，有关测试有效性的证据可以通过测试内容、响应过程、内部结构、与其他变量的关系以及测试的后果来呈现。
Hotelling的T方检验是一种多变量检验，本发明的系统可以采用其以便使用该系统确定不同受试者群体的结果均值的差异。使用以下公式计算T方检验的检验统计量(T2)：
其中x是样本平均值，Sp是样本的合并方差-协方差，n是样本量。
为了计算F统计量，使用以下公式：
其中p是正在分析的变量的数目，F统计量是F分布的，具有p和n1+n2-p自由度。可以使用F表来确定结果在指定的α或显著性水平下的显著性。如果观察到的F统计量大于该表中在正确自由度下发现的F统计量，则该检验在所定义的α水平上是显著的。如果例如α水平被定义为0.05，则结果可能在小于0.05的p值时是显著的。
方差分析(ANOVA)是可以由本发明的系统使用以确定两组或更多组数据之间的统计学显著差异的统计检验。ANOVA的F统计量可以计算如下：
其中是样本平均值，n是样本量，s是样本的标准偏差，I是组的总数，N是总样本量。然后使用F表来确定结果在指定的α水平下的显著性。如果观察到的F统计量大于该表中在指定自由度下发现的F统计量，则该检验在定义的α水平下是显著的。如果例如α水平被定义为0.05，则结果可能在小于0.05的p值时是显著的。
Hotelling的T方检验或ANOVA的α水平可以设定在例如约0.5、约0.45、约0.4、约0.35、约0.3、约0.25、约0.2、约0.15、约0.1、约0.05、约0.04、约0.03、约0.02、约0.01、约0.009、约0.008、约0.007、约0.006、约0.005、约0.004、约0.003、约0.002或约0.001。
可以进行风险模型的曲线下面积(AUC)计算，以确定健康风险预测的准确性。
本发明的年龄计算方法的准确性可以通过例如监测受试者与群体的发病率进行评估。基于健康数据，受试者的计算年龄可以大于实足年龄。可以监测受试者以确定受试者是否以与一般群体中的个体相同的速率发生健康状况或疾病，其中个体具有与计算年龄相当的实足年龄。例如，本发明的系统可以为受试者提示约60-65岁的计算年龄。可以评估该受试者以确定该受试者的发病率，例如感兴趣的健康状况或疾病的发病率是否与60-65岁的个体相当。可以进行Student t检验来测量计算年龄的准确性。
为了确定所述方法的准确性，可以进行Student t检验。Student t检验是本发明的系统可以采用以便使用该系统确定两个受试者群体的结果平均值的差异的统计检验。在本系统中，T检验可用来测量对照组与干预组之间对医护方案的依从性。独立的两个样本研究的t检验的检验统计量(t)使用以下公式来计算：
其中x是样本平均值，n是样本量，且
其中s是组x1或x2的标准偏差。
这种检验的自由度为2n-2。一旦计算了检验统计量，就可以使用遵循Student t分布的值表来确定p值。如果计算的p值低于在定义的α水平和相应的自由度下确定的值，则认为结果是显著的。如果α水平被定义为0.05，则结果可能在小于0.05的p值时是显著的。
Student t检验的α水平可以设定在例如约0.5、约0.45、约0.4、约0.35、约0.3、约0.25、约0.2、约0.15、约0.1、约0.05、约0.04、约0.03、约0.02、约0.01、约0.009、约0.008、约0.007、约0.006、约0.005、约0.004、约0.003、约0.002或约0.001。
可以提供任何工具、接口、引擎、应用程序、程序、服务、命令或其他可执行项目作为在计算机可读介质上以计算机可执行代码编码的模块。在一些实施方案中，本发明提供了一种其中以计算机可执行代码编码的计算机可读介质，该计算机可执行代码编码用于执行本文所述的任何动作的方法，其中该方法包括提供包含任何数量的本文所述模块的系统，每个模块执行本文描述的任何功能，从而为用户提供诸如输出的结果。
实施例
实施例1：本发明的系统在确定具有多种健康状况家族史的受试者的年龄中的应用
一名健康的女性受试者使用本发明的系统基于家族健康史计算她的年龄。该受试者的实足年龄为32岁。该受试者在其个人计算机上使用该系统的应用程序来输入她的健康数据，其包括膀胱癌、结肠癌、乳腺癌、糖尿病、心脏病、中风、肾癌、肺癌、卵巢癌、胰腺癌和皮肤癌的家族史。
如表2所示，所述系统针对每个报告的健康状况基于健康数据来计算受试者的年龄，并且对各个年龄求和以计算该受试者的总体年龄。
表2.具有多种健康状况家族史的受试者的计算年龄。
健康状况 本发明系统基于家族健康史计算的年龄
膀胱癌 0.67656474
结肠癌 0.89998224
乳腺癌 2.92629993
糖尿病 9.83374513
心脏病 12.8005275
中风 6.22928254
肾癌 0.35758744
肺癌 1.56897238
卵巢癌 0.29116182
胰腺癌 0.36510363
皮肤癌 0.52788634
受试者的总体年龄 36.4771137
岁 36
月 6
可以如本文所述使用年龄-风险曲线来确定与健康状况相关的个体年龄，例如，如表2-6所示。个体年龄可以用一般群体中的健康状况的相对发病率进行加权。
所述系统基于该女性受试者的健康数据输出36岁的计算年龄。该系统还报告，该受试者发生健康状况的风险与比32岁女性受试者大4岁的女性相当。基于计算的年龄和健康风险，该系统提供针对受试者的健康数据定制的健康建议，例如，经常针对其家族健康史中的健康状况进行筛查、饮食变化、增加身体活动和减少阳光暴露。
实施例2：本发明的系统在确定没有健康状况家族史的受试者的年龄中的应用
一名健康的女性受试者使用本发明的系统基于健康数据计算她的年龄。该受试者的实足年龄为32岁。该受试者没有任何健康状况的家族史。该受试者在其智能手机上使用该系统的应用程序来输入她的健康数据。
如表3所示，所述系统针对每个报告的健康状况基于健康数据来计算受试者的年龄，并将各个年龄组合以计算该受试者的总体年龄。
表3.没有健康状况家族史的受试者的计算年龄。
健康状况 本发明系统基于家族健康史计算的年龄
膀胱癌 0.488653474
结肠癌 0.815634576
乳腺癌 2.638531498
糖尿病 7.331063134
心脏病 11.08997409
中风 5.740232812
肾癌 0.278590761
肺癌 0
卵巢癌 0.250769969
胰腺癌 0.24229663
皮肤癌 0.364548063
受试者的总体年龄 29.24029501
岁 29
月 3
所述系统基于该受试者的健康数据输出29岁的计算年龄。该系统还报告，该受试者发生健康状况的风险与比32岁受试者小3岁的女性相当。然而，该系统指出心脏病和糖尿病的较高风险。基于计算的年龄和健康风险，该系统提供针对受试者的健康数据定制的健康建议，例如，继续保持健康的生活方式。
实施例3：本发明的系统在确定具有皮肤癌家族史的受试者的年龄中的应用
一名女性受试者使用本发明的系统基于健康数据计算她的年龄。该受试者的实足年龄为32岁。该受试者具有患有黑素瘤皮肤癌的一级亲属。该受试者在医生办公室使用该系统的应用程序来输入她的健康数据。
如表4所示，所述系统针对每个报告的健康状况基于健康数据来计算受试者的年龄，并且将各个年龄组合以计算该受试者的总体年龄。
