CN107451390A - 用于预测慢性阻塞性肺疾病急性加重的系统 - Google Patents

用于预测慢性阻塞性肺疾病急性加重的系统 Download PDF

Info

Publication number
CN107451390A
CN107451390A CN201710326747.XA CN201710326747A CN107451390A CN 107451390 A CN107451390 A CN 107451390A CN 201710326747 A CN201710326747 A CN 201710326747A CN 107451390 A CN107451390 A CN 107451390A
Authority
CN
China
Prior art keywords
copd
variable
patient
data
mrow
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.)
Granted
Application number
CN201710326747.XA
Other languages
English (en)
Other versions
CN107451390B (zh
Inventor
金淑敬
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.)
Cc And I Research Co Ltd
Original Assignee
Cc And I Research Co Ltd
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 Cc And I Research Co Ltd filed Critical Cc And I Research Co Ltd
Publication of CN107451390A publication Critical patent/CN107451390A/zh
Application granted granted Critical
Publication of CN107451390B publication Critical patent/CN107451390B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N2710/00—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA dsDNA viruses
    • C12N2710/00011—Details
    • C12N2710/10011—Adenoviridae
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N2750/00—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA ssDNA viruses
    • C12N2750/00011—Details
    • C12N2750/14011—Parvoviridae
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N2760/00—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA ssRNA viruses negative-sense
    • C12N2760/00011—Details
    • C12N2760/18011—Paramyxoviridae
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N2760/00—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA ssRNA viruses negative-sense
    • C12N2760/00011—Details
    • C12N2760/18011—Paramyxoviridae
    • C12N2760/18511—Pneumovirus, e.g. human respiratory syncytial virus
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N2770/00—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA ssRNA viruses positive-sense
    • C12N2770/00011—Details
    • C12N2770/20011—Coronaviridae
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N2770/00—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA ssRNA viruses positive-sense
    • C12N2770/00011—Details
    • C12N2770/32011—Picornaviridae
    • C12N2770/32311—Enterovirus

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

提供了一种用于预测COPD急性加重的系统。该系统与存储的应用相结合，该系统包括：收集单元，从医疗记录整合服务器、病毒信息服务器、天气数据服务器和社交数据服务器收集变量，并且在变量响应患者的COPD急性加重的预测请求而出现的每个时间点生成由包括变量的数据集构成的规范；模型配置单元，确定变量和与变量相关联的参数系数，以设置预测模型；分析单元，将规范的变量和参数系数输入到由所述模型配置单元设置的模型，以预测患者的COPD急性加重的发生；提供单元，向至少一个客户端提供预测结果值。

Description

用于预测慢性阻塞性肺疾病急性加重的系统
本申请要求于2017年2月22日递交到韩国知识产权局的第10-2017-0023312号韩国专利申请的优先权和权益，所述韩国专利申请的公开通过引用全部包含于此。
