CN107408143A

CN107408143A - 适于采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的医疗鉴别诊断装置

Info

Publication number: CN107408143A
Application number: CN201580069098.9A
Authority: CN
Inventors: 利奇尼奥·孔图; 亚历山德拉·马西亚; 彼得罗·基斯托利尼; 詹路卡·弗鲁斯塔利; 伊雷妮·鲁斯潘蒂尼; 马蒂亚·扎伊斯
Original assignee: Lia Di Giuseppe & Co Ltd
Current assignee: Lia Di Giuseppe & Co Ltd
Priority date: 2014-12-16
Filing date: 2015-07-15
Publication date: 2017-11-28
Also published as: RU2017124601A; JP6700283B2; EP3234823B1; JP2018503902A; EP3234823A1; RU2017124601A3; ITMI20142149A1; WO2016097886A1; US20180011980A1; BR112017012908A2

Abstract

公开了一种适用于医疗应用以便用于通过采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的鉴别诊断装置，包括：‑包含患者数据的第一可更新数据库；‑第二可更新的关系数据库，其包含病变的识别数据、症状，临床体征，诊断试验的识别数据以及与用于定义诊断假设(病变)列表的所述诊断试验的适当性参数有关的数据；‑适于确定用于识别病变的所述诊断试验的最佳顺序的装置，所述装置包括推理计算引擎，所述推理计算引擎基于包含在所述第一数据库和第二数据库中的数据对于每个诊断假设(病变)利用相关的适当性指数和患者患有所述病变的概率来确定所述诊断试验的最佳顺序。

Description

适于采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的医疗鉴别诊断装置

技术领域

本发明涉及医疗诊断装置的领域，更具体地涉及适于通过优化诊断适当性指数来确定识别病变所需的诊断试验顺序的鉴别诊断装置。

背景技术

医学诊断是基于医师的专业经验，技能，临床推理能力，直觉和对于他/她所治疗的人，家庭团体和人群的在各种病变的频率分布、这些病变可能常见的聚合、人的社会状况和生活方式、以及所涉及的环境因素方面的了解，而形成的一系列经验概率评估的结果。

基于这一切，对于患者采访的结果，收集的既往症数据，患者所诉说的症状，以及通过身体检查检测到的临床体征，医师可能在少数情况下已经能够制定出确定的或很可能的诊断结果。

在大多数情况下，医师只能通过许多实验室和器械诊断试验来制定出一个或多个诊断假设以进行验证。该程序定义为鉴别诊断。

该程序的关键是，尽管诊断可能是正确的，但可能不一定是适当的(例如，如果已经通过使用冗余诊断试验(即对于患者而言是没有必要的、非正当昂贵的或无益地冒险的试验)来制定出诊断结果)。

今天在医疗实践中可用的诊断试验是众多且不断发展的，对于具体情况，医师对待进行的试验的选择可能非常复杂。显然，对于必须在不同医疗领域进行横向工作并且通常第一次接触患者的一般医学医师(GMP)而言，一项或多项试验的处方可能变得特别重要。

与试验选择相关的主要风险基本上是两个：1)过度使用诊断试验，导致国家卫生系统(NSS)的成本上涨不合理，对患者的健康有负面影响，以及2)由于对于过度广泛提议的有限了解而引起的诊断试验的使用不足，这可能导致不成功的诊断。

这种情况已经导致几个国家和国际医疗卫生组织近年来确定了确保业绩质量(诊断试验和药物治疗的处方)和成本限制的标准，特别是基于成果评估(循证医学)(该成果评估表明对患者具有有益效果的表现的有效性程度)。在这方面，值得一提的是美国国家科学院卫生质量委员会(跨越质量鸿沟：21世纪新的卫生系统(in Crossing the qualitychasm:a new health system for the 21st century)华盛顿：国家学院出版社；2001年))进行的研究，该研究将安全、有效、及时、效率、公平和患者中心地位作为21世纪国家制度的目标。

正是在这种情况下，诊断适当性的概念近来在医疗领域日益增长和普及。

对于给定病变的诊断试验的适当性不仅可以通过以敏感性和特异性表示的准确性来确定，还可以通过几个其他因素来确定：成本，投入和产出等待时间，患者的安全性和耐受性，如例如在如下的著作中提到的：Ferrante di Ruffano L.、Hyde CJ、McCafferyKJ、Bossuyt P.M.M和Deeks J.J.的“评估诊断试验的价值：用于设计和评估试验的框架(Assessing the value of diagnostic tests:a framework for designing andevaluating trials)”，英国医学杂志，2012；344-352。

适当性概念延伸到整个诊断路径。事实上，医师的目标是通过从既往症数据，症状和体征的收集开始，然后通过沿着准确、有效、快速、安全和经济，即适当的诊断路径选择进行鉴别诊断所必需的试验，来确定最可能影响患者的疾病。

在这方面，显然的是，如果他/她可以从许多适当的诊断路径中进行选择，并且可以先验知道一个或多个试验的处方在患者和NSS的成本和收益方面可以有效地改善鉴别诊断的程度，那么医师的能力将得到提高。

一般来说，用作临床诊断支持的自动和计算机化系统依赖于与患者的具体数据(个人信息，既往症，症状、体征)相结合的通用知识库(流行病数据，药物之间的相互作用，指导原则等)。然后处理这些数据，以便通过使用信息理论和技术(模拟，生物信息学算法，统计程序，人工智能系统)来制定出诊断假设。

过去曾多次尝试开发可以帮助医师进行诊断决策的软件，或更通用的ICT系统。最初，他们是具有在医院结构中开发的结构化数据库的专家系统，该专家系统被用作大型参考系统。在某些情况下，表明诊断假设的可能性的实际诊断支持系统主要是针对个人医疗部门创建的，其中理论和技术诊断问题仍然处于低复杂度水平。一些系统使用推理规则(诸如，如果，然后)，而不是概率方法或启发式算法。

最近，已经开发了利用非结构化知识库和复杂推理算法的诊断支持系统，例如，如在Wagholikar，K.B、Sundararajan，V.和Deshpande，A.W.所著的“医学诊断决策支持建模范式：调查和未来方向(Modeling Paradigms for Medical Diagnostic Decision Support：A Survey and Future Directions)”，J.Medical Systems。2012；36(5)：3029-49中所述的，或El-Kareh R.、Hasan O.和Schiff G.D所著的“使用健康信息技术来降低诊断误差(Use of health information technology to reduce diagnostic errors)”BMJQuality&Safety.2013；22(Suppl2):ii40-ii51中所述的。

以下将通过实例简要描述本领域已知的临床上最感兴趣的诊断支持系统，这些系统专门用于广泛的疾病。

通过首字母缩略词DXplain而已知的第一个诊断支持系统在Barnett G.O.、Cimino J.J.、Hupp J.A.和Hoffer E.P.所著的“DXPlain-不断发展的诊断决策支持系统(DXPlain-An evolating diagnostic decision-support system)”，JAMA，1987；258(1)：第67-74页的文章中有描述。这是临床决策支持系统，其通过使用贝叶斯逻辑，从给定的一组体征，症状，流行病数据和诊断试验(患者数据)提供可能的诊断列表。通过使用“模式匹配”技术，通过患者数据集与该特定疾病的特征性临床表现集的接近程度来定义每个病变的排名。每个疾病/患者数据关联由两个数字描述：1)排列在七个级别上的频率，以上述的频率在疾病中出现特定患者数据(与灵敏度的概念相关)，和2)表现在八个级别上的患者数据的诱发力，即其存在证实了疾病的力(类似于a的阳性预测值)。此外，每个患者数据具有五个级别表示的与疾病无关的重要性值，这五个级别表明其在不良个体中的扩散，以及在健康个体中几乎没有观察到。最后，内在值与每种疾病有关，一种用于患病率，一种用于重要性(意味着如果排除在列表之外会产生负面影响)。

根据要求，系统提供了为什么必须考虑每种疾病的原因的解释，建议用于澄清鉴别诊断而需要获取的进一步的临床信息，指出哪种临床表现对于每种疾病是非典型的，并针对每个疾病提供十个参考书目。这个系统可能是最先进和最完整的第一代系统。