表4.具有皮肤癌家族史的受试者的计算年龄。
健康状况 本发明系统基于家族健康史计算的年龄
膀胱癌 0.488653474
结肠癌 0.815634576
乳腺癌 2.638531498
糖尿病 7.331063134
心脏病 11.08997409
中风 5.740232812
肾癌 0.278590761
肺癌 0
卵巢癌 0.250769969
胰腺癌 0.24229663
皮肤癌 0.527886341
受试者的总体年龄 29.40363329
岁 29
月 5
所述系统基于该受试者的皮肤癌家族健康史输出29岁的计算年龄。该系统还报告，该受试者发生健康状况的风险与比32岁女性受试者小3岁的女性相当。基于计算的年龄和皮肤癌家族史，该系统提供针对受试者定制的健康建议，例如避免晒伤、使用防晒霜、不使用日晒床以及经常针对皮肤变化和痣进行筛查。
实施例4：本发明的系统在确定具有心脏病家族史的受试者的年龄中的应用
一名女性受试者使用本发明的系统基于心脏病家族健康史计算她的年龄。该受试者的实足年龄为32岁。该受试者具有患有心脏病的一级亲属。该受试者在其平板电脑上使用该系统的应用程序来输入她的健康数据。
如表5所示，所述系统针对每个报告的健康状况基于健康数据来计算受试者的年龄，并将各个年龄组合以计算该受试者的总体年龄。
表5.具有心脏病家族史的受试者的计算年龄。
健康状况 本发明系统基于家族健康史计算的年龄
膀胱癌 0.488653474
结肠癌 0.815634576
乳腺癌 2.638531498
糖尿病 7.331063134
心脏病 12.80052747
中风 5.740232812
肾癌 0.278590761
肺癌 0
卵巢癌 0.250769969
胰腺癌 0.24229663
皮肤癌 0.364548063
受试者的总体年龄 30.95084839
岁 30
月 11
所述系统基于该受试者的心脏病家族健康史输出31岁的计算年龄。该系统还报告，该受试者发生健康状况的风险与比32岁女性受试者小1岁的女性相当。
实施例5：本发明的系统在确定具有心脏病、中风、肺癌和糖尿病家族史的受试者的年龄中的应用
一名女性受试者使用本发明的系统基于心脏病、中风、肺癌和糖尿病的家族健康史计算她的年龄。该受试者的实足年龄为32岁。该受试者使用互联网上可用的该系统的应用来输入她的健康数据。
如表5所示，所述系统针对每个报告的健康状况基于健康数据来计算受试者的年龄，并将各个年龄组合以计算该受试者的总体年龄。
表6.具有心脏病、中风、肺癌和糖尿病家族史的受试者的计算年龄。
健康状况 本发明系统基于家族健康史计算的年龄
膀胱癌 0.488653474
结肠癌 0.815634576
乳腺癌 2.638531498
糖尿病 9.833745131
心脏病 12.80052747
中风 6.229282539
肾癌 0.278590761
肺癌 1.56897238
卵巢癌 0.250769969
胰腺癌 0.24229663
皮肤癌 0.364548063
受试者的总体年龄 35.51155249
岁 35
月 6
所述系统基于该受试者的心脏病家族健康史输出35.5岁的计算年龄。该系统还报告，该受试者发生健康状况的风险与比32岁女性受试者大3.5岁的女性相当。
实施例6：计算机架构。
各种计算机架构适用于本发明。图7是示出可以结合本发明的示例实施方案使用的计算机系统700的第一示例架构的框图。如图7所示，该示例计算机系统可以包括用于处理指令的处理器702。处理器的非限制性示例包括：Intel Core i7TM处理器、Intel Corei5TM处理器、Intel Core i3TM处理器、Intel XeonTM处理器、AMD OpteronTM处理器、三星32位RISC ARM 1176JZ(F)-S v1.0TM处理器、ARM Cortex-A8、三星S5PC100TM处理器、ARMCortex-A8 Apple A4TM处理器、Marvell PXA 930TM处理器或功能相当的处理器。多执行线程可以用于并行处理。在一些实施方案中，可以使用多个处理器或具有多个核的处理器，无论是在单个计算机系统中，在集群中，还是在包含多个计算机、蜂窝电话和/或个人数据助理设备的网络上跨系统分布。
数据采集、处理和存储
如图7所示，高速缓冲存储器701可以连接到或并入处理器702，从而为处理器702最近或经常使用的指令或数据提供高速存储器。处理器702由处理器总线705连接到北桥706。北桥706由存储器总线704连接到随机存取存储器(RAM)703，并且管理处理器702对RAM703的访问。北桥706还通过芯片组总线707连接到南桥708。南桥708继而连接到外围总线709。该外围总线可以是例如PCI、PCI-X、PCI Express或其他外围总线。北桥和南桥通常被称为处理器芯片组，并且管理处理器、RAM和外围总线709上的外围组件之间的数据传输。在一些架构中，北桥的功能可以并入处理器中，而不是使用单独的北桥芯片。
在一些实施方案中，系统700可以包括附接到外围总线709的加速器卡712。加速器可以包括现场可编程门阵列(FPGA)或用于加速某些处理的其他硬件。
软件界面
软件和数据被存储在外部存储713中，并且可以被加载到RAM703和/或高速缓冲存储器701中以供处理器使用。系统700包括用于管理系统资源的操作系统；操作系统的非限制性示例包括：Linux、WindowsTM、MACOSTM、BlackBerry OSTM、iOSTM和其他功能相当的操作系统，以及运行在操作系统之上的应用软件。
在该实施例中，系统700还包括连接到外围总线的网络接口卡(NIC)710和711，以用于向外部存储如网络附加存储(NAS)和可用于分布式并行处理的其他计算机系统提供网络接口。
计算机系统
图8是示出具有多个计算机系统802a和802b、多个蜂窝电话和个人数据助理802c以及网络附加存储(NAS)801a和801b的网络800的图示。在一些实施方案中，系统802a、802b和802c可以针对存储在网络附加存储(NAS)801a和802b中的数据管理数据存储并优化数据访问。数学模型可以用于数据并且使用跨计算机系统802a和802b以及蜂窝电话和个人数据助理系统802c的分布式并行处理进行评估。计算机系统802a和802b以及蜂窝电话和个人数据助理系统802c还可以提供并行处理，以用于对存储在网络附加存储(NAS)801a和801b中的数据进行自适应数据重构。图8仅示出了一个示例，可以结合本发明的各种实施方案使用多种多样的其他计算机架构和系统。例如，可以使用刀片式服务器来提供并行处理。处理器刀片可以通过背板连接以提供并行处理。存储还可以通过单独的网络接口连接到背板或作为网络附加存储(NAS)。
在一些实施方案中，处理器可以保持单独的存储器空间并且通过网络接口、背板或其他连接器传送数据，以便由其他处理器进行并行处理。在一些实施方案中，一些或所有处理器可以使用共享虚拟地址存储器空间。
虚拟系统