技术领域
本发明涉及一种用于预测慢性阻塞性肺疾病(Chronic Obstructive PulmonaryDisease，COPD)急性加重的系统。更具体地讲，本发明涉及一种基于所有可用的COPD患者的大量数据来预测单个患者的COPD急性加重的系统，其中，患者可以使用该系统在事件发生之前用来预防患者自身的COPD急性加重，所述所有可用的COPD患者的大量数据来自于综合管理所有可用的医院的信息的国家机构或保险公司，而不局限于存储在医院中的COPD患者的信息。
背景技术
慢性阻塞性肺疾病(下文称为“COPD”)是一种慢性支气管炎、引起肺泡结构损伤的疾病的肺气肿、或者两者出现的混合并且从支气管到肺泡的气道关闭的疾病。这种疾病的症状包括：长期咳嗽带痰、由于气道阻塞引起的空气流速下降而导致的呼吸困难以及常见的呼吸道感染(诸如，普通感冒)。这种疾病在全球造成了高死亡率，并且由于吸烟、空气污染等迅速增加。COPD的病因是肺对有毒分子或气体以及复杂地参与了COPD的各种因素(诸如，吸烟、城市化、污染、传染性呼吸系统疾病等)的异常的慢性炎症反应。
即使是在COPD产生时，也可以通过持续治疗来抑制COPD急性加重，但是药物的使用不规范、细粉尘的迅速增加、与COPD直接相关的症状的滞后检测、呼吸道病毒的突然发生、快速的温度变化等可能导致COPD患者在短时间内迅速衰弱并死亡。
因此，期望通过预测和预防患者的COPD急性加重的发生或通过开始其症状的早期治疗来降低由这样的加重引起的损害。
为此，临床参数的组合已经被用于预测患者的COPD急性加重。但是，这些临床参数不足以准确适用于各个病例的预测。此外，尽管COPD患者由于上述因素在去医院后可能会出现急性加重的可能性，但是COPD患者无法预测他们自己的急性加重的可能性。因此，COPD患者在COPD急性加重发生后去医院可能会导致不良结果。因此，有必要开发一种即使在他或她去医院之前也允许患者预测COPD急性加重的可能性的工具。
发明内容
本发明涉及一种通过基于所有可用的慢性阻塞性肺疾病(COPD)患者的大量数据(诸如，来自综合管理所有可用的医院的信息的国家机构或保险公司的信息)来预测单个患者的COPD急性加重的系统，其中，患者可以在患者的COPD急性加重发生之前使用该系统预防COPD的急性加重。
本发明的主题不限于上述主题，结合下面的描述，在此未提及的其它主题对于相关领域技术人员是显而易见的。
根据本发明的一个实施例，提供了一种用于预测慢性阻塞性肺疾病(COPD)急性加重的系统。所述系统组合了存储的应用，所述系统包括：输入单元，从患者接收用于预测患者的COPD急性加重发生的请求；收集单元，从用于从存储COPD患者的病历数据和临床方面数据的所有可用的医院服务器收集患者医疗信息的医疗记录整合服务器、病毒信息服务器、天气数据服务器、社交数据服务器收集变量，并且在由患者的预测模型选择的变量响应来自所述输入单元的患者的COPD急性加重的发生的预测请求而出现的每个时间点生成由包括变量的数据集构成的至少一个规范；模型配置单元，确定变量和与变量相关联的参数系数，以设置COPD急性加重的预测模型，其中，从收集单元在预定的条件下选择的收集的变量及其相关联的参数中选择变量和参数系数；分析单元，将与患者的变量相关联的规范的变量和参数系数输入到由所述模型配置单元设置的模型中，以预测患者的COPD急性加重的发生；更新单元，更新预测模型且向所述分析单元提供更新后的模型；提供单元，向由患者、医疗记录整合服务器和医院服务器组成的组中的至少一个组员提供预测结果值；存储单元，存储由所述收集单元获得的预测结果值以及患者的COPD急性加重的实际发生的实际结果值；其中，在预定条件下确定的变量至少包括：从医疗记录整合服务器获取的病历数据和从病毒信息服务器获取的呼吸道病毒数据，所述病历数据至少包括：COPD患者的规定的COPD药物、药物摄取频率、急诊室访问频率、住院频率、护理天数、治疗天数以及患者的COPD急性加重的发生频率。
在本发明的另一实施例中，所述应用是存储在系统中用于控制并启动所述系统中的每个单元的一组指令。
在本发明的另一实施例中，所述呼吸道病毒数据是在与患者的病历数据或临床方面数据相关联的变量被创建的特定时间点之前的预定时间段内针对至少一种病毒收集的病毒检测率，并且所述呼吸道病毒数据包括腺病毒(ADV)、副流感病毒(PIV)、呼吸道合胞病毒(RSV)、H1N1pdm病毒、人类冠状病毒(hCoV)、人鼻病毒(hRV)、人博卡病毒(hBOV)、戊型肝炎病毒(hEV)或流行性感冒病毒(IFV)中的至少一种的病毒检测率。
在本发明的另一实施例中，所述病历数据的所述规定的COPD药物是具有不同组分的多种药物，并且药物摄取频率是每种药物的药物摄取频率。
在本发明的另一实施例中，COPD急性加重的所述预测模型可以使用反映COPD急性加重发生的预测结果值和彼此相关的变量的建模。
在本发明的另一实施例中，所述病历数据可进一步包括相关症状的发生频率和伴随的并发症的发生频率，所述相关症状包括哮喘，所述伴随的并发症包括缺血性心脏病、肺癌、骨质疏松症、抑郁症、关节炎、糖尿病、胃食管反流、气胸、心力衰竭、高血压、贫血或代谢综合征中的至少一个。
在本发明的另一实施例中，所述临床方面数据可包括平均吸烟量、吸烟史、一秒用力呼气量(FEV1％)或者通过量化患者完成的自我诊断问卷的反应而获得的COPD评估测试(CAT)中的至少一个。
在本发明的另一实施例中，用于预测COPD急性加重的系统所使用的变量进一步包括由所述天气数据服务器提供的变量，其中，所述天气数据是在与所述患者的病历数据或所述临床方面数据相关联的变量被创建的特定时间点之前的预定时间段内收集的数据，并且由所述天气数据服务器提供的变量包括细粉尘累积的量、最低温度累积的量、最低温度的变化量、沉淀累积的累积量、最高温度累积的量、最高温度的变化量、日温度范围、最大日风速、平均湿度或阳光量中的至少一种。
在本发明的另一实施例中，用于预测COPD急性加重的系统所使用的变量进一步包括由所述社交数据服务器提供的变量，其中，所述社交数据是在与患者的所述病历数据或所述临床方面数据相关联的变量被创建的特定时间点之前以及包括该特定时间点的预定时间段内收集的数据，并且由所述社交数据服务器提供的变量包括能够在搜索引擎和社交媒体的数据中发现的COPD相关术语的搜索频率、与COPD的症状相关的术语的搜索频率或者与伴随COPD的并发症相关的术语的搜索频率中的至少一种。