也已知称为医疗诊断系统(由G.Fiore开发)的系统，该系统由用于在PC和移动装置上的Windows平台的鉴别诊断软件组成。这是与DXplain类似的第一代诊断支持系统，其中根据不同病变症状的频率以及所述症状出现在不同病变中的重要性(如果存在于许多病症中，则更为重要疾病)，经验值(从1到10)与每种症状相关联。用户可以设置考虑诊断假设的最小百分比阈值，并且可以在症状和诊断之间进行自定义关联。该系统可以经由通过症状的高级搜索功能(例如：开始，包含和/或)以用于咨询目的，该症状以字母顺序显示或按照器官或类型(实验室试验，客观试验)分组。然后，该系统按字母顺序提供可能的诊断列表。最后，用户可以主动地选择获得与用于鉴别诊断的诊断假设相关联的概率的估计。

最近提出了这样的系统：允许快速和容易地询问非结构化知识库，该非结构化数据库由在他/她的工作活动期间对医师有用的广泛的临床，诊断，科学和流行病信息构成。在这方面，可以确定两个主要系统：ISABEL(Isabel医疗保健公司)和WATSON(IBM)。

在Ramnarayan P.Tomlinson A，Rao A.，Coren M.，Winrow A.，Britto J.ISABEL的文章“基于web的鉴别诊断辅助用于儿科：初步性能评估的结果(A web-baseddifferential diagnostic aid for paediatrics:results from an initialperformance evaluation)”，“儿童疾病档案(Archives of Disease in Childhood)”2003；88:408-413中描述的Isabel系统是一个基于网络的诊断检查表，其允许手动输入患者数据(体征和症状，实验室和器械试验，人口统计数据)，并与不同的美国标准电子医疗手册(EMB)结合。Isabel使用基于自然语言处理的搜索引擎，以便识别作为文本输入的患者数据(例如，EMB中的备注)和半编码诊断数据集中的类似术语之间的匹配。诊断假设根据与输入的数据的对应关系的强弱而进行排序。除了不同的诊断假设之外，它还提出了基于已知科学文献和方案的可能的治疗方法。允许提取诊断假设的算法是有专利权的并且是基于概率数据库的。

在专利申请WO2012/122198-A1中描述的WATSON系统是由90个服务器，2,880个处理器(核心)和16兆字节RAM组成的大规模并行计算机，其可以获取和解释语音输入(问题)，以每秒500千兆字节的速度处理信息，最后在三秒钟内通过语音合成提供答案。近年来，IBM已经转向医疗应用，并正在采用WATSON系统创建自动诊断系统。该方法仍然与已经描述的方法相同。它仍然是一个“QA机”(问答机)，其回答一个具体问题(通用患者的临床情况：体征，症状等)时，从存储在存储器中的文本医学知识库(专业文本，手册，科学文章，指南等)开始，输出最可能的病变列表。第一个实验应用已经涉及医学教学领域和肺肿瘤专科领域。

尽管存在开发诊断支持系统的许多尝试，其中的许多已被证明是有效的，但是尚未有一个这样的系统在医疗实践中被使用。

例如由Kawamoto k.，Houlihan C.A.，Balas E.A.和Lobach D.F.的文章中描述的“使用临床决策支持系统改进临床实践：系统评估试验以确定关键的特征(Improvingclinical practice using clinical decision support systems:a systematic reviewof trials to identify features critical to success)”，BMJ.2005；pp.330-337，以及也在Wagholikar等人的文章中公开的系统的关键性，本领域已知的系统的关键性包括以下内容：

1)建议诊断的实际正确性，其可以针对患者的结果进行评估；

2)对于真正与医师当前活动相结合的系统的需求，即在医学检查的当时和当地可用的系统；

3)对于可以轻松，快速地进行咨询而不需要长时间训练的系统的需求；

4)对于提供建议而不是评估的系统的需求。

已知诊断支持系统的第一个关键点在于执行医师的诊断推理模型，该模型不能仅仅包括将患者数据与疾病相关联的经验规则系统，如第一代系统，或“问答”类型自动系统。

简而言之，Watson以及Isabel以及本领域最重要的装置采用的标准都是基于一种精确的搜索引擎(如谷歌或雅虎的搜索引擎)开发的，其：

1.可以使用自然语言编写的大量文档(在这种情况下是医疗文档)(大部分是英文)；

2.使用自然语言分析算法，

3.从所提到的具体问题开始评估所有这些文档，为每个文档分配“合适”分数；

4.使用推理引擎(例如，贝叶斯网络)以输出最可能的诊断列表。

然而，这种架构在准确性方面造成一些问题。事实上，如果一方面使用非结构化文本知识库无疑是有帮助的，因为它提供了几乎无限的信息来源，另一方面它在提取有用的和正确理解的信息方面引起了问题。事实上，与自然语言处理相关的典型问题在医疗领域中变得至关重要，例如在Nadkarni P.M.，Ohno-Machado L.，Chapman W.W.的文章“自然语言处理：介绍(Natural language processing:an introduction)”，美国医学信息学会学报(Journal of the American Medical Informatics Association)，2011；18：544-551中所描述的，因为使用极为合成的语言，缩写，复合词和同义词。重要的还在于在重要组中分割文本以及对特定单词进行分类。最后，答案的准确性与基于自然语言的在特定查询中输入的文本数量有关。

目前，实际上，WATSON系统正在特定的医疗领域进行试验，Isabel系统正在采用混合型，即结构化和非结构化的知识库。这两种策略都允许降低问题的复杂性并获得更准确的诊断。

虽然WATSON和Isabel系统可以在几秒钟内提供单一询问的答案，但是制定出诊断假设所需的时间相当长，因为需要多个查询，并且连续步骤中的数据输入过程似乎不容易。

已知系统的第二个关键点在于它们在诊断程序的不同步骤中没有考虑适当性标准。在这种情况下，适当性的含义是本领域技术人员已知的。据我们所知，当前可用的装置只在循证医学的基础上考虑治疗的有效性，而忽视诊断适应性的其他基本方面，包括在诊断路径的各个阶段的及时性，成本限制，安全性和患者中心性。一个非常关键的步骤当然是诊断试验的处方，该处方的多样性和数量在过度/不足诊断方面造成严重问题，如上所述，即对患者的健康和NSS的成本方面造成负面影响的不适当问题。

目前的系统没有考虑到医师需要在整个诊断路径(包括适当的诊断试验的处方)中获得支持的事实。WATSON系统建议医师什么信息可以有助于提高诊断置信度，但不建议诊断路径。

根据患者的临床情况列出可能的疾病的排序列表可能不足以使医师制定出适当的诊断。很可能需要进行诊断试验来确认和排除某些疾病。如果没有考虑整个路径，那么将存在保留在主观和经验评估范围内的风险，同时还有系统地诉诸多种昂贵和部分无用的诊断试验，并忽视可能更适合但是不太了解的其他试验。

因此，有必要找到一个医疗诊断支持系统，通过将其与科学文献的知识和动态数据库中提供的国家和国际指南相结合，可以使医师的知识得到加强，并且可以通过根据诊断适当性标准进行的指导试验选择而补偿过度/不足诊断的倾向，同时也减少医师人为判断中所固有的犹豫。

发明内容

本发明旨在提供一种医疗诊断装置，其适于根据适当性标准来确定用于识别病变的诊断试验的最佳顺序，其可以通过基于适当性指数来制定出完整的诊断试验路径来克服所有上述问题，并且可以在医学检查过程中方便快捷地进行咨询。

因此，本发明的目的是提供一种在进行鉴别诊断时对医师有用的医疗诊断装置，其允许引导选择用于确定适当诊断路径的诊断试验。

在下文中，术语“诊断试验”将涉及旨在通过确认或排除病变来制定诊断的所有编码程序。

作为非限制性示例，该定义包括实验室，仪器和临床试验以及医师关于患者的未检测到和/或未报告的体征和症状的调查问卷(标准/编码问题)。

由本发明的装置所确定的诊断试验的顺序被定义为诊断路径。本发明的装置基于确定从每个诊断试验的数字适当性指数获得的(整个诊断路径的)全局适当性指数来确定用于制定出诊断的适当诊断路径。