图9是使用共享虚拟地址存储器空间的多处理器计算机系统的框图。该系统包括可以访问共享存储器子系统902的多个处理器901a-f。该系统在存储器子系统902中组入多个可编程硬件存储器算法处理器(MAP)903a-f。每个MAP 903a-f可以包括存储器904a-f和一个或多个现场可编程门阵列(FPGA)905a-f。MAP提供可配置的功能单元，并且可以将特定算法或算法部分提供给FPGA 905a-f，以便与相应的处理器紧密配合进行处理。在这个实例中，为了这些目的，所有处理器都可以全局访问每个MAP。在一个配置中，每个MAP可以使用直接存储器访问(DMA)来访问相关联的存储器904a-f，从而允许其独立于相应的微处理器901a-f以及与之异步地执行任务。在该配置中，MAP可以将结果直接提供给另一个MAP，以供算法的流水线化和并行执行。
上述计算机架构和系统仅是示例，可以结合示例实施方案使用多种多样的其他计算机、蜂窝电话和个人数据助理架构和系统，包括采用通用处理器、协处理器、FPGA和其他可编程逻辑器件、片上系统(SOC)、专用集成电路(ASIC)以及其他处理和逻辑元件的任意组合的系统。任何种类的数据存储介质都可以与包括随机存取存储器、硬盘驱动器、闪速存储器、磁带驱动器、磁盘阵列、网络附加存储(NAS)以及其他本地或分布式数据存储设备和系统在内的示例实施方案结合使用。
在示例实施方案中，所述计算机系统可以使用在任何上述或其他计算机架构和系统上执行的软件模块来实现。在其他实施方案中，该系统的功能可以部分或完全地在固件、诸如图9所示现场可编程门阵列(FPGA)的可编程逻辑设备、片上系统(SOC)、专用集成电路(ASIC)或其他处理和逻辑元件中实现。例如，集处理器(Set Processor)和优化器(Optimizer)可以通过使用诸如图10所示加速器卡1012的硬件加速器卡以硬件加速来实现。
本文描述的本发明的任何实施方案可以例如由相同地理位置内的用户产生和发送。本发明的产品可以例如从一个国家的地理位置产生和/或发送，而本发明的用户可以位于不同的国家。在一些实施方案中，由本发明的系统访问的数据是可以从多个地理位置1001之一发送到用户1002(图10)的计算机程序产品。由本发明的计算机程序产品生成的数据可以例如由网络、安全网络、不安全网络、因特网或内联网在多个地理位置之间来回传送。在一些实施方案中，由本发明提供的本体层级(ontological hierarchy)被编码在物理和有形产品上。
实施例6：在线门户
本发明的在线门户可以包括模块的以下任何非限制性示例。
遗传年龄模块
在线门户的成员可以使用应用程序来捕获、(在家族内)众包及存储家族健康信息，该信息可以用作医生约见和其他直接医疗保健目的(包括紧急情况)的快速参考。另外，成员可以通过使用挑战特征使其符合其目标来改善健康。遗传年龄组件允许成员看到改善健康如何可以实时地降低遗传年龄。持续的、个性化的健康风险模块深入地挖掘个体成员的行为和生活方式，以及如何能够影响不同的健康状况。
健康风险模型
特征的非限制性实例包括：与成员的习惯和健康状况相关的一系列评估问题；对成员进行的相对风险评级的最终可交付结果，以显示发生所评估的状况的潜在风险；以及转向关于特定健康状况的进一步信息的其他链接，包括为在线门户创建的原创内容。通过开发的一系列评估问题，成员可以确定发生某些状况的潜在遗传风险。给予成员在问题出现前鉴别风险的方法，以及对与具体风险相关的预防和管理提供指导，使得用户能够在疾病之前控制自己的健康并了解风险因素。
连接健康状况与状况信息
在家族健康树内，该特征允许用户通过选择状况图标来查看关于特定家族成员的状况的有关信息。一旦点击图标，协调信息即在新屏幕中打开。通过能够直接链接到来自家族健康树的健康内容，用户可以筛选内容以找到与他们的个人信息相关的信息。
与非家族成员分享家族健康树的能力
该特征允许成员与医护提供者(例如，保姆、学校护士、医生等)分享个人健康概况(在家族健康树内)，以访问特定家族成员的健康信息。医护提供者可以查看该个体的个人健康概况中的信息并为其添加标注。该成员可以规定医护提供者可访问哪些信息。
给予成员允许照护者访问特定健康信息和指令的额外特征可以减少沟通中的人为错误的可能性，并且由于家族健康树中的信息的可用性而易于使用。成员可以使用该特征来通过仅调整其隐私设置，使照护者了解最新的药物、变态反应、状况和医疗保健指令。
健康保险预授权
该特征基于其家族健康风险和个人健康风险评估，为遗传检测和其他预防性服务提供保险预授权。门户提供者可以为每个综合健康支付者存储或要求医疗政策和受益政策，并且如果该门户确定成员根据医疗政策有资格享受服务，则通过生成并向该成员的保险公司提交电子预授权请求来与现有的Pre-Auth软件无缝集成。
紧急访问和警报
紧急访问页面和每个成员关于紧急情况的唯一代码允许紧急响应者或适当的人访问个人的医疗记录。一旦通过紧急访问代码/门户访问该记录，就会向用户指定的紧急联系人的PHP中发送通知。选项包括紧急访问EMS和医疗保健提供者，其具有自动通知触发器，以向门户中列出的紧急联系人发出关于是谁/在何处访问该记录的警报；以及对于旁观者而言在危机时，ICE“在紧急情况下”访问有限的最关键的健康信息。该特征包括门户网站和移动应用程序上的特定紧急访问按钮。该特征还包括具有医疗ID装饰(jewelry)或口袋卡，其具有用于信息访问的唯一门户成员ID号。
该访问的隐私级别可以设置为：1)全面记录访问；2)仅能访问基本的关键医疗记录；或3)不能访问发布的记录，但能访问通知的紧急联系人，并能够联系急诊科或响应者以获准访问。该特征有助于EMS工作人员访问有关门户成员的关键信息。通过门户平台，当通过“紧急响应者”登录访问概况时，将向该成员的紧急联系人触发警报，通知联系人该成员发生事件以及向该成员提供医护的任何医疗保健机构的位置。该特征消除了EMS工作人员和提供者在紧急情况下确认和通知家庭成员的障碍。
环境与天气对健康的影响
该特征提供可以为成员、成员的家庭、社区、城市或地区的健康问题和条件作出贡献的环境信息和天气细节。使用历史数据结合成员的健康信息和发作日期，门户可以鉴别并分析模式。存储该信息提供了将在预测模型中使用的大型历史环境趋势数据库。该特征还有助于了解过去的模式，后者可以帮助预测未来的健康事件和爆发，并可提前提醒成员。该特征还可以通过汇总关于地理区域的状况的数据来确定环境对社区健康的影响。
在健康上省钱的方法
该特征有助于成员了解在健康上以及在关于健康状况的治疗、药物和服务方面省钱的方法。如果成员选择存储其健康保险的细节，则门户可以与健康计划益处和提供者目录相结合，以向该成员提醒网络内提供者、药方药物和益处信息，以帮助该成员作出关于治疗和预防的更节省成本的、医学上适当的决定。门户可以与零售药店相结合，以定位价格、特价和优惠券，甚至连接奖励计划，以鉴别关于有关医疗保健服务、药物和非处方卫生和健康项目的减价品(deal)。
家族健康树节点
该特征允许成员直接从家族健康树添加新的家族成员，而无需打开节点的PHP。该特征还允许编辑和删除概况的快速方法。
动态问题小部件
动态问题小部件允许向成员提问的调查方法，以及为医疗保健客户定制问题。该特征为捕获重要的健康信息以及基于成员或成员家族以前关于其健康的回答而提问更详细的问题提供了最大的灵活性。该平台可以基于医疗保健客户的需求创建场景。该特征还可以使用机器学习来鉴别家族内未被其他家族成员鉴别的风险或状况。该特征可以连接成员与临床研究试验，并帮助试验招募。