在本发明的另一实施例中，用于预测COPD急性加重的系统中的所述模型配置单元通过获取对与符合式子1的参数估计方程等于零的求解的参数系数，来确定参数系数(β)，
其中，i表示每个患者的标识符；j表示每个患者的规范标识符；Xij表示第i个患者的第j个规范且由变量{Xij，1，Xij，2…Xij，p}的数据集构成；Yij表示根据规范Xij的急性加重发生的实际结果值；
β表示一组参数系数{β0，β1…βp}，其中，参数系数满足以下关系： μij＝E[Yij|Xij](平均)，以及在Vi＝var(Yij|Xi)(分散)的情况下Si(μi)＝diag(Vi)；Ri(α)表示基本矩阵，该基本矩阵是用于求解规范与急性加重发生的值之间的相关性的时变相关矩阵。
在本发明的另一实施例中，本发明的所述系统中的所述提供单元进一步将被预测模型预测的患者的COPD急性加重的实际发生的实际结果值记录在所述医疗记录整合服务器和所述预测服务器中。
在本发明的另一实施例中，本发明的所述系统中的所述收集单元进一步从来自所述医疗记录整合服务器、天气数据服务器、病毒信息服务器、社交数据服务器和预测服务器的所有变量和COPD急性加重实际发生的实际结果值的收集到的数据中，准备所有可用的患者的规范。
在本发明的另一实施例中，本发明的所述系统中的所述更新单元通过基于包括规范的变量和实际结果值的数据集的预测模型的系数估计方程进一步重新估计与变量相关联的参数系数，并且进一步评估对实际结果值的影响，以重新确定影响实际结果值的变量和参数系数，其中，通过获取对符合式子1的参数估计方程等于零求解的参数系数，来执行参数系数的重新估计。
本发明的其他实施例的说明包括在本申请的具体实施方式和附图中。
附图说明
通过结合附图详细描述本发明的示例性实施例，本发明的上述和其它主题、特点和优点对本领域的普通技术人员将变得更加清楚：
图1是示出包括系统的完整网络的示意图，所述系统包括预测服务器、连接网络、一组有线和无线用户终端以及一组提供必要数据的服务器，其中，根据本发明的实施例的用于预测慢性阻塞性肺疾病(COPD)急性加重的应用在所述预测服务器中执行并存储；
图2是示出具有用于预测COPD急性加重的执行的应用的预测服务器的每个模块的示意性框图；
图3是示出构建预测模型的处理的流程图；
图4是示出响应于COPD患者的请求预测COPD急性加重的处理的流程图；
图5是示出更新预测模型的处理的流程图。
具体实施方式
以下，将参照附图来详细描述本发明的优选实施例。然而，本发明不限于这里描述的实施例，并且可以存在其他实施例。提供了本说明书中的实施例，使得本公开是全面和完整的，以向本领域技术人员全面地传达本发明的范围。贯穿说明书，相同的附图标记表示相同的元件。与此同时，本文使用的术语是用于说明实施例的目的，并不意图限制本发明。在本说明书中，除非另有说明，否则单数形式应理解为包括复数形式。在说明书中使用的术语“包括”和/或“包含”不排除在所指定的组合物、成分、组件、步骤、操作和或元件中存在或增加其他的组合物、成分、组件、步骤、操作和/或元件的一种或多种。
此外，本文使用的“单元”或“模块”通常是指本发明的组件，诸如，逻辑可分离软件(计算机程序)、硬件或等效部件。因此，本发明的详细实施例中的单元不仅包括计算机程序中的单元，还包括硬件配置中的单元。因此，该实施例还可以用作包含指令的计算机程序的描述，所述计算机程序可以是用于执行计算机中的每个步骤的程序、用于将计算机功能形成为每个工具(mean)的程序或者用于使计算机实现功能、系统或方法中每一个的程序，其中，所述计算机程序启动“单元”或“模块”。为了便于描述，虽然如本文所使用的“存储”、“被存储”或者等同的术语可以被使用，但是这些术语是指在程序的情况下被存储或被控制以存储在存储设备中的计算机程序。虽然可以将各个“模块”和“单元”配置成与功能具有大体上一一对应关系，但是在实际实践中，单个模块可以被配置为具有单个程序，多个模块可以被配置为具有单个程序或单个模块可以被配置为多个程序。在分布式或者并行环境中，多个模块可以由单个计算机执行或者单个模块可以由多个计算机执行。单个模块可以包括附加模块。如本文所使用的术语“连接”除了物理连接之外还包括逻辑连接，诸如数据传递、指令、数据之间的参考关系等等。如本文所使用的术语“预定”是指在对象处理之前确定的条件，并且不仅包括在根据本发明的示例性实施例的处理开始之前设置的条件，而且还包括只要在对象处理完成之前，针对根据示例性实施例的处理的当前或先前的状态设置的条件。
如本文所使用的术语“系统”或“装置”可以包括通过具有一对一对应通信连接的诸如网络的通信单元互联的多个计算机、硬件、装置等，或者包括具有实现本发明的过程的单个计算机、硬件、装置等。
此外，对于每个过程，无论是由每个模块或单元执行的单个过程或者是由每个模块或单元执行的多个过程，都从诸如存储器的存储设备中读取的目标信息，并且在过程完成之后过程的结果被写入存储设备。因此，在描述中存在这样的情况，在过程之前从存储设备中读取以及在过程之后写入存储设备的描述可以被省略。本文所述的存储设备可以包括硬盘、随机存取存储器(RAM)，外部存储介质、经由通信线路的存储设备、中央处理单元(CPU)中的寄存器等等。
以下，将参照图1和图2对根据本发明的实施例的用于预测慢性阻塞性肺病(COPD)急性加重的应用进行详细描述。图1是示出具有包括了预测服务器的系统的完整网络的示意图，其中，根据本发明的实施例的用于预测COPD急性加重的应用在所述预测服务器中存储和执行，图2是示出具有用于预测COPD急性加重的执行的应用的预测服务器的示意性框图。
以下，为了便于描述，将用案例对本发明的示例性实施例进行描述，其中，控制用于预测COPD急性加重的预测服务器200的应用210在预测服务器200中被执行。然而，应用210可以被安装在云服务器或其他网络服务器上，并且可以通过能够与应用210进行交互的客户端程序向用户移动终端160和用户有线终端170提供服务。此外，图2中示出的用于预测COPD急性加重的各个处理可以被分布到预测服务器200、用户移动终端160和用户有线终端170进行处理。
结合了存储的应用210的系统100收集由服务器提供的医疗信息、呼吸道病毒信息、天气数据和社交数据，以构建用于预测COPD急性加重的预测模型，并使用所述预测模型来预测单个患者的COPD急性加重。提供在预测模型中使用的变量和参数系数的服务器、整合了应用210的预测服务器200以及用户移动终端160和用户有线终端170被提供于系统100中。所述服务器可以包括医疗记录整合服务器110、医院服务器120、天气数据服务器130、病毒信息服务器140和社交数据服务器150。这些组件通过网络180互联(有线连接或无线连接)，并且这些组件之间的数据交换通过网络180执行。