因此，本发明的目的是通过处理诊断试验的适当路径来提供医疗诊断支持装置。

因此，本发明的装置可以通过推荐在适当性方面被优化的诊断路径(例如最便宜和/或最快的路径)来“支持”医师。

本发明的装置由模块组成，这些模块基本上是通过在能够由装有输入/输出装置的电子处理器的系统读取和执行的存储装置中实现的软件产生的。

这样的模块在图1的框图中表示，其中可以区分两个主要块。作为“推理引擎”运行的MI模块，以及专门用于“处理适当诊断路径”的ePDA模块。

ePDA模块接收作为来自DP模块的输入的与患者信息有关的数据，并且从cPDA模块接收与要用于处理适当的诊断路径(PDA)的系统变量的特定配置相关的数据。利用这些数据，推理引擎MI询问知识库(BDC)，并且处理并向ePDA模块提供处理诊断路径所需的信息，并且生成由医师使用的诊断路径。

更具体地说，仍然参考图1：

在DP模块(患者数据)中，患者的数据以交互方式和来自电子档案(例如患者数据库，电子医疗手册等)，无论是本地还是远程地来进行管理。

cPDA模块(PDA配置)存储系统变量的配置，包括适当性参数的配置(例如但不限于成本，时间，患者的试验的安全性和耐受性)，以便在诊断路径中计算待优化的全局适当性指数。

BDC模块(知识库)包括关系数据库，其包含关于(例如，但不限于从流行病数据库，指南和科学文献，临床病例数据库，患者数据历史档案以及由MI为每名患者进行的诊断路径处理步骤获得的)病变，体征，症状，药物，临床分析参考值等相关的所有数据。它还包含为了完成诊断路径可能规定的试验的适当性参数的值，例如通过非限制性示例的灵敏度，特异性，安全性，成本和计算最合适的路径所需的等待时间。关系数据库通过使用本身已知的方法来填充。

MI模块(推理引擎)使用算法，以便通过利用患者数据执行推理程序来计算每个诊断假设的概率值。该模块还针对每个假设提出一个或多个诊断试验，并计算特定试验顺序(诊断路径)将影响不同假设的可能性，从而将每个路径与相应的适当性指数相关联。

在MI模块中采用的推理程序优选但不唯一地基于科学文献中已知的算法之一(例如参见Wagholikar等人的上述综述)。例如，用于诊断推理的算法可以基于症状与疾病之间的“模糊逻辑(fuzzy logic)”关系，人工神经网络模型，将体征推理与贝叶斯统计方法相结合的贝叶斯网络以及“支持向量机”，即非线性分类和回归的监督学习方法。以下将详细描述基于贝叶斯统计方法的推理引擎，作为可能实现的可能算法之一。

oPDA模块(输出PDA)显示被认为是最可能的诊断假设(即病变)的列表，并且对于它们中的每一个，它们处理并显示可能的诊断路径以及它们各自的适当性指数。

本发明的特征在于以下方面：

1.该装置通过利用患者数据和知识库确定诊断假设的列表，并量化与其相关的概率(验前概率)。

2.该装置通过使用从综合和更新的数据库，来自国际、国家和区域研究所的医学和流行病记录获得的信息，为每个诊断假设确定适当的诊断路径。

3.该装置根据国家和国际指南，将适当性指数与每个试验和每个诊断路径相关联。

4.该装置在执行试验之前利用先前确定的验前概率，预测诊断试验的影响，或者更一般地是诊断路径的影响(验后概率)。

本发明的一个重要方面是，由于沿着整个诊断路径所定义的支持，在通用医师或专家可能不得不面对的最复杂的情况下，它提供了更快，更便宜和更确切，即更合适(有效，高效，安全)的诊断。

本发明的一个具体目的是提供一种适用于医疗应用的鉴别诊断装置，以便通过采用权利要求所述的诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序，其作为本说明书的一部分。

附图说明

本发明的其它目的和优点将从以下参考附图的优选实施例(及其变型)的详细描述中变得明显，附图仅由非限制性示例提供，其中：

图1示出了根据本发明的医疗诊断装置的功能框图；

图2是示出该装置的数据库系统的块之间的功能相互关系的图。

图3是示出装置的交互式菜单之间的交互的图。

具体实施方式

以下将参考图1的流程图描述根据本发明的装置的实施例的一个示例。

在所述图的中心，存在用于处理适当的诊断路径ePDA的块，其中假设由系统配置cPDA产生输出信息oPDA。这些块实现垂直信息流PDA，该信息流PDA也使用与系统数据库DB的连接，数据库DB被进一步划分为另外两个块：患者数据数据库DP和知识库数据库BDC。来自后者的数据通过推理引擎块MI输入到垂直信息流PDA中。构成数据库DB的两个部分(BDC和DP)也可以物理上位于不同的硬件系统上。数据库DP可以包括例如与诊断支持系统相连接的医师的私人患者档案。

如上所述，医师最终规定的一套诊断试验称为诊断路径。基于不同适当性参数的确定，通过将数值与诊断试验中的每一个相关联，视情况可以定义诊断试验或路径以根据成本/收益比最小化的一般原则而制定出诊断。

适当性参数的一些非限制性示例如下：

第一个无疑是确定或排除特定病变的试验的有效性(E)。基于执行试验之前(验前概率)和执行试验之后(验后概率)的诊断假设概率的变化而评估的结果，试验的有效性表明病变知识进展或退化的程度。

为了确定试验的执行情况是否合适，还需要评估其经济成本。成本(C)参数是指国家卫生保健费用范围规定的由国家卫生系统所产生的费用。

此外，进入试验所需的时间(Te)是用于定义试验的适当性的参数，因为根据疑似疾病的严重程度，试验显然必须尽可能快地执行。等待时间数据是由国家等待列表计划所定义的数据。

表征试验适当性的其他方面是患者安全和稳定。

Risk(R)参数考虑了手术本身的内在风险和基于患者病变状况的相对风险。

患者的耐受性对于确保处方将被遵守并且路径实际将被完成是很重要的。耐受性(To)参数以主观方式通过例如由患者填写的问卷来定义。

所有适当性参数可以适当地与数值相关联。

数据库

包含在数据库DB中的以由关系网络互连的记录表的形式体现的信息基本上是两种：如图1大致所示，并且将在下面参考图2详细描述。

1.BDC；构成“知识库”的一组相互关联的预加载数据结构，应用程序的所有逻辑选择和处理步骤都基于该数据结构；

2.DP；由医师用户管理的在医学检查期间输入的关于体征，症状和既往症的特定资料(患者资料)。在诊断假设和待进行的试验(即由适当的诊断路径PDA的垂直处理流程产生的数据)方面，DP还包含与处理结果相关的数据。

应用程序的知识库BDC

知识库被构造为一组具有预加载和可更新内容的各种互连的表，如图2所示。

疾病表(disease table)在该应用的“知识库”中起着核心作用：根据ICD10分类，将该应用程序已知的疾病识别为类别和子类别的单一组合。事实上，与之相关的表，即CtgMltTmt_ICD10(ICD10疾病和创伤类别)和SubctgMltTmt_ICD10(ICD10疾病和创伤子类别)包含由OMS(ICD10)提议的第十版国际疾病分类和相关健康问题的相应列表。

患病率表(prevalence table)显示每个疾病的概率值，并且按照性别，族裔和患者的年龄范围进行归一化，该患病率表与疾病表相关联。

症状，体征和试验表分别包含所有可观察症状和体征的列表以及所有可执行医学检查(仪器试验)的列表。这些表允许应用程序在检查期间解释由医师输入的信息，从而允许可以在各种选项中进行选择。

除了试验名称和描述外，试验表还表明它是否是二分试验(正/负-范围：二分法)还是连续试验(在这种情况下，它还声明使用中的测量单位-范围：单位)。

这对于计算算法是至关重要的，因为所选择的方法是通过将可能结果的可变性范围分成足够数量的子范围来将每个连续范围试验逻辑地处理为和减小为一系列“虚拟”二分试验(根据这种方法，由执行试验得到的每一个值将落在可能的子范围之内，从而导致相应的二分法子试验为正)。