亲生父母家族健康史收养记录
该平台允许与收养家庭/子女匿名分享养子女的亲生父母的家族健康史。该信息与收养机构以及卵子和精子供体库相结合。
症状追踪器集成
该平台与症状和膳食追踪器相集成，并使用机器学习来绘制数据以及家族史和环境因素，以围绕症状发生的时间/地点和症状的常见原因创建视觉显示(图表、图形、图谱等)。通过从多个来源收集健康数据并将数据组合成易于解读的视觉显示，成员和保健专业人员可以更容易地鉴别导致诊断的模式。
健康风险财务建模
基于成员的家族健康史和公布的关于寿命终止疾病成本的临床研究，门户帮助成员基于风险概况了解财务影响和潜在成本。该特征为财务规划以及对退休储蓄和所需保险水平作出更明智的决定提供了起点。该特征也可以用作激励措施，以专注于旨在降低健康风险的预防和改变。这种建模有助于提供更合适的财务、人寿保险和长期医护规划，以便为退休后因慢性健康状况的成本造成的潜在财务困难作好准备。
基于位置的健康建议
基于成员的GPS位置，该模块提供基于位置的个性化建议，如变应原警报、感染风险以及诸如健康展览会、疫苗接种时机、附近农贸市场和健康俱乐部等卫生和健康信息。
前瞻性风险评估
该模块是一项风险评估，其结合了父母的家族健康史，以预测潜在子女相关的风险。特征包括：与成员的习惯和健康状况相关的一系列评估问题；对成员进行的相对风险评级的最终可交付结果，以指出该成员的子女对某些遗传状况可能有何种潜在风险；以及转向关于特定健康状况的进一步信息的其他链接，包括为门户创建的原创内容。这种评估有助于夫妻了解综合的健康史如何能影响他们的子女，以及预先可以采取何种预防措施。
课程/教学课程
该平台提供由主题专家制作的课程资源。这些材料可用于解释疾病的生物学基础、药物和治疗作用的机制以及遗传学主题。该门户可以定制此课程，从而为教室如家庭学校的学生提供长期的课程。有信誉和可靠的科学内容来源的可获得性可以为改善健康结果、降低成本和改善与医疗保健提供者的沟通提供见解。该特征还可以让学校儿童在了解人类生物学、健康和医学方面具有现实世界应用和体验。
远程医疗应用程序内视频会议
在家族健康树内，成员可以选择与专门研究特定状况的医疗保健专业人员进行视频通话。保健专业人员可以回答用户的问题并提供个性化反馈。用户可以更新隐私设置，以使保健专业人员能够访问所有必要的文档和信息，从而使反馈直接相关于并针对用户的独特需求。用户可以通过选择在添加状况后即填充在其个人健康概况内的菜单选项，来直接在其家族健康树内发起视频通话。
约见随访或准备
该特征允许用户输入约见时间和日期，并在后端为门户医疗保健专业人员触发工作流程，以设置约见随访通话或电子邮件。在用户约见的24小时内，门户健康专业人员可以回答任何问题或提供关于在约见时发生的事件的反馈。用户还可以在约见前24小时请求通话，以获得关于询问医生的问题或待继续跟进的症状的反馈。
遗传检测集成
通过将门户用户的个人健康与用户的基因组信息相结合，门户可以访问大量的健康信息，以供医疗保健系统、研究人员和组织使用，以评估历史的和预测性的健康趋势。创建预测性健康风险模型可以为用户和整个群体提供创造性的预防性医疗保健计划，以减少对现有医疗保健系统的压力。
实施例7：使用本发明的系统来确定受试者的健康风险。
受试者使用本发明的系统，基于例如受试者的家族健康史、生活方式风险因素、运动习惯和年龄来确定个性化健康风险。
通过查询本发明的群体数据库，可以生成疾病特异性逻辑回归风险模型。该数据库可以包含群体的多个成员的健康信息。可以使用几种表型变量来生成疾病特异性逻辑回归风险模型，这些变量例如是包括受影响的一级亲属人数在内的家族健康史，包括运动习惯和频率在内的生活方式风险因素的信息，以及包括年龄在内的其他基本信息。
在下一步中，使用受试者的健康信息查询数据库，以针对每个感兴趣的变量，例如家族健康史、运动习惯和年龄，获取受试者的值。
然后将受试者的值应用于所述系统的疾病特异性逻辑回归风险模型，以生成和输出该受试者的健康风险，例如该受试者发生健康状况的风险。
实施例8：使用本发明的系统来确定受试者的计算年龄。
受试者使用本发明的系统，基于健康数据来确定该受试者的计算年龄。
使用所述系统的数据库，提取受试者的家族健康史信息。该数据库可以包含群体的多个受试者的健康信息。
针对每个健康状况，基于所提取的家族健康史信息对该受试者发生健康状况或受健康状况影响的风险进行调整。例如，如果受试者具有健康状况的家族史，则风险可以调整为高于该健康状况的群体平均风险。调整程度可以由例如群体中该状况的普及程度和与健康状况的家族史相关的相对风险来确定。
使用群体数据，可以为健康状况生成年龄-风险曲线。受试者调整的健康状况风险可以绘制在年龄-风险曲线上，以确定受试者对该健康状况的等效或健康状况特异性年龄。
对应于健康状况的每个等效年龄可以基于一般群体中的疾病发病率进行加权，并求和以获得该受试者的总体计算年龄。
实施方案
实施方案1.一种方法，其包括：a)接收包含针对受试者和该受试者的血亲中的每一个的以计算机可读代码编码的健康信息的电子通信；b)从所述计算机可读代码中提取所述受试者的经编码的健康信息，并将所提取的所述受试者的经编码的健康信息传送到第一存储器扇区；c)从所述计算机可读代码中提取所述受试者的血亲的经编码的健康信息，并将所提取的所述受试者的血亲的经编码的健康信息传送到第二存储器扇区；d)通过将第一存储器扇区的内容复制到所述受试者的健康概况中来创建所述受试者的健康概况；e)通过将第二存储器扇区的内容复制到所述受试者的血亲的健康概况中来创建所述受试者的血亲的健康概况；f)在视觉显示器上以空间关系显示所述受试者的健康概况和所述受试者的血亲的健康概况，该空间关系提示所述受试者与所述受试者的血亲之间的系谱关系；g)基于所提取的所述受试者的经编码的健康信息和所提取的所述受试者的血亲的经编码的健康信息生成查询；h)基于所述查询搜索数据库，其中该数据库存储条目，每个条目用样本群体的成员的健康风险编码，以鉴别与所提取的所述受试者的经编码的健康信息中存在的健康风险共同的样本群体内的健康风险；i)基于所述查询搜索所述数据库，其中该数据库存储条目，每个条目用样本群体的成员的健康风险编码，以鉴别与所提取的所述受试者血亲的经编码的健康信息中存在的健康风险共同的样本群体内的健康风险；f)基于比较来计算所述受试者相对于所述样本群体的相对风险水平；以及g)用所计算的所述受试者相对于样本群体的相对风险水平以电子方式标注所述受试者的健康概况。
实施方案2.实施方案1的方法，其中所述受试者的健康信息包含该受试者的遗传数据。
实施方案3.实施方案1-2中任一项的方法，其还包括基于所计算的相对风险水平向所述受试者提供健康建议。