为了方便起见，图1示出了移动终端160、有线终端170、医院服务器120和社交数据服务器150中每一个的单个组件，但是图1中的每个组件仅仅是COPD患者访问的所有可用的医院的服务器、可搜索的门户网站、社交数据服务器(诸如，社交网络服务(SNS)、留言板、博客等)和用户终端的精简的代表性示例。
医疗记录整合服务器110从存储COPD患者的病历数据和临床方面数据的所有可用的医院服务器收集患者医疗信息。医疗记录整合服务器110是整合管理存储在每个医院中的特定患者的医疗信息的服务器，并且可以是，例如，国家机构或保险公司的服务器。例如，如果是在大韩民国，医疗记录整合服务器110可以是健康保险审查与评估部(HIRA)的服务器。
医院服务器120是安装在医院的服务器，单个COPD患者去该医院接受治疗，并且该服务器可以存储COPD患者从医院接受的治疗记录、处方药、住院记录、诊断记录、医学检查记录等等。医院服务器120具体地存储单个COPD患者的病历数据和临床方面数据。治疗COPD患者的医院的所有可用的服务器将病历数据和临床方面数据(其将在下文中描述)传送到医疗记录整合服务器110。此外，每当新的病历数据或新的临床方面数据被创建时，医院服务器120记录COPD实际急性加重发生的信息，并将该记录的信息与上述数据一起发送到医疗记录整合服务器110。
病历数据是患者由于COPD急性加重接受的诊断、处方和治疗的数据，并且可以包括COPD药物的摄取量及其摄取频率、急诊室访问频率、住院频率、护理天数、治疗天数、患者的COPD急性加重的发生频率、相关症状的发生记录以及伴随并发症的发生记录等。
急诊室访问频率可能是过去一年或两年间患者访问急诊室的次数，住院频率、护理天数、治疗天数以及患者的COPD急性加重发生频率也可以是过去一年或两年间针对每个变量的患者的数据。
相关症状可以是过去一年或两年间由患者的COPD直接引起的症状，诸如，哮喘的发生。伴随的并发症可以是过去一年或两年间由患者的COPD引起的其它疾病，并且可以包括由缺血性心脏病、肺癌、骨质疏松症、抑郁症、关节炎、糖尿病、胃食管反流、气胸、心力衰竭、高血压、贫血和代谢综合征组成的组中的至少一个组员。
由于处方药物因患者病情而异，因此是否发生COPD急性加重可以由处方药物来确定。因此，COPD药物的摄取量可以显示由患者摄取的具有不同组分的多种药物，并且患者的药物摄取频率可以是每种药物的药物摄取频率。具体而言，药物可以是长效毒蕈碱拮抗剂(LAMA)、短效β-2激动剂(SABA)、短效蕈毒碱拮抗剂(SAMA)、茶碱、吸入性激素联合长效支气管扩张剂(ICSLABA)、长效支气管扩张剂(LABA)、体系(sysbronch)、SAMASABA或LABALAMA。
临床方面数据可以是在医院对COPD患者进行的测试和医学检查的数据，并且可以包括平均吸烟量、吸烟史、一秒用力呼气量(FEV1％)或者通过量化对患者的自我诊断问卷的反应而获得的COPD评估测试(CAT)中的至少一个。具体而言，通过对患者日常咳嗽、痰液、胸闷、心理状况等方面的问题的数值反应来统计CAT。
如稍后将详细描述的，由医疗记录整合服务器110管理的病历数据和临床方面数据的上述术语由结合了应用210的预测服务器200来收集，并且由这个规范的变量组成，所述变量被收集以用于预测模型中或者在预测服务器中执行的系数估计方程中。该规范不采用预测服务器200收集变量的时间点作为生成点，而是采用由医疗机构(诸如，医院)记录病历数据或临床方面数据的变量的时间点作为生成点。
天气数据服务器130可以向预测服务器200发送可能影响患者的COPD急性加重的天气信息。
由天气数据服务器130提供的变量可以是在特定时间点之前的预定时间段内收集的数据，在该特定时间点，与医疗记录整合服务器110接收到的病历数据或临床方面数据相关联的变量被创建，由天气数据服务器130提供的变量可以包括细粉尘累积的量、最低温度累积的量、最低温度的变化量或沉淀累积的累积量中的至少一种。例如，细粉尘累积的量、最低温度的变化量、沉淀累积的累积量、最高温度累积的量、最高温度的变化量、日温度范围、最大日风速、平均湿度和阳光量是在病历数据或临床方面数据中的变量创建之前的几天被收集的数据，并且可以以变量的形式添加到与创建病历数据或临床方面数据的生成点对应的患者的规范中。
病毒信息服务器140向预测服务器200发送可能影响患者的COPD急性加重的呼吸道病毒的数据。
呼吸道病毒数据是在与患者的病历数据或临床方面数据相关联的变量被创建的时间点之前的预定时间段(诸如，一周或四周)内被收集的病毒检测率，并且可以是关于腺病毒(ADV)、副流感病毒(PIV)、呼吸道合胞病毒(RSV)，H1N1pdm病毒、人类冠状病毒(hCoV)、人鼻病毒(hRV)、人博卡病毒(hBOV)、戊型肝炎病毒(hEV)或流行性感冒病毒(IFV)中的至少一种的数据。
社交数据服务器150可以是能够实现在用户终端(包括用户无线终端160和用户有线终端170)之间执行的数字化活动(例如，消息交换以及文本、图像、视频、音频和各种数据的共享等)的各种可搜索的门户网站或服务网站。服务网站可以包括社交网络服务(SNS)、留言板、博客等。
社交数据服务器150可以将与在搜索引擎等中获得的COPD急性加重相关的社交媒体生成的大数据传送到预测服务器200。来自社交媒体的大数据是在包括了与患者的病历数据或临床方面数据相关联的变量被创建的时间点的预定时间段内被收集的数据，并且可以包括COPD相关术语、与COPD引起的症状相关的术语以及与伴随COPD的并发症相关的术语的搜索频率，这些术语从来自于搜索引擎或社交媒体的数据中发现。相关术语可以是，例如，但不限于COPD、哮喘、肺气肿、慢性支气管炎、呼吸困难、急性加重、流感、呼吸急促等等。
呼吸道病毒数据和搜索到的相关社交数据可以以变量的形式添加到与病历数据或临床方面数据被创建的时间点相对应的患者的规范中。
如果使用COPD相关的趋势数据来预测患者的COPD急性加重，则患者可以通过间接了解其他COPD患者的趋势和关注点来更准确地预测患者本身的COPD急性加重的可能性。