该表还包括与试验相关的一些适当性参数的数值：成本，等待时间和内在风险。

疾病_症状(disease_symptom)表表示症状表和疾病表之间存在的多对多关系(每种疾病可能具有多种症状-或不存在-每种症状可能是多种疾病常见的)，并且包括患有相应疾病的受试者中存在症状的概率以及不患有相应疾病的受试者中症状不存在的概率以作为属性。

与前一个一样，疾病_体征(disease_sign)表表示体征表和疾病表之间的多对多关系。

同样，“疾病_试验(disease_test)表”也可以表示试验表(仪器试验)和疾病表之间存在的多对多关系(每种疾病可以通过一个或多个组合的或替代的试验发现，或者每个试验可能无效，每个试验对于发现多种疾病可能是有用的)。在这种情况下，属性是针对特定疾病的试验的灵敏度和特异性。

风险因素包含可能易患或引起疾病的各种类型的风险因素列表。

多对多关系将风险因素与疾病表相结合，所述关系正在“疾病_风险因素(disease_riskfactor)”表中实施。

“职业和族群(profession and ethnicgroup)”表分别包括从医学观点看相关的已知职业和族群群体的列表。两者都由患者表使用(通过1对多关系)。族群表也与患病率表相关联。

特定患者数据DP的表格和结构

特定患者数据包括具有一组预加载和可更新内容的各种互连的表，如图3所示。

该应用程序当然设计为不同医师使用；因此，医师表包含一些个人信息，并且随时间输入的与每个患者相关的所有特定数据将被存储到数据库中并且与医师的标识符相关。

患者表包括与每个患者相关的基本信息。

患者表通过一对多关系与发作表(episode table)相联系。所述表中的每个记录识别患者的从第一次检查开始的临床病史中的发作，在此临床病史中，医师收集与特定病症相关的体征和症状，并且可能在多次器械试验之后结束诊断。如果患者随后因为另一种病症(不同于或相似于前一种)返回医师，医师将通过使用该应用程序打开另一个临床发作，这意味着在“发作”表中创建与同一个患者关联的新记录。

发作表与发作_体征(Episode_Sign)和发作_症状(Episode_Symptom)表相关：在检查期间，医师将输入由患者讲述的症状。两个发作_体征和发作_症状表通过填充它们来表达发作和体征之间以及发作和症状之间的两个多对多关系。

类似的事情发生在既往症(Anamnesis)表中。既往症表与患者表连接。患者的病例资料只能输入一次，可能会随时间更新。既往症表也表示了患者表和风险因素表之间的多对多关系。通过列出患者暴露的所有风险因素来收集疾病记录既往症数据。

在已经输入所有信息之后，应用程序已准备好进行第一处理步骤，该步骤将通过使用在推理引擎MI中实施的算法在概率基础上来计算第一诊断假设(验前概率)。

然后将所得的验前诊断假设列表存储在诊断表(Diagnosis table)中。

然后，验后概率是通过推理引擎MI来计算的，该引擎MI诉诸于一系列查询，这些查询使得与“疾病_试验”表和“知识库”试验表在诊断中与验前诊断假设列表交叉引用，从而对于每一个的假设疾病获得了所有相关的器械临床试验和各自的用于计算每个试验的适当性级别的灵敏度值和参数和特异性值和参数。

因此，确定在刚刚确定的试验中哪些试验对于获得最终诊断的信息是最有用的。

这些结果存储在试验_诊断(Test_Diagnosis)表中，其中一系列试验与每个诊断假设相关联，与其各自的内在适当性参数值(成本，等待时间，内在风险)和验后概率相关联。

然后可以将额外的适当性参数的值输入到相同的表中，例如将在优化步骤中使用的试验的相对风险和耐受性，其中将计算试验适当性指数以给予医师更多有助于最终选择待开处方的试验的信息。

这些相同的记录还可以随后接收实际被执行的开处方的诊断试验的实际结果值，供将来使用。

推理引擎MI

这是实现算法的模块，该算法利用如前所述的患者数据DP，利用构成“知识库”BDC的一组预加载数据结构计算每个诊断假设的概率值。该模块还针对每个假设提出一个或多个诊断试验，并且计算特定试验顺序将多大程度影响不同假设使得每个路径与相应的适当性指数相关联的可能性。

推理程序可以基于例如科学文献中引用的任何一种算法(最常见的算法是基于症状与疾病之间的模糊逻辑关系，人工神经网络，贝叶斯网络和支持向量机)。以下详细描述将基于被称为朴素贝叶斯(NAIVE BAYES)的贝叶斯方法的推理引擎呈现为可以执行的可能的算法之一。更一般来说，算法的选择不会导致不同的最终诊断，但就最终诊断的速度而言可能会影响诊断路径。换句话说，尽管所有算法可能需要不同的时间，但它们也是因为程序的交互作用，将导致相同的诊断。

算法选择将逐个确定是否需要修改DB以在其中包括执行该特定算法所需的数据。

无论如何，如上所述，DB仍然包含实现NAIVE BAYES类型算法所需的信息。

现在让我们以一个例子来考虑贝叶斯网络的一般情况。从数学上来说，贝叶斯网络是定向非循环图，其中节点表示变量，弧表示变量与叶节点相对于父节点的值的局部概率分布之间的统计依赖关系。

一般来说，每个病变，体征，症状，既往症数据和试验是无差异的统计变量，因此是贝叶斯网络的一个节点。对于将通用节点A绑定到节点B的每个定向弧，条件概率P(B|A)必须相关联；网络中所有弧的概率值的知识允许任何一个节点的以与任何其他组数据节点相关联的概率为条件的概率形式计算。因此，我们将能够正式地计算Pre(M|{DP})和Post(M|{DP}U{T})的概率，即发现病变M的条件分别为患者数据集{DP}以及{DP}和试验集{T}的并集的验前概率和验后概率。

为此，我们必须向前述的DB添加有关网络结构(多对多表)的信息以及与每个弧相关联的概率函数的值。

因此，如上所述，算法的选择意味着对数据库结构的添加。在这方面，我们将在此提及推理引擎MI的另一种类型的实现。

以前提到了称为支持向量机的那些算法；这些代表了所谓的机器学习技术的特殊情况。作为示例，这样的技术可以实现如下：病变的概率被表示为患者数据(体征，症状，试验等)的非线性函数。当后者已知时，可以容易地计算所述概率。困难在于知道该函数的参数和系数的值，这些参数和系数先前是未知的。它们可以通过使用典型的机器学习技术的自动学习程序来预先确定。一旦确定，参数和系数值必须输入到数据库的补充的多对多表中。在最后一段中通过示例描述的内容可适用于任何算法。一般来说，可以预先从如下的数据源中初步获得组成“知识库”的所有预加载数据结构，该“知识库”对于MI而言是评估病变概率所必需的：

1.从流行病数据库，指导方针和科学文献。

2.从临床数据库(如电子医疗手册)。

3.从由MI执行并存储在DB中的历史适当的诊断路径处理步骤。

如果使用上述2和3描述的数据源，将采用众所周知的监督机器学习技术来“计算”这些参数，这些参数一旦“预加载”到知识库中，将允许MI处理每个患者的PDA。也可以想到使用相同的程序来定期更新和整合知识库BDC。

就图1的垂直信息流PDA而言，它包括三个连续的功能步骤(用户可能仍然返回到上一步来查看和更改以前的设置)：

1.适当的诊断路径配置(图1中的cPDA块)；

2.用于鉴别诊断的病变选择(图1中的ePDA块)；

3.诊断试验选择(图1中的oPDA块)。

适当的诊断路径配置(图1中的cPDA块)

在适当诊断路径配置的步骤中，可以显示，选择和可能地修改系统变量，即将在后续步骤中使用的用于处理和生成诊断路径的参数。这些参数还包括计算适当性指数所需的参数。在接下来的步骤中，仍然可以返回到该步骤，以便部分或全部重新配置整个装置。

用于鉴别诊断的病变选择(图1中的ePDA块)