实施方案4.一种方法，其包括：a)在物理存储器上创建第一数据节点和第二数据节点；b)在所述物理存储器上创建与第一数据节点相关联的第一子节点；c)在所述物理存储器上创建与第二数据节点相关联的第二子节点；d)用编码人的图像的计算机可读代码填充第一数据节点；e)用编码所述人的亲属的图像的计算机可读代码填充第二数据节点；f)用所述人的健康风险数据填充第一子节点；g)用所述人的亲属的健康事件数据填充第二子节点；h)从第一数据节点向视觉显示模块发送运载编码所述人的图像的计算机可读代码的电子信号；i)从第二数据节点向所述视觉显示模块发送运载编码所述人的亲属的图像的计算机可读代码的电子信号；j)由所述视觉显示模块将编码所述人的图像的计算机可读代码处理成所述人的图像；k)由所述视觉显示模块将编码所述人的亲属的图像的计算机可读代码处理成所述人的亲属的图像；1)在视觉显示器上以空间关系显示所述人的图像和所述人的亲属的图像，该空间关系提示所述人与所述人的亲属之间的系谱关系；m)从第一子节点向健康图标模块发送运载所述人的健康风险数据的电子信号；n)从第二子节点向所述健康图标模块发送运载所述人的亲属的健康事件数据的电子信号；o)由所述健康图标模块处理所述人的健康风险数据，以产生提示所述人的健康风险的图标；p)由所述健康图标模块处理所述人的亲属的健康事件数据，以产生标识所述人的亲属的健康事件的图标；q)在所述视觉显示模块上在所述人的图像附近显示提示所述人的健康风险的图标；以及r)在所述视觉显示模块上在所述人的亲属的图像附近显示标识所述人的亲属的健康事件的图标。
实施方案5.实施方案4的方法，其中所述视觉显示模块以空间关系显示所述人的多于一个亲属的图像，该空间关系提示所述人与所述人的每一个亲属之间的系谱关系。
实施方案6.根据实施方案4-5中任一项所述的方法，其还包括基于所述人的健康风险，在所述视觉显示器上在所述人的图像附近显示针对所述人的健康建议。
实施方案7.根据实施方案4-6中任一项所述的方法，其还包括基于所述人的亲属的健康事件，在所述视觉显示器上在所述人的图像附近显示针对所述人的健康建议。
实施方案8.一种方法，其包括：a)接收包含以计算机可读代码编码的受试者的健康信息的电子通信；b)从所述计算机可读代码中提取所述受试者的经编码的健康信息，并将所提取的所述受试者的经编码的健康信息传送到存储器扇区；c)通过将所述存储器扇区的内容复制到健康概况中来创建所述受试者的健康概况；d)基于所述受试者的健康概况来鉴别所述受试者的多个健康风险因素；e)基于所鉴别的所述受试者的健康风险因素产生查询；f)基于所述查询来搜索数据库，其中该数据库存储样本群体的条目，其中每个条目用该样本群体的成员的年龄和健康风险编码，以鉴别与所述受试者的经鉴别的健康风险因素之一相对应的年龄调整因子；g)基于多个年龄调整因子计算所述受试者的年龄；以及h)用所述受试者的计算年龄以电子方式标注所述受试者的健康概况，其中所述计算年龄基于所提取的所述受试者的健康数据对应于所述受试者的健康状态。
实施方案9.实施方式8的方法，其中所述年龄调整因子基于群体中的健康状况的普及率来加权。
实施方案10.根据实施方案8-9中任一项所述的方法，其中所述电子通信还包括以计算机可读代码编码的所述受试者的图像，其中所述方法还包括将编码该受试者图像的计算机可读代码处理成该受试者的图像，并且在视觉显示器上显示该受试者的图像和在该受试者图像附近的该受试者的计算年龄。
实施方案11.实施方案8-10中任一项的方法，其中关于所述受试者的健康信息包含与健康状况相关环境因素有关的数据。
实施方案12.实施方案8-11中任一项的方法，其中关于所述受试者的健康信息包含遗传数据。
实施方案13.实施方案12的方法，其中所述数据库中的每个条目进一步用所述群体的成员的遗传数据进行编码。
实施方案14.根据实施方案8-13中任一项所述的方法，其还包括输出所述受试者的实足年龄与所述受试者的计算年龄之间的算术差。
实施方案15.实施方案14的方法，其还包括用所述受试者的实足年龄与所述受试者的计算年龄之间的算术差以电子方式标注所述受试者的健康概况。
实施方案16.实施方案8-15中任一项的方法，其还包括基于所鉴别的所述受试者的健康风险确定该受试者发生健康状况的风险。
实施方案17.实施方案16的方法，其还包括用所述受试者发生健康状况的风险以电子方式标注该受试者的健康概况。
实施方案18.根据实施方案8-17中任一项所述的方法，其还包括基于所述受试者的计算年龄向该受试者提供健康建议。
实施方案19.实施方案8-18中任一项的方法，其中所述受试者的健康信息包含关于该受试者的血亲的健康状况的信息。
实施方案20.实施方案19的方法，其中所述受试者的所鉴别的健康风险之一进一步基于该受试者的血亲的健康状况。

Claims (20)

1.一种方法，其包括：
a)接收包含针对受试者和该受试者的血亲中的每一个的以计算机可读代码编码的健康信息的电子通信；
b)从所述计算机可读代码中提取所述受试者的经编码的健康信息，并将所提取的所述受试者的经编码的健康信息传送到第一存储器扇区；
c)从所述计算机可读代码中提取所述受试者的血亲的经编码的健康信息，并将所提取的所述受试者的血亲的经编码的健康信息传送到第二存储器扇区；
d)通过将第一存储器扇区的内容复制到所述受试者的健康概况中来创建所述受试者的健康概况；
e)通过将第二存储器扇区的内容复制到所述受试者的血亲的健康概况中来创建所述受试者的血亲的健康概况；
f)在视觉显示器上以空间关系显示所述受试者的健康概况和所述受试者的血亲的健康概况，该空间关系提示所述受试者与所述受试者的血亲之间的系谱关系；
g)基于所提取的所述受试者的经编码的健康信息和所提取的所述受试者的血亲的经编码的健康信息生成查询；
h)基于所述查询搜索数据库，其中该数据库存储条目，每个条目用样本群体的成员的健康风险编码，以鉴别与所提取的所述受试者的经编码的健康信息中存在的健康风险共同的样本群体内的健康风险；
i)基于所述查询搜索所述数据库，其中该数据库存储条目，每个条目用样本群体的成员的健康风险编码，以鉴别与所提取的所述受试者血亲的经编码的健康信息中存在的健康风险共同的样本群体内的健康风险；
f)基于比较来计算所述受试者相对于所述样本群体的相对风险水平；以及
g)用所计算的所述受试者相对于样本群体的相对风险水平以电子方式标注所述受试者的健康概况。
2.根据权利要求1所述的方法，其中所述受试者的健康信息包含该受试者的遗传数据。
3.根据权利要求1所述的方法，其还包括基于所计算的相对风险水平向所述受试者提供健康建议。
4.一种方法，其包括：
a)在物理存储器上创建第一数据节点和第二数据节点；
b)在所述物理存储器上创建与第一数据节点相关联的第一子节点；
c)在所述物理存储器上创建与第二数据节点相关联的第二子节点；
d)用编码人的图像的计算机可读代码填充第一数据节点；
e)用编码所述人的亲属的图像的计算机可读代码填充第二数据节点；
f)用所述人的健康风险数据填充第一子节点；
g)用所述人的亲属的健康事件数据填充第二子节点；
h)从第一数据节点向视觉显示模块发送运载编码所述人的图像的计算机可读代码的电子信号；
i)从第二数据节点向所述视觉显示模块发送运载编码所述人的亲属的图像的计算机可读代码的电子信号；
j)由所述视觉显示模块将编码所述人的图像的计算机可读代码处理成所述人的图像；
k)由所述视觉显示模块将编码所述人的亲属的图像的计算机可读代码处理成所述人的亲属的图像；
1)在视觉显示器上以空间关系显示所述人的图像和所述人的亲属的图像，该空间关系提示所述人与所述人的亲属之间的系谱关系；
m)从第一子节点向健康图标模块发送运载所述人的健康风险数据的电子信号；
n)从第二子节点向所述健康图标模块发送运载所述人的亲属的健康事件数据的电子信号；