用户移动终端160和用户无线终端170可以是COPD患者能够用于与外部通信的终端，并且可以包括例如蜂窝式电话、智能电话、平板电脑、笔记本电脑和台式电脑。
预测服务器200具有存储于其中的用于预测COPD急性加重的应用210。应用210包括用于操作预测服务器200中的每个单元的指令集，以预测COPD急性加重。具体地，应用210包括用于使用系数估计方程来估计参数系数的指令集，其中，每个参数系数与从每个服务器输入的特定COPD患者的规范中的每个变量相关联。
具体地，结合了应用210的预测服务器200可以包括输入单元220、收集单元230、模型配置单元240、分析单元250、更新单元260、提供单元270和存储单元280。输入单元220接收预测患者的COPD急性加重发生的预测请求，并执行用户身份验证。
收集单元230从每个服务器收集用于构建预测模型的变量以及与请求的COPD患者相关的变量，并且生成由变量的数据集构成的规范。
具体地，为了构建预测模型，收集单元230可以从医疗记录整合服务器110获取包括在所有可用的患者的病历数据和临床方面数据的变量中的COPD患者的COPD药物的摄取量及其摄取频率、急诊室访问频率、住院频率、治疗天数、COPD急性加重的发生频率、相关症状的发生频率、伴随并发症的发生频率、吸烟史、一秒用力呼气量(FEV1％)、COPD评估测试(CAT)等，并且可以在变量出现时针对每个生成点产生规范。
为了构建预测模型，收集单元230还可以收集围绕病历数据的创建存在的天气信息、呼吸道病毒数据和社交数据等，上述信息和数据以变量的形式从天气数据服务器130、病毒信息服务器140和社交数据服务器150被收集到与病历数据被创建的生成点对应的规范中。收集单元230将信息和数据添加到规范中。
此外，为了构建预测模型，收集单元230可以针对所有可用的患者的每个规范进一步地收集关于患者的COPD急性加重的实际发生的信息，并且使用包括在病历数据中的患者的COPD急性加重的发生频率。
每当病历数据或临床方面数据被创建时，该规范可以被生成。在预定期间内出现不同变量的情况下，在该预定期间内出现的分组变量的数据集可以作为一个规范而生成。如果在该预定期间内当特定变量改变时一个变量不变，则该未改变的变量可以在该特定变量出现的生成点生成的规范中被重新记录。
当所有可用的患者的每个规范的数据集和表示COPD急性加重的实际发生的实际结果值被传送到模型配置单元240且预测模型被设置时，收集单元230通过从每个服务器收集符合预定条件的变量，以在变量出现的每个生成点生成单个患者的规范，其中，所述预定条件响应于针对COPD急性加重发生的患者的预测请求。
与此同时，模型配置单元240使用系数估计方程来估计参数系数，其中每个所述系数以预定计算形式与每个相应的变量相关联，并且模型配置单元240设置预测模型。
在这种情况下，预测模型使用与每个相应的变量相关联的参数系数，并且采用构成规范的数据集的变量作为输入值。预测模型可以使用反映指示急性加重的发生的预测值与变量之间的相关性的建模，并且可以是广义估计方程。当在急性加重的预测已经被制定后急性加重发生时，预测结果值、实际结果值等可能会影响以下变量。因此，预测模型需要使用上述模型。
根据上述方程，模型配置单元240可以将用于所有患者的每个规范的数据集和实际结果值输入到系数估计方程中，以估计预测模型中所需的参数系数。
模型配置单元240可以通过分析构成所有可用的患者的规范的变量、估计参数系数和实际结果值来确定具有高预测性的变量和系数。该分析是影响实际结果值的变量和系数的评估，并且可以通过在分析参数系数的分散性、可靠性和正态分布时所需的Pr＞|z|等来执行。
模型配置单元240从所有可用的患者的规范的数据集的变量之中确定具有高预测性的变量和参数系数，以生成最终预测模型。最终预测模型可以用于预测由分析单元250请求的急性加重。
将参考图3进一步地详细描述上述预测模型、系数估计方程等。
响应于COPD患者通过用户无线终端160和用户有线终端170做出的预测请求，分析单元250使用由模型配置单元240提供的预测模型来预测COPD急性加重。分析单元250基于请求预测的COPD患者的规范来计算急性加重的预测结果值，所述规范由收集单元230发送。
在建立预测模型之后，更新单元260可以通过重新分析请求COPD急性加重的预测的患者的实际结果值和未提出请求的患者的COPD急性加重的结果值来更新预测模型。
在这方面，收集单元230可以记录通过医疗记录整合服务器110和存储单元280中的模型预测的患者的实际结果值，并且通过从医疗记录整合服务器110、气象数据服务器130、病毒信息服务器140、社交数据服务器150和存储单元280收集患者的COPD急性加重的实际发生的所有变量和实际结果值来生成所有可用的患者的各个规范。
更新单元260可以通过模型配置单元240中描述的系数估计方程来以预定的计算形式重新估计与变量相关联的参数系数。
更新单元260可以评估对实际结果值的影响，以重新确定影响实际结果值的变量和参数系数，其与模型配置单元240的上述分析处理基本一致。更新单元260向分析单元250提供更新后的预测模型。
提供单元270向患者的无线终端160或有线终端170、医疗记录整合服务器110或者医院服务器120中的至少一个提供由分析单元250获得的预测结果值。
存储单元280可以将预测模型中使用的变量和参数系数以及由分析单元250获得的预测结果值一并存储，并存储患者的COPD急性加重的实际发生的实际结果值。
在下文中，参考图1至图3，描述了用于预测COPD急性加重的系统进行的构建本发明的实施例的预测模型的处理。图3是示出构建预测模型的处理的流程图。
首先，在操作S310中，收集单元230从医疗记录整合服务器110、天气数据服务器130、病毒信息服务器140和社交数据服务器150中收集所有可用的患者的所有变量Xij,p和患者的COPD急性加重的实际发生的实际结果值Yij，并且针对每个患者生成规范Xij。
这里，i表示每个患者的标识符，j表示每个患者的规范标识符，Xij,p表示构成规范Xij的数据集的第p变量。
具体地，收集单元230从医疗记录整合服务器110获取COPD的COPD药物的摄取量及其摄取频率、急诊室访问频率、住院频率、治疗天数、患者的COPD急性加重的发生频率、相关症状的发生频率、伴随并发症的发生频率、吸烟史、一秒用力呼气量(FEV1％)、COPD评估测试(CAT)等，并且在变量出现的每个生成点生成规范。