在该步骤中，该装置连接到患者数据库DP以便，除了患者的个人数据外，还获取下一个处理步骤所需的既往症数据。

随着患者被选择，在医学检查期间观察到的和/或报告的体征和症状的列表是相关联的。

该信息允许产生由推理引擎MI处理的最可能的病变(LPP)的列表。罕见疾病列表(LMR)被结合在所述列表中，该罕见疾病列表也通过输入未包括在LPP中但存在于数据库DB中的病变进行处理，然而，对于这些病变而言，其中检测到的一种体征/症状是高度特异性的(或具有高灵敏度)。

然后可以由医师用户交互地审查和更新总列表。

具体地说，为了验证对于感兴趣的病变已考虑了所有相关症状，可以在包含在列表中的病变中选择一个或多个病变以进一步调查相关症状并验证尚未检测到/报告的额外典型症状的存在。

然后，交互地处理其诊断路径待被估计的病变列表；从可能病变LPP的列表中，选择具有高于预定义和可修改阈值(在cPDA中)的后体征症状概率的那些病变。对于LPP和罕见疾病列表，可以添加手动添加的病变LPA列表；由LPS＝LPP+LMR+LPA给出总列表LPS。

因此，在这个阶段，可以修改和扩展LPP：

·手动：随时添加任何病变。

·通过改变用于最可能病变的选择的阈值。

·通过直接编辑列表：可以从最终列表中选择/取消选择任何病变一旦LPS被统一，可以执行下一步。

诊断试验选择(图1中的oPDA块)。

一组试验(通过询问DATABASE获得)对应于所选列表LPS的每种病变。用于所有病变的所有这些试验组的并集构成了TAMS(与选定疾病相关的试验)集。

通常，为了选择待执行的诊断试验，可以使用不同的模式或其组合：

1.具有高诊断效果的试验的半自动交互选择。从所有相关试验的TAMS集中，仅选择具有高于有效阈值的灵敏度和/或特异性的那些TAMS，该有效阈值的值可以被改变。然后，假设每个诊断试验都将被执行，则为每个病变计算出验后概率。这标识了那些试验，这些试验如果被执行，将导致知识进步或退化。具有高诊断效果的试验将是超过验后概率阈值的试验，该验后概率阈值也可由医师修改。

2.手动试验选择。对于每个病变，医师可以显示与之相关的所有试验，并随意选择一个或多个诊断试验。因此，也可以选择不超过有效性阈值的试验。对于每个选定的试验，系统计算验后概率和适当性。

3.如果需要，医师也可以从数据库中选择的任何试验，而不考虑其相关性。使用此选项所选择的试验将被输入到TAMS集中。

如果选择了一个以上诊断试验，假设所有试验将被执行，则该装置还将计算每个诊断假设的验后概率，除了显示的每个试验的验后概率和适当性之外，还计算整个诊断路径的适当性(即所有选定试验的全局适当性)。

上述程序与每个试验相关联，其各自的适当性指数IA通过示例的方式可以被定义为：

IA＝To/(C*Te*R)

其中Te是试验进入等待时间指数；C是试验成本指数；R是内在风险与试验的相对风险之间最大值的指数；To是试验耐受性指数。

还针对所有选定的诊断试验确定了全局适当性指数(IA_G)，该全局适当性指数也通过使用上述公式计算出，即：

IA_G＝To_G/(C_G*Te_G*R_G)

其中：To_G是顺序中的所有试验的所有耐受性指数中的最小值，C_G是顺序中的每个试验的单个成本的总和，Te_G是所有等待时间中的最大值，R_G是顺序中的所有风险指数中的最大值。

总之，输出由以下数据组成，优选地在每个诊断假设的显示器(图1中的oPDA块中)中示出：

·验前概率，

·按适当性排序的所有试验列表，这些试验具有各自的验后概率和适当性指数，

·整个诊断路径的全局验后概率和适当性指数

可以构建不同的诊断路径，即使通过从选择中添加和删除单独的试验，然后可以重新计算病变的验后概率和路径的适应性指数。

因此，可以定义替代路径(通过选择不同的试验集)：该装置将具有适当性值的先前路径保持在存储器中，从而可以比较不同的路径。

具体实施方式的示例的详细说明

本发明优选通过存储在存储装置上的软件模块来实现(参见图1)，通过装配有大容量存储器和输入/输出装置的计算机(例如，服务器，台式机，工作站，笔记本电脑，平板电脑，智能手机等)可以读取和执行该存储装置。

例如，软件模块在(物理或虚拟)计算集群上实现，并且可以远程执行，并实现为用于移动装置(平板电脑，智能手机，笔记本电脑)的应用程序。

硬件的实现在于本领域技术人员的掌握之中；因此，不需要进一步的细节。

这样的软件模块将使用存储在知识库BDC和患者数据档案DP中的信息；上述两个数据库都在“数据库”一节中进行了描述。

所有软件模块和整个数据库是通过使用Ruby on Rails框架开发的，该框架用作RAD环境并配备了一系列由支持此环境的开发人员社区获得的开源(gems)附加模块。在大多数情况下，在这种实现解决方案中，通过使用关系数据库来管理应用程序操作所需的所有非易失性数据和信息。在这种情况下，使用通过本地套接字(local socket)连接到应用程序的MySQL数据库服务器。本领域技术人员将能够依靠他的基本知识和现在的描述来实现软件的部分。

参考图3，输出装置将显示一系列交互式菜单，其中最重要的是三个：

·主菜单

·用于鉴别诊断的病变选择菜单

·诊断试验选择菜单

所述菜单将调用以下菜单和两个主要步骤：

·CPDA(适当的诊断路径配置)

·患者数据

·体征和症状选择

·症状列表

·选择相关症状

·添加罕见病

·SIT(交互式试验选择)

·SMT(手动试验选择)

程序：

·LP-计算最可能的病变的排序列表

·OPDA-处理适当诊断路径的输出

各个菜单和程序的操作说明

(与每个菜单选项相关联，以下将在伪代码中提供该选项的描述和活动的列表，将在激活该选项时执行该活动)。

主菜单

在该菜单中，可以调用子菜单，该子菜单能够配置系统(CPDA菜单)，识别患者和他/她的临床数据，选择体征，症状和既往症数据(患者数据菜单)。该信息允许处理最可能的病变(LPP)列表，并在此菜单中显示它。罕见疾病列表(LMR)也与此列表相关联。然后可以使用下面列出的菜单选项来查看和更新总列表。

“由病变忽视的症状”选项：用于验证对于感兴趣的病变，已考虑到所有相关症状。

从包含在列表中的病变中选择一病变，以进一步调查相关症状，并寻找尚未检测到/报告的任何其他典型症状。

如果存在有任何新的症状，那么然后可以输入在第一个调查步骤期间没有输入的新的症状。最可能的病变列表将相应更新。

“由重要性忽视的症状”选项：用于在最可能的假设之间进行鉴别诊断。

对于列表中的第一个诊断假设，其数量由NuSePa变量设置(例如默认为5)，提取在第一个调查步骤期间未报告的所有症状。仅显示具有最高绝对值LR(似然比)(最可能的病变中的症状的最大LR)的前10个症状(SiPr变量的默认值)。

如果有任何新症状，则可以输入在第一次调查步骤期间未输入的新症状。最可能的病变列表将相应更新。

“已包含的重大症状”选项：用于验证虽然检测到高度相关的症状，但不太可能的病变(罕见疾病)尚未被忽视。

在第一次调查步骤期间所报告的所有症状中，系统将显示具有最高LR的前10个症状(SiPiuP变量的默认值)和该值最高的病变。

然后可以将低概率病变输入到随后的菜单中要考虑的疾病列表中。

主菜单(程序)。

可用选项:

适当的诊断路径配置

打开CPDA菜单

患者数据

打开患者数据菜单

显示的输出如下:

IF(“患者数据和症状尚未输入”)

那么打印(“输入患者资料，体征和症状”)

否则调用LP程序

显示LPP+LMR列表

在主菜单中打开补充选项

补充选项:

由病变忽视的症状

当从列表中选择病变(通过点击它)时,

打开菜单症状列表

由重要性忽视的症状

打开选择相关症状菜单

已包含的重大症状

打开添加罕见疾病菜单

接下来

打开用于鉴别诊断的病变选择菜单

用于鉴别诊断的病变选择菜单

在该菜单中，处理诊断路径需要被估计的病变列表。

三个主要选项是：

自动选择：所选择的病变是具有高于40％阈值(SoSePa_inf变量的默认值)的后体征症状概率的病变，但是在上一个菜单中可能选择的任何“罕见疾病”将保留在列表中。

手动选择：医师可以随时添加任何病变。

修改列表：医师可以在最终列表中选择/取消选择任何病变

用于鉴别诊断的病变选择菜单(程序)。

可用选项:

自动选择

通过仅考虑具有高于或等于SoSePa_inf变量的值的概率值的病变来更新LPP

手动选择

医师输入他/她认为相关的病变以及相应的验前概率值，该病变与相应的验前概率值一起进入LPA列表(通过医师手动添加病变)

修改列表

显示所选病变的整个列表LPS；

病变可以被选择/取消选择

点击它们；以粗体显示所选择的病变

配置

打开CPDA菜单

返回

返回到主菜单

接下来

打开诊断试验选择菜单；输出显示所选病变(LPS)的列表，该列表由LPP列表(利用SoSePa_inf变量的值更新)+LMR+由医师(LPA)手动添加的病变列表组成，因此LPS＝LPP+LMR+LPA

诊断试验的选择

一组试验(通过询问数据库(DATABASE)获得)对应于所选列表LPS的每种病变。所有这些试验组的并集构成了TAMS(与选定疾病相关的试验)集。对于TAMS集的初步构建，不考虑LPS的所有病变，因为排除了与具有已经高于70％(SoSePa_sup变量的默认值)的验前概率的病变相关的那些试验。这种选择是由于具有高验前概率的病变已经提供了很强的诊断指示，而不需要其他试验，所述其他试验将添加更少的信息，该信息相比对于诊断不确定性区间(由SoSePa_sup和SoSePa_inf变量限定，各自的默认值为70％和40％)内的病变而言更加特异的试验所获取的信息少。

通常，为了选择要执行的诊断试验，医师可以采用不同的模式或其组合：

具有高诊断效果的试验的半自动交互选择：

从所有相关试验的TAMS集中，仅选择具有有效阈值(SoEf)以上的LR的那些试验，有效阈值的值可由医师在PDA配置菜单中设置(默认为SoEf＝2)。

假设每个诊断试验都将被执行，为每个病变计算出验后概率。这识别出那些试验，如果进行，将导致知识进步或退化。具有高诊断效果的试验将是超过验后概率阈值(默认为70％，无论如何低于或等于SoSePa_sup)的试验。

试验的手动选择

对于每个病变，医师可以显示与之相关的所有试验并按似然比排序，并且随意选择一个或多个诊断试验。因此，也可以选择不超过有效性阈值的试验。对于每个选定的试验，系统计算验后概率和适当性。

如果需要，医师还可以从诊断试验列表中选择任何试验，而不管其与诊断假设的相关性以及用于鉴别分析的有效性。使用此选项而选择的试验将被添加到TAMS集中。

如果选择了一个以上诊断试验，假设所有试验将被执行，则该装置还将计算验后概率，除了显示的每个试验的验后概率和适当性之外，还计算整个诊断路径的适当性(即所有选定试验的全局适当性)。

因此，医师可以通过从选择中添加和去除单个试验以及重新计算病变的验后概率和路径的适当性随意地构建不同的诊断路径。

选择诊断试验菜单(程序)。

可用选项:

具有高诊断效果的试验的半自动交互选择

打开SIT菜单

手动试验选择

当通过点击病变选择时，打开SMT菜单,

配置

打开CPDA菜单

返回

打开用于鉴别诊断的病变选择菜单

保存

保存诊断路径表(定义一个名称)

加载

加载以前保存的诊断路径表

打印

打印诊断路径表并显示OPDA(适当的诊断路径输出)程序的输出。详细地，对于每个病变，它显示验前概率，然后根据适当性排序列出具有验后概率和适当性的所有试验，并且最后列出整个诊断路径的概率和适当性。

患者数据菜单

从该菜单中，可以连接到患者数据库DP，以便除了获得患者的个人数据之外，还获得下一个处理步骤所需的既往症数据。

在该菜单中，在医学检查期间观察到的和/或报告的体征和症状的列表与所选择的患者相关联。

可以通过多种方式选择体征和症状。最简单的方法是在症状DB中使用搜索引擎：用户在对话框中写入报告的症状或体征，因此，基于此，搜索引擎将提供与刚刚输入的类似的体征和症状列表，允许用户从该体征和症状列表中选择他/她认为最适合描述患者情况的列表。

在选择结束时，用户将有一个体征和症状列表，并且该体征和症状列表与患者的既往症信息(已经在数据库中)一起将允许返回到主菜单并处理最可能的病变列表。

患者数据菜单(程序).

可用选项:

患者选择

显示患者的个人信息

体征和症状选择

通过在DB中选择体征和症状而输入体征和症状

返回

返回到主菜单

输出显示:

患者的个人信息(一旦被选择)

在患者身上观察到的体征和症状的列表

症状列表菜单

此菜单显示与预定义病变相关联的所有体征和症状。

显示的体征和症状的数量最多等于NuMaxSint变量(默认为20)；其中，已经由医师观察到的(即已经选择的)被粗体突出显示。因此可以：

验证对于感兴趣的病变，是否已考虑所有相关症状，并验证是否存在尚未检测到/报告的任何其他典型症状。

如果有的话，医师可以输入在第一次调查步骤中未输入的新症状。返回主菜单后，相应地更新最可能病变的列表。

症状列表菜单(程序).

可用选项:

配置

打开CPDA菜单

返回

返回到主菜单

该输出显示用于该病变的20个(NuMaxSint变量的默认值)体征和症状的列表。

以粗体显示所选的体征和症状。

其他体征和症状可以通过点击它们来选择(或取消选择)。

选择相关症状菜单

该选项允许检测先前被忽略的重要体征和症状，以便在最可能的假设之间改进鉴别诊断。

从列表中的前5个(NuSePa变量的默认值)诊断假设中，提取在第一个调查步骤期间未报告的所有症状。仅显示具有最高绝对LR(似然比)(最可能病变中的症状的最大LR)的前5个症状(SiPr的默认值)。

选择相关症状菜单(程序)。

可用选项：

配置

打开CPDA菜单

返回

返回到主菜单

该输出显示最多可能包含NuSePa*SiPr体征和症状的列表。

以粗体显示所选的体征和症状。

其他体征和症状可以通过点击它们来选择(或取消选择)。

添加罕见疾病菜单

尽管该疾病检测到高度相关的症状，该选项允许验证不是很可能的病变(罕见疾病)尚未被忽略。

在第一次调查步骤报告的所有症状中，系统将显示具有最高LR(SiPiuP的默认值)的前10个症状以及该值最高的病变。

如有必要，医师可以将低概率病变添加到已经考虑的罕见疾病列表中，并且然后在下一个菜单中显示该病变。

添加罕见疾病菜单(程序)。

可用选项：

配置

打开CPDA菜单

返回

返回到主菜单

该输出显示出与具有最高LR的病变相关联的SiPiuP(默认为10个)体征和症状的列表(通过对DB的询问)；以粗体显示已经选择的体征和症状和病变。其他体征和症状可以通过点击它们来选择(或取消选择)。

SIT菜单

用于半自动交互选择具有高诊断效果的试验的菜单。具体的一组诊断试验对应于所选列表中的每个病变(LPS：所选病变的列表)。

在所有这些试验中，只考虑验前概率低于或等于70％(SoSePa_sup变量的默认值)的试验。所选择的试验组成所谓的TAMS(与所选疾病相关的试验)集。

从包含所有相关试验的TAMS集中，系统首先选择具有(即所有选定的病变)高于有效性阈值SoEf(默认为2)的LR的绝对值的试验，然后从后者中选择并显示对于所选择的病变中的至少一个而言超过70％的验后概率值(SoPPT变量的默认值，在任何情况下，该默认值小于或等于SoSePa_sup)。