o)由所述健康图标模块处理所述人的健康风险数据，以产生提示所述人的健康风险的图标；
p)由所述健康图标模块处理所述人的亲属的健康事件数据，以产生标识所述人的亲属的健康事件的图标；
q)在所述视觉显示模块上在所述人的图像附近显示提示所述人的健康风险的图标；以及
r)在所述视觉显示模块上在所述人的亲属的图像附近显示标识所述人的亲属的健康事件的图标。
5.根据权利要求4所述的方法，其中所述视觉显示模块以空间关系显示所述人的多于一个亲属的图像，该空间关系提示所述人与所述人的每一个亲属之间的系谱关系。
6.根据权利要求4所述的方法，其还包括基于所述人的健康风险，在所述视觉显示器上在所述人的图像附近显示针对所述人的健康建议。
7.根据权利要求4所述的方法，其还包括基于所述人的亲属的健康事件，在所述视觉显示器上在所述人的图像附近显示针对所述人的健康建议。
8.一种方法，其包括：
a)接收包含以计算机可读代码编码的受试者的健康信息的电子通信；
b)从所述计算机可读代码中提取所述受试者的经编码的健康信息，并将所提取的所述受试者的经编码的健康信息传送到存储器扇区；
c)通过将所述存储器扇区的内容复制到健康概况中来创建所述受试者的健康概况；
d)基于所述受试者的健康概况来鉴别所述受试者的多个健康风险因素；
e)基于所鉴别的所述受试者的健康风险因素产生查询；
f)基于所述查询来搜索数据库，其中该数据库存储样本群体的条目，其中每个条目用该样本群体的成员的年龄和健康风险编码，以鉴别与所述受试者的经鉴别的健康风险因素之一相对应的年龄调整因子；
g)基于多个年龄调整因子计算所述受试者的年龄；以及
h)用所述受试者的计算年龄以电子方式标注所述受试者的健康概况，其中所述计算年龄基于所提取的所述受试者的健康数据对应于所述受试者的健康状态。
9.根据权利要求8所述的方法，其中所述年龄调整因子基于群体中的健康状况的普及率来加权。
10.根据权利要求8所述的方法，其中所述电子通信还包括以计算机可读代码编码的所述受试者的图像，其中所述方法还包括将编码该受试者图像的计算机可读代码处理成该受试者的图像，并且在视觉显示器上显示该受试者的图像和在该受试者图像附近的该受试者的计算年龄。
11.根据权利要求8所述的方法，其中关于所述受试者的健康信息包含与健康状况相关环境因素有关的数据。
12.根据权利要求8所述的方法，其中关于所述受试者的健康信息包含遗传数据。
13.根据权利要求12所述的方法，其中所述数据库中的每个条目进一步用所述群体的成员的遗传数据进行编码。
14.根据权利要求8所述的方法，其还包括输出所述受试者的实足年龄与所述受试者的计算年龄之间的算术差。
15.根据权利要求14所述的方法，其还包括用所述受试者的实足年龄与所述受试者的计算年龄之间的算术差以电子方式标注所述受试者的健康概况。
16.根据权利要求8所述的方法，其还包括基于所鉴别的所述受试者的健康风险确定该受试者发生健康状况的风险。
17.根据权利要求16所述的方法，其还包括用所述受试者发生健康状况的风险以电子方式标注该受试者的健康概况。
18.根据权利要求8所述的方法，其还包括基于所述受试者的计算年龄向该受试者提供健康建议。
19.根据权利要求8所述的方法，其中所述受试者的健康信息包含关于该受试者的血亲的健康状况的信息。
20.根据权利要求19所述的方法，其中所述受试者的所鉴别的健康风险之一进一步基于该受试者的血亲的健康状况。
CN201580071478.6A 2014-10-28 2015-10-28 用于确定健康风险的方法 Pending CN107111679A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201462069573P 2014-10-28 2014-10-28
US62/069,573 2014-10-28
US201562195072P 2015-07-21 2015-07-21
US62/195,072 2015-07-21
PCT/US2015/057857 WO2016069771A1 (en) 2014-10-28 2015-10-28 Methods for determining health risks

Publications (1)

Publication Number Publication Date
CN107111679A true CN107111679A (zh) 2017-08-29

Family

ID=55858315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580071478.6A Pending CN107111679A (zh) 2014-10-28 2015-10-28 用于确定健康风险的方法

Country Status (6)

Country Link
US (1) US20160180050A1 (zh)
CN (1) CN107111679A (zh)
AU (1) AU2015339260A1 (zh)
CA (1) CA2968815A1 (zh)
GB (1) GB2549406A (zh)
WO (1) WO2016069771A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107951490A (zh) * 2018-01-19 2018-04-24 成都柔电云科科技有限公司 一种基于弹性电阻应变片的便携式呼吸监测系统
CN108665979A (zh) * 2018-05-02 2018-10-16 莱博生物科技股份有限公司 一种生物年龄评价方法及装置
CN109659036B (zh) * 2018-12-14 2020-10-09 泰康保险集团股份有限公司 医疗信息推荐方法、装置、设备以及存储介质
CN112074916A (zh) * 2018-05-22 2020-12-11 欧姆龙健康医疗事业株式会社 风险管理装置、风险管理方法以及风险管理程序

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180025116A1 (en) * 2016-07-22 2018-01-25 Arizona Board Of Regents On Behalf Of University Of Arizona Clinical Event Management and Communication System
US11253173B1 (en) * 2017-05-30 2022-02-22 Verily Life Sciences Llc Digital characterization of movement to detect and monitor disorders
US11238989B2 (en) 2017-11-08 2022-02-01 International Business Machines Corporation Personalized risk prediction based on intrinsic and extrinsic factors