此外，收集单元230以变量的形式将来自天气数据服务器130、病毒信息服务器140和社交数据服务器150的围绕病历数据的创建存在的天气信息、呼吸道病毒数据和社交数据等添加相应的规范中。
收集单元230可以针对所有可用的患者的每个规范收集患者中COPD急性加重的实际发生的信息，并且使用包括在病历数据中的患者的COPD急性加重的发生频率。
接下来，在操作S320中，模型配置单元240基于由规范Xij的变量Xij,p和实际结果值Yij构成的数据集，通过预测模型的参数估计方程，以预定的计算形式来估计与由收集单元230生成的规范Xij的变量Xij,p相关联的参数系数βp。
由模型配置单元240构建的预测模型可以使用反映表示患者的COPD急性加重的发生的预测值与变量之间的相关性的建模。在本实施例中，使用广义估计方程作为预测模型。
根据上述方程，模型配置单元240可以通过将所有可用的患者的每个规范Xij的数据集和实际结果值Yij输入到系数估计方程中来估计预测模型中所需的参数系数βp。
系数估计方程遵循式子1，并且通过获取式子1等于零的解来估计参数系数βp。
其中，i表示每个患者的标识符，j表示每个患者的规范标识符，Xij表示第i个患者的第j个规范且由变量{Xij，1，Xij，2…Xij，p}的数据集构成，Yij表示根据规范Xij的急性加重发生的实际结果的值。
β表示一组参数系数{β0，β1…βp}，其中，参数系数满足以下关系： μij＝E[Yij|Xij](平均)，且在Vi＝var(Yij|Xi)(分散)的情况下Si(μi)＝diag(Vi)，Ri(α)表示基本矩阵，该基本矩阵是用于求解规范与急性加重发生的值之间的相关性的时变相关矩阵。
接下来，在操作S330中，模型配置单元240评估对实际结果值Yij的值的影响，以确定影响实际结果值Yij的变量Xij,p和参数系数βp。
该评估分析是对实际结果值Yij的评估，并且可以通过在分析参数系数的分散性、可靠性和正态分布时所需的Pr＞|z|等来执行。
通过评估分析，本发明发现主要影响患者的COPD急性加重的发生的变量是包括药物的摄取量及其摄取频率、急诊室访问频率、住院频率、治疗天数和患者中COPD急性加重的发生频率的病历数据以及呼吸道病毒数据。
呼吸道病毒数据是在与患者的病历相关的变量出现之前的预定时间段内收集的病毒检测率，并且与腺病毒(ADV)、副流感病毒(PIV)、呼吸道合胞病毒(RSV)，H1N1pdm病毒、人类冠状病毒(hCoV)、人鼻病毒(hRV)、人博卡病毒(hBOV)或戊型肝炎病毒(hEV)中的至少一种相关。
接下来，模型配置单元240最终建立由确定的变量Xij,p和参数系数βp构成的预测模型，并将建立的预测模型提供给分析单元250。
预测模型遵循式子2，如式子1所述，β是构成参数系数βp的集合，而A是COPD急性加重发生的预测结果值。
Aij＝Xijβ [式子2]
根据本实施例，可以通过基于变量的预测来提高预测精度，所述变量具有相当高的导致患者的COPD急性加重的几率，其中，通过评估影响COPD急性加重的变量来选择所述变量。进一步地，通过调整具有相当高的导致患者的COPD急性加重的几率的变量的参数系数，可以进一步地分析变量对预测的影响，从而更准确地预测患者的COPD急性加重。
此外，当包括COPD相关术语、与COPD引起的症状相关的术语和与根据的COPD的疾病相关的术语的频率的变量(所述变量从包括来自于搜索引擎、SNS、留言板或博客的数据的个性化社交数据以及社交数据的趋势中被检测出)被用作预测模型中的变量时，可以通过间接地了解其他患者的趋势来更准确地预测COPD急性加重。
在下文中，参考图1、图2和图4，将描述在用于预测COPD急性加重的系统中被执行的根据本发明的实施例的预测患者的COPD急性加重的处理。图4是示出响应于单个COPD患者的请求预测COPD急性加重的处理的流程图。
首先，在操作S410中，输入单元220从期望对COPD急性加重的发生进行预测的COPD患者接收请求。
接下来，在操作S420中，收集单元230从各个服务器收集与请求预测的COPD患者相关的变量之中的满足操作S330的条件的变量，并且收集单元230在变量出现的每个生成点上生成相应患者的规范。
以与图3所示的方式基本相同的方式构造组成多个规范的变量的数据集。
接下来，在操作S430中，分析单元250利用组成规范的变量的数据集和在遵循式子2的预测模型中满足操作S330的条件的参数系数，计算出相应患者的COPD急性加重发生的预测结果值。
接下来，在操作S440中，提供单元270将预测结果值提供给请求预测的患者的终端160和终端170中的至少一个、医疗记录整合服务器、相应患者的医院服务器120以及存储预测结果值和相关规范的存储单元280。
根据本实施方式，通过使用患者的COPD急性加重的预测模型，患者自己可以在事件发生之前预防他或她自己的COPD的加重，其中，所述预测模型基于存储在整合管理了所有医院的信息的医疗记录整合服务器110中的所有COPD患者的大量数据。
如图3所示，可以更精确地预测患者的疾病的急性加重的发生，这是因为预测模型将与社交数据相关的变量以及对患者的疾病的急性加重具有高影响的变量进行了合并。
在下文中，参考图1、图2和图5，将对根据本发明的实施例的更新预测模型的处理进行描述。图5是示出更新预测模型的处理的流程图。
首先，在操作S510中，提供单元270将由预测模型预测到事件的患者的COPD急性加重实际发生的实际结果值记录到相应患者的医院服务器120、医疗记录整合服务器110和存储单元280中。
接下来，在操作S520中，收集单元230从医疗记录整合服务器110和存储单元280接收患者的预测的实际结果值，并从医疗记录整合服务器110、天气数据服务器130、病毒信息服务器140、社交数据服务器150和存储单元280收集患者的COPD急性加重发生的所有变量Xij,p和实际结果值Yij，以针对所有患者生成规范Xij。收集单元230的操作与图3的操作S310基本相同，并且只要没有矛盾，Xij、Xij,p、Yij和下面的βp与图3中的名称基本上相同。
接下来，在操作S530中，更新单元260通过与图3中描述的式子1相同的参数估计方程，基于由规范Xij的变量Xij,p和实际结果值Yij组成的数据集，来以预定的计算形式重新估计与规范Xij的变量Xij,p相关的参数系数βp。通过获取对与式子1相同的系数估计方程等于零求解的参数系数，来执行参数系数的重新估计。