医师可以根据需要选择/取消选择TAMS试验。

SIT菜单(程序)。

可用选项：

返回

返回上一级菜单

配置适当的诊断路径

打开CPDA菜单

该输出显示属于TAMS集的并具有LR>SoEf和验后概率>SoPPT的诊断试验列表。

可以通过点击试验来选择/取消选择。

以粗体显示所选试验。

SMT菜单

用于手动选择上一菜单中所选择的用于病变的试验的菜单显示通过相对似然比排序的所有相关试验，以便医师可以随意选择一个或多个诊断试验。在某些情况下，甚至可以选择不超过有效性阈值的试验并将试验输入TAMS集。

SMT菜单(程序)。

可用选项：

返回

将所选试验包括在TAMS集中(如果尚未存在)

返回上一级菜单

配置适当的诊断路径

打开CPDA菜单

该输出显示诊断试验列表。

可以通过点击试验来选择/取消选择。

以粗体显示所选的试验。

CPDA菜单

在适当的诊断路径配置中，可以显示并可能修改系统变量的值。

CPDA菜单(程序)。

可用选项：

NuMaxSint

默认为20；

对于每个病变而言，可以选择的体征和症状的最大数量

它在症状列表菜单中使用

NuPaLis

默认为10；列表中的病变数量。

菜单中列出的最大病变数量

用于LP程序的主页

NuSePa

默认为5，所选病变的最大数量

在选择相关症状菜单中考虑的最可能病变的数量

SIPr

默认为10；可能的症状。

对于每个病变而言，被忽视的最可能的体征和症状的最大数量

它被用在“选择相关症状菜单”中

SiPiuP

默认为10；最可能的症状。

每个病例的最大病例数

对于所选择的具有最大的LR值的体征和症状中的每一个而言，病

变的最大数量。

它被用于“添加罕见疾病菜单”中

SoSePa_inf

默认为40％，较低的病变选择阈值；病变的概率阈值，在该阈值之上的病变将自动纳入在用于鉴别诊断的病变选择菜单中所选择的病变LPP列表，

这是诊断不确定性区间的下限，由差值SoSePa_sup-SoSePa_inf给出。

SoSePa_sup

默认为70％，在病变选择阈值之上。诊断不确定性区间的上限，由差值SoSePa_sup-SoSePa_inf给出。

在诊断试验选择菜单中，仅考虑与具有位于上述区间范围内的验前概率的病变相关的诊断试验。

SoEf

默认为2；有效性阈值

诊断试验的LR值，医师可以选择在该LR值之上的诊断试验以处理诊断路径。它被用在SIT菜单中。

SoPPT

默认为70％，验后概率阈值。

医师可以将超过该阈值的试验包含在诊断路径列表。SoPPt必须是<＝SoSePa_sup。它被用在SIT菜单中

Te：试验进入等待时间

可以选择/取消选择此变量的使用以计算适当性

C：试验成本指数

可以选择/取消选择此变量的使用以计算适当性

R：试验风险指数

可以选择/取消选择此变量的使用以计算适当性

To：试验耐受性指数

可以选择/取消选择此变量的使用以计算适当性

显示适当的值

用于在诊断试验选择菜单的输出中，选择/取消选择明确地显示适当性指数的可能性

诊断试验选择菜单

返回

返回上一级菜单

该输出将显示每个变量的更新值。

LP程序–说明

LP程序通过使用NAIVE BAYES模型(例如，如Wagholikar等人，同前所述)构建了最可能病变(LPP)的列表。

该程序从患病率(以病变的几率表示)开始，即从流行病数据开始。

在统计学中，术语“几率(odds)”是指事件的概率“p”与没有发生的事件的概率之比(即互补事件的概率(1-p))。Odds_prevalenza表示基于人口统计学和年龄相关的考虑因素(患病率)而得到的患者患病的可能性和患者不患病(1-患病率)的可能性之间的比例。病变M的患病率被定义为P(M)，因此，odds_prevalenza＝P(M)/(1-P(M))。

似然比LR与每个症状，体征，执行的试验和既往症数据相关联，由以下公式给出：

LR＝P(S|M)/P(S|～M)

即通过在患病患者(M)中找到症状(S)的条件概率除以不患有该特定疾病(～M)的患者中找到相同症状的条件概率。一组体征，症状等的全局LRg由个人LR的乘积给出。

现在可以估计在执行任何进一步的诊断试验(预试验)之前具有这些症状、体征等的患者具有疾病M的概率；在几率方面，这被写为：

odds_pre_test＝LRg*odds_prevalenza

一般来说，在知道如下的等式时，这可以再次以概率P表示：

P＝odds/(1+odds)。

上述用于计算odds_pre_test的公式可以容易且快速地实现，并且如上所述，利用后者，可以计算概率P_pre_test。作为一个稍微复杂的替代方案，可以以迭代或递归的方式直接计算一连串n个症状的验前概率。在这种情况下，使用以下等式：

P_i＝(LR*P_i-1)/(LR*P_i-1+K_i-1)其中K_i-1＝(1-P_i-1)

P_i是前i个症状的验前概率；其中i从1变动到所有n个症状，P₀是病变的患病率。当然，P_pre_test＝Pn

虽然这种实现似乎更复杂，但它允许使用严格的贝叶斯模型的简单变体。例如，可以采用K_i-1的不同公式，如以下两种：

K_i-1＝(1-P₀)或K_i-1＝(1-P_i-1)LR。

后两种方法的基本思想是减少使用贝叶斯公式获得的验前概率，该公式将所有系统变量视为彼此独立。

LP程序

对于(来自BDC的“疾病”列表的每种病变)

P₀＝病变患病率

ODDS＝P0/(1-P0)/*以几率表示的患病率*/

LRg＝1/*用于与患者相关的所有数据的全局似然比*/对于，(每个症状，体征，既往症数据，执行的试验)，读取相应的LR(似然比)

LRg＝LRg*LR

ODDSpre＝LRg*ODDS

PpreTest＝ODDSpre/(ODDSpre+1)/*PpreTest是验前概率*/存储每个病变的LPP列表与相应的PpreTest

结束

OPDA程序–说明

该过程通过使用与LP程序中所示相同的朴素贝叶斯(NAIVE BAYES)模型和相同的公式来处理适当的诊断路径的输出。

使得LR是与通用诊断试验相关联的似然比；如果试验(试验后)具有正的结果，那么病变M的估计概率(以几率表示)将由下式给出：

odds_post_test＝LR*odds_pre_test

在知道如下的等式时，这可以再次以概率P表示：

P＝odds/(1+odds)。

可以针对每个单个试验和完整的试验集来评估该概率。

该程序还将每个试验与其相应的适当性指数IA相关联，适当性指数IA定义为：

IA＝To/(C*Te*R)

其中，To为试验耐受性指数；C是试验成本指数；Te是试验进入等待时间指数；R是试验的内在风险与相对风险之间最大值的指数。

适当性越高，IA指数的值就越大。

所有选定的诊断试验的全局适当性指数(IAG)计算如下：

IA_G＝To_G/(C_G*Te_G*R_G)

其中，To_G是所有耐受性指数中的最小值；C_G是每个试验的个人成本的总和；Te_G是所有等待时间中的最大值；R_G是所有风险指数中的最大值。

医师可以决定定义一个替代路径(通过选择一组不同的试验)；系统会将先前路径和其适当性指数保留在内存中，以便医师可以比较不同的路径。

对于odds_post_test的计算，考虑到与体征，症状和试验相关联的变量的统计独立性，对LP概率P_pre_test的计算方法进行评论时，同样的考虑也适用。上述严格贝叶斯计算的变体也适用于这种情况。

OPDA程序

对于(来自BDC的LPS列表的每种病变)

P0＝PpreTest/*之前计算的病变的验前概率*/

ODDS＝P0/(1-P0)/*以几率表示的患病率*/

LRg＝1/*所有试验的全局似然比*/

对于(属于TAMS集的每个试验)

读取相应的LR(似然比)