WO2019236579A1 (en) * 2018-06-05 2019-12-12 Fresenius Medical Care Holdings, Inc. Systems and methods for identifying comorbidities
CN111354463B (zh) * 2018-12-24 2023-11-14 有品国际科技(深圳)有限责任公司 人体健康测量方法、装置、计算机设备及存储介质
US20200258635A1 (en) * 2019-02-13 2020-08-13 Stayhealthy, Inc. System in a portable multiple type digital platform to determine body composition, interact with the user, display results utilizing ar & mixed media & engage the user via two way audio, text & ai to measure, track & improve health
CN113905660A (zh) * 2019-03-19 2022-01-07 瑟姆巴股份有限公司 使用亲属的信息确定非孟德尔表型的遗传风险
US11227691B2 (en) * 2019-09-03 2022-01-18 Kpn Innovations, Llc Systems and methods for selecting an intervention based on effective age
US11475564B2 (en) * 2019-09-06 2022-10-18 Aarca Research Inc. Non-invasive non-contact system and method for measuring health parameters
US20220199223A1 (en) * 2019-10-22 2022-06-23 Kpn Innovations, Llc. Methods and systems for identifying compatible meal options
US20220304578A1 (en) * 2019-10-31 2022-09-29 Aarca Research Inc. Non-invasive non-contact system and method for measuring diabetes mellitus condition using thermal imaging
CN110954657B (zh) * 2019-12-02 2022-03-25 浙江中烟工业有限责任公司 一种烟叶化学品质的评价方法
CN111210914A (zh) * 2019-12-04 2020-05-29 北京沃东天骏信息技术有限公司 基于可穿戴设备的问诊提醒的方法和装置
CN111383765A (zh) * 2020-03-13 2020-07-07 中国医学科学院肿瘤医院 一种食管鳞癌发病风险信息预测模型、构建方法及应用
US20220051766A1 (en) * 2020-08-11 2022-02-17 Clear Spring Health Holdings, LLC Systems and methods for a member-centric health management platform
US11741123B2 (en) 2021-11-09 2023-08-29 International Business Machines Corporation Visualization and exploration of probabilistic models for multiple instances

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7853456B2 (en) * 2004-03-05 2010-12-14 Health Outcomes Sciences, Llc Systems and methods for risk stratification of patient populations
US8788287B2 (en) * 2009-11-25 2014-07-22 General Electric Company Systems, apparatus, and methods for developing patient medical history using hierarchical relationships
US20140100874A1 (en) * 2012-10-05 2014-04-10 Intermountain Invention Management, Llc Method for displaying linked family health history on a computing device

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107951490A (zh) * 2018-01-19 2018-04-24 成都柔电云科科技有限公司 一种基于弹性电阻应变片的便携式呼吸监测系统
CN108665979A (zh) * 2018-05-02 2018-10-16 莱博生物科技股份有限公司 一种生物年龄评价方法及装置
CN112074916A (zh) * 2018-05-22 2020-12-11 欧姆龙健康医疗事业株式会社 风险管理装置、风险管理方法以及风险管理程序
CN109659036B (zh) * 2018-12-14 2020-10-09 泰康保险集团股份有限公司 医疗信息推荐方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
GB2549406A (en) 2017-10-18
CA2968815A1 (en) 2016-05-06
AU2015339260A1 (en) 2017-06-15
GB201708360D0 (en) 2017-07-12
US20160180050A1 (en) 2016-06-23
WO2016069771A1 (en) 2016-05-06

Similar Documents

Publication Publication Date Title
CN107111679A (zh) 用于确定健康风险的方法
Ash et al. Social determinants of health in managed care payment formulas
Chen et al. Spending patterns in region of residency training and subsequent expenditures for care provided by practicing physicians for Medicare beneficiaries