接下来，在操作540中，更新单元260以与图3的操作S330中描述的评估分析基本上相同的方式来评估对实际结果值Yij的影响，以重新确定影响实际结果值Yij的变量Xij,p和参数系数βp。
在操作S550中，更新单元260通过根据式子2将重新确定的变量Xij,p和参数系数βp反映到预测模型来更新预测模型。
根据本发明的实施例，可以开发更准确的预测模型，并且可以通过跟踪经由医院或医疗记录整合服务器的系统预测的患者的COPD急性加重的实际发生并且基于预测的结果调整预测模型的变量和参数系数来反映出意想不到的变量。
根据本发明，在患者的COPD急性加重发生之前，患者自己可以通过根据来自整合管理了所有可用的医院的信息的国家机构或保险公司的所有COPD患者的大量数据预测事件来预防COPD急性加重。
此外，可以通过基于具有相当高的导致患者的COPD急性加重的几率的变量进行预测来提高预测的准确性。
此外，通过对患者的COPD急性加重的预测中所使用的变量的影响进行详细地分析，可以进一步提高预测的准确性，其中，所述分析是通过对与可能导致事件的变量相关联的参数系数进行调整。
进一步地，通过利用COPD相关术语、与COPD引起的症状相关的术语以及与根据源自个性化社交数据(例如，搜索引擎、SNS、留言板或博客)的疾病相关的术语的频率，患者的COPD急性加重的发生可以通过了解其他COPD患者的趋势来更准确地预测。
图2示出的用于预测患者的COPD急性加重的应用210或者根据图3至图5示出的实施例的操作可以以满足功能的程序的形式记录在计算机可读记录介质中。这里，计算机可读记录介质是指可以通过电、磁、光、机械或化学反应来积累诸如数据和程序等信息的记录介质，并且可由计算机读取。这种记录介质的示例对于可移动的介质包括便携式存储器、软盘、磁光盘、光盘只读存储器(CD-ROM)、可重写光盘(CD-R/W)、数字多功能光盘(DVD)、数字录音磁带(DAT)、存储卡等等，而对于可安装固定的介质包括固态硬盘(SSD)、硬盘、只读存储器(ROM)等。
在上面的描述中，即使将构成本发明的实施例的所有组件描述为组合成一个功能装置，本发明也不限于这种实施例。也就是说，在本发明的范围内，组件可以选择性地组合以形成一个或多个功能部件。此外，本发明的每个组件可以在实施例中被相应的单个硬件来执行，但是部分或全部组件可以被选择性地组合和被具有程序模块的计算机程序执行，所述程序模块执行一个或多个硬件设备的组合的部分或全部功能。
对于本领域技术人员显而易见的是，在不脱离本发明的精神或范围的情况下，可以对本发明的上述示例性实施例进行各种修改。因此，应当理解的是，本发明涵盖落入到所附权利要求及其等同物的范围内的所有这样的修改。

Claims (13)

1.一种用于预测慢性阻塞性肺疾病COPD急性加重的系统，所述系统组合了存储的应用，所述系统包括：
输入单元，从患者接收预测患者的COPD急性加重发生的请求；
收集单元，从用于从存储COPD患者的病历数据和临床方面数据的所有可用的医院服务器收集患者医疗信息的医疗记录整合服务器、病毒信息服务器、天气数据服务器、社交数据服务器收集变量，并且在由患者的预测模型选择的变量响应来自所述输入单元的患者的COPD急性加重的发生的预测请求而出现的每个时间点生成由包括变量的数据集构成的至少一个规范；
模型配置单元，确定变量和与变量相关联的参数系数，以设置COPD急性加重的预测模型，其中，从收集单元在预定的条件下选择的收集的变量及其相关联的参数中选择变量和参数系数；
分析单元，将与患者的变量相关联的规范的变量和参数系数输入到由所述模型配置单元设置的预测模型中，以预测患者的COPD急性加重的发生；
更新单元，更新预测模型且向所述分析单元提供更新后的预测模型；
提供单元，向由患者、医疗记录整合服务器和医院服务器组成的组中的至少一个组员提供预测结果值；
存储单元，存储由所述分析单元获得的预测结果值以及患者的COPD急性加重的实际发生的实际结果值；
其中，在预定的条件下选择的变量至少包括：从医疗记录整合服务器获取的病历数据和从病毒信息服务器获取的呼吸道病毒数据，所述病历数据至少包括：COPD患者的COPD药物、COPD药物摄取频率、急诊室访问频率、住院频率、护理天数、治疗天数以及患者的COPD急性加重的发生频率。
2.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述应用是存储在所述系统中的用于控制并启动所述系统中的每个单元的一组指令。
3.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述呼吸道病毒数据是在与患者的病历数据或临床方面数据相关联的变量被创建的特定时间点之前的预定时间段内针对至少一种病毒收集的病毒检测率，并且所述呼吸道病毒数据包括腺病毒(ADV)、副流感病毒(PIV)、呼吸道合胞病毒(RSV)、H1N1pdm病毒、人类冠状病毒(hCoV)、人鼻病毒(hRV)、人博卡病毒(hBOV)、戊型肝炎病毒(hEV)或流行性感冒病毒(IFV)中的至少一种的病毒检测率。
4.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述病历数据的COPD药物是具有不同组分的多种药物，并且COPD药物摄取频率是每种药物的药物摄取频率。
5.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述预测模型使用了反映COPD急性加重发生的预测结果值和彼此相关的变量的建模。
6.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述病历数据进一步包括相关症状的发生频率和伴随的并发症的发生频率，所述相关症状包括哮喘，所述伴随的并发症包括缺血性心脏病、肺癌、骨质疏松症、抑郁症、关节炎、糖尿病、胃食管反流、气胸、心力衰竭、高血压、贫血和代谢综合征中的至少一个。
7.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述临床方面数据包括平均吸烟量、吸烟史、一秒用力呼气量(FEV1％)或者通过量化患者完成的自我诊断问卷的反应而获得的COPD评估测试(CAT)中的至少一个。