LRg＝LRg*LR

读取Te/*试验的进入等待时间指数*/

读取C/*试验的成本指数*/

读取Ri/*试验的内在风险指数*/

读取Rr/*试验的相对风险指数*/

确定R/*试验的Ri和Rr之间的最大值*/

读取To/*试验的耐受性指数*/

将C_G计算为所有C指数的总和

将Te_G确定为各个Te指数的最大值

将R_G确定为各个R指数的最大值

确定To_G作为个体To指数的最小值

适当性＝To/(C*Te*R)/*试验的适当性指数*/IA_G＝To_G/(C_G*Te_G*R_G)/*所有试验的全局适当性*/K＝LR*ODDS

PpostTest＝K/(1+K)/*每个试验的验后概率*/ODDSpostG＝LRg*ODDS/*计算全局验后概率*/PpostTestG＝ODDSpostG/(1+ODDSpostG)用于(来自BDC的LPS列表中的每种病变)

保存和显示：

病变名称及其各自的PpreTest

保存和显示，以适当性降序排列，

具有其各自的PpostTest的每个症状

和(可选)适当性指数

全局验后概率：PpostTestG

所有试验的全局适当性(如果该选项已启用)

结束

词汇表

BDC：Base Di Conoscenza(知识库)

C：诊断试验成本(变量)

CPDA：Configurazione Percorso Diagnostico Appropriato(适当的诊断路径配置)(菜单)

DB：数据库

DP：dati paziente(患者数据)

LMR：lista delle Malattie Rare(罕见疾病列表)

LP：计算诊断假设的概率的程序(程序)

LPA：Lista Patologie Aggiunte(手动添加病变列表)

LPP：Lista di Patologiepi ù Probabili(最可能的病变列表)

LPS：Lista delle Patologie Selezionate(所选的病变列表)

LR：似然比

NuMaxSint：对每个病变而言可以选择的最大体征和症状数量(变量)

NuPaLis：列表中的病变的数量(变量)

NuSePa：所选病变的最大数量(变量)

OPDA：Output Percorso Diagnostico Appropriato(适当的诊断路径输出)

OPDA：处理PDA输出的程序(程序)

R：与试验相关的风险(变量)

Ri：试验的内在风险(变量)

Rr：试验的相对风险(变量)

SiPiuP：最可能的症状(变量)

SiPr：可能的症状(变量)

SIT：交互式诊断试验选择(菜单)

SMT：手动诊断试验选择(菜单)

SoEf：有效性阈值(可变)

SoPPT：验后概率阈值(变量)

SoSePa_inf：病变选择阈值下限(变量)

SoSePa_sup：病变选择阈值上限(变量)

TAMS：与所选疾病相关的试验集

Te：诊断试验进入时间(变量)

To：试验耐受性指数(变量)

本发明可以通过计算机程序来有利地实现，该计算机程序包括用于在计算机执行所述程序时实现该方法的一个或多个步骤的编码装置。因此，应当理解的是，保护范围扩展到所述计算机程序以及包括记录消息的计算机可读装置，所述计算机可读装置包括用于在通过电脑执行所述程序时实现所述方法的一个或多个步骤的程序编码装置。

上述实施例的示例可以在不脱离本发明的保护范围的情况下进行，包括本领域技术人员已知的所有等效设计。

各种优选实施例中所示的元件和特征可以在不脱离本发明的保护范围的情况下组合在一起。

从上面的描述中，本领域技术人员将能够在不引入任何进一步的结构细节的情况下产生本发明的目的。

Claims

1.一种适用于医疗应用以便用于通过采用诊断适当性标准来确定用于识别病变的诊断试验的最佳顺序的鉴别诊断装置，包括处理器系统，该系统又包括：

-包含患者数据的第一可更新数据库；

-第二可更新的关系数据库，其包含病变的识别数据、症状，临床体征，诊断试验的识别数据以及与用于定义诊断假设(病变)列表的所述诊断试验的适当性参数有关的数据；

-适于确定用于识别病变的所述诊断试验的最佳顺序的装置，所述装置包括推理计算引擎，所述推理计算引擎基于包含在所述第一数据库和第二数据库中的数据对于每个诊断假设(病变)利用相关的适当性指数和患者患有所述病变的概率来确定所述诊断试验的最佳顺序。

2.根据权利要求1所述的诊断装置，其中适于确定所述诊断试验的最佳顺序的所述装置适于通过所述推理计算引擎进行：

-基于包含在所述第一数据库和第二数据库中的数据，确定可能的诊断假设(病态)的验前概率指数；

-基于包含在所述第一数据库和第二数据库中的数据和所述验前概率指数，确定以执行所述诊断试验的最佳顺序为条件的可能的诊断假设(病态)的验后概率指数；

-将适当性指数与所述最佳顺序的每个试验相关联；

-将适当性指数与所述诊断试验的最佳顺序相关联。

3.根据权利要求2所述的诊断装置，其中在发现病变M的相应的验前概率和验后概率的所述推理计算的基础上，所述验前概率和所述验后概率的条件分别为所述第一数据库{DP}中包含的患者识别数据集以及所述患者识别数据{DP}与所述诊断试验的最佳顺序的所述试验集{T}的并集，适于确定所述诊断试验的最佳顺序的所述装置适于确定所述验前概率Pre(M|{DP})和所述验后概率Post(M|{DP}U{T})。

4.根据权利要求3所述的诊断装置，其中适于确定所述诊断试验的最佳顺序的所述装置包括适于以如下方式确定所述验前概率Pre(M|{DP})的装置：

-似然比LR与每个症状相关联，似然比LR由下式给出：

LR＝P(S|M)/P(S|～M)

即通过在患有病变(M)的患者中发现症状(S)的条件概率P(S|M)除以在不患所述病变(～M)的患者中发现相同症状的条件概率P(S|～M)；

-计算由每个病变的似然比LR的乘积给出的全局似然比LRg；

-首先以几率(odds)计算所述相对验前概率Pre(M|{DP})：

odds_pre_test＝LRg*odds_prevalenza

其中odds_prevalenza＝P(M)/(1-P(M))，其中P(M)是病变M的患病率。

利用上述等式，所述验前概率Pre(M|{DP})由下式给出：

Pre(M|{DP})＝odds/(1+odds)。

5.根据权利要求4所述的诊断装置，其中适于确定所述诊断试验的最佳顺序的装置包括适于以下述方式确定所述验后概率Post(M|{DP}U{T})的装置：

odds_post_test＝LR*odds_pre_test

利用上述等式，所述验后概率Post(M|{DP}U{T})由下式给出：

Post(M|{DP}U{T})＝odds_post_test/(1+odds_post_test)。

6.根据权利要求3所述的诊断装置，其中适于确定所述诊断试验的最佳顺序的所述装置包括适于以迭代或递归方式确定一系列症状的所述验前概率Pre(M|{DP})的装置，通过使用以下关系：

P_i＝(LR*P_i-1)/(LR*P_i-1+K_i-1)，其中K_i-1＝(1-P_i-1)

P_i是前i个症状的验前概率；其中i从1变动到所有n个症状，P₀是病变的患病率；

-然后确定所述验前概率Pre(M|{DP})＝Pn

7.根据权利要求1所述的诊断装置，其中适于确定所述诊断试验的最佳顺序的所述装置包括适于如下的装置：

-确定单个诊断试验的所述适当性指数IA，适当性指数IA被定义为：IA＝To/(C*Te*R)，其中Te是试验进入等待时间指数；C是试验成本指数；R是试验的内在风险与相对风险之间最大值的指数；To是试验耐受性指数；

-确定一系列诊断试验的全局适当性指数IA_G＝To_G/(C_G*Te_G*R_G)，其中To_G是顺序中所有试验的所有耐受性指数中的最小值，C_G是序列中的每个每个试验的单个成本的总和，Te_G是所有等待时间之间的最大值，R_G是顺序的所有风险指数中的最大值。

8.根据权利要求1所述的诊断装置，包括软件模块，所述软件模块在能够由配备有输入/输出装置的计算机读取和执行的存储装置中实现的，能够由(物理或虚拟)计算集群实现、并且能够远程执行并实现为用于移动装置(平板电脑，智能手机，笔记本电脑)的应用程序。