Sinaiko et al. Examining a health care price transparency tool: who uses it, and how they shop for care
US20140095201A1 (en) Leveraging Public Health Data for Prediction and Prevention of Adverse Events
Sarma Demand for outpatient healthcare: empirical findings from rural India
Li et al. Performance evaluation of public non-profit hospitals using a BP artificial neural network: the case of Hubei Province in China
Paschoal et al. Identification of relevant categories for inpatient physical therapy care using the International Classification of Functioning, Disability and Health: a Brazilian survey
Kumar et al. Examining the association between comorbidity indexes and functional status in hospitalized Medicare fee-for-service beneficiaries
Kruk et al. The role of health systems and policies in promoting safe delivery in low-and middle-income countries: a multilevel analysis
Ahinkorah et al. Linking female adolescents’ knowledge, attitudes and use of contraceptives to adolescent pregnancy in Ghana: a baseline data for developing sexuality education programmes
Mikołajewski et al. Effect of COVID-19 on selected characteristics of life satisfaction reflected in a fuzzy model
Mirmozaffari et al. The application of data envelopment analysis to emergency departments and management of emergency conditions: a narrative Review
Leaker et al. The impact of geriatric emergency management nurses on the care of frail older patients in the emergency department: a systematic review
Gębska et al. Type d personality and stomatognathic system disorders in physiotherapy students during the COVID-19 pandemic
Choi et al. Artificial intelligence assisted telehealth for nursing: A scoping review
Kotsis et al. Fundamental principles of conducting a surgery economic analysis study
Sharma et al. An explainable artificial intelligence based prospective framework for COVID-19 risk prediction
Bień et al. Factors Determining the Quality of Life of Polish Women during Menopause Based on the Menopause-Specific Quality of Life Questionnaire
Deutsch et al. Development of a risk-adjustment model for the inpatient rehabilitation facility discharge self-care functional status quality measure
Jędrzejewska et al. Translation and cross-cultural adaptation of the International Questionnaire to Measure the Use of Complementary and Alternative Medicine (I-CAM-Q) for the Polish and cross-Sectional Study
Haneef et al. Methodological guidelines to estimate population-based health indicators using linked data and/or machine learning techniques
Bacchi et al. Daily estimates of individual discharge likelihood with deep learning natural language processing in general medicine: a prospective and external validation study
Dipnall et al. Health-related quality of life (HRQoL) outcomes following injury in childhood and adolescence using EuroQol (EQ-5D) responses with pooled longitudinal data
Triantafyllidis et al. Mobile app interventions for Parkinson’s disease, multiple sclerosis and stroke: A systematic literature review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170829