8.根据权利要求1所述的用于预测COPD急性加重的系统，其中，用于预测COPD急性加重的系统所使用的变量进一步包括由所述天气数据服务器提供的变量，其中，所述天气数据是在与患者的所述病历数据或所述临床方面数据相关联的变量被创建的特定时间点之前的预定时间段内收集的数据，并且由所述天气数据服务器提供的变量包括细粉尘累积的量、最低温度累积的量、最低温度的变化量、沉淀累积的累积量、最高温度累积的量、最高温度的变化量、日温度范围、最大日风速、平均湿度或阳光量中的至少一种。
9.根据权利要求1所述的用于预测COPD急性加重的系统，其中，用于预测COPD急性加重的系统所使用的变量进一步包括由所述社交数据服务器提供的变量，其中，所述社交数据是在与患者的所述病历数据或所述临床方面数据相关联的变量被创建的特定时间点之前以及包括该特定时间点的预定时间段内收集的数据，并且由所述社交数据服务器提供的变量包括能够在搜索引擎和社交媒体的数据中发现的COPD相关术语的搜索频率、与COPD的症状相关的术语的搜索频率或者与伴随COPD的并发症相关的术语的搜索频率中的至少一种。
10.根据权利要求1所述的用于预测COPD急性加重的系统，其中，用于预测COPD急性加重的系统中的所述模型配置单元通过获取对以下的参数估计方程等于零求解的参数系数，来确定参数系数(β)，
<mrow> <mi>U</mi> <mrow> <mo>(</mo> <mover> <mi>&amp;beta;</mi> <mo>^</mo> </mover> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msubsup> <mi>D</mi> <mi>i</mi> <mi>T</mi> </msubsup> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> <msubsup> <mi>V</mi> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>,</mo> <mi>&amp;alpha;</mi> <mo>)</mo> </mrow> <mo>{</mo> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mover> <mi>&amp;beta;</mi> <mo>^</mo> </mover> <mo>)</mo> </mrow> <mo>}</mo> </mrow>
其中，i表示每个患者的标识符；
β表示一组参数系数{β0，β1…βp}，其中，参数系数满足以下关系： μij＝E[Yij|Xij](平均)，以及在Vi＝var(Yij|Xi)(分散)的情况下Si(μi)＝diag(Vi)；
j表示每个患者的规范标识符；
Xij表示第i个患者的第j个规范且由变量{Xij，1，Xij，2…Xij，p}的数据集构成；
Yij表示根据规范Xij的急性加重发生的实际结果值；
Ri(α)表示基本矩阵，该基本矩阵是用于求解规范与急性加重发生的值之间的相关性的时变相关矩阵。
11.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述系统中的所述提供单元进一步将被预测模型预测的患者的COPD急性加重的实际发生的实际结果值记录在所述医疗记录整合服务器和所述预测服务器中。
12.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述系统中的所述收集单元进一步从来自所述医疗记录整合服务器、天气数据服务器、病毒信息服务器、社交数据服务器和预测服务器的所有变量和COPD急性加重实际发生的实际结果值的收集到的数据中，准备所有可用的患者的规范。
13.根据权利要求1所述的用于预测COPD急性加重的系统，其中，所述系统中的所述更新单元通过基于包括规范的变量和实际结果值的数据集的预测模型的系数估计方程进一步重新估计与变量相关联的参数系数，并且进一步评估对实际结果值的影响，以重新确定影响实际结果值的变量和参数系数，其中，通过获取对以下的参数估计方程等于零求解的参数系数，来执行参数系数的重新估计，
<mrow> <mi>U</mi> <mrow> <mo>(</mo> <mover> <mi>&amp;beta;</mi> <mo>^</mo> </mover> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msubsup> <mi>D</mi> <mi>i</mi> <mi>T</mi> </msubsup> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> <msubsup> <mi>V</mi> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>&amp;beta;</mi> <mo>,</mo> <mi>&amp;alpha;</mi> <mo>)</mo> </mrow> <mo>{</mo> <msub> <mi>Y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mover> <mi>&amp;beta;</mi> <mo>^</mo> </mover> <mo>)</mo> </mrow> <mo>}</mo> </mrow>
其中，i表示每个患者的标识符；
β表示一组参数系数{β0，β1…βp}，其中，参数系数满足以下关系： μij＝E[Yij|Xij](平均)，以及在Vi＝var(Yij|Xi)(分散)的情况下Si(μi)＝diag(Vi)；
j表示每个患者的规范标识符；
Xij表示第i个患者的第j个规范且由变量{Xij，1，Xij，2…Xij，p}的数据集构成；
Yij表示根据规范Xij的急性加重发生的实际结果值；
Ri(α)表示基本矩阵，该基本矩阵是用于求解规范与急性加重发生的值之间的相关性的时变相关矩阵。
CN201710326747.XA 2017-02-22 2017-05-10 用于预测慢性阻塞性肺疾病急性加重的系统 Expired - Fee Related CN107451390B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170023312A KR101846951B1 (ko) 2017-02-22 2017-02-22 Copd 급성 악화 예측용 애플리케이션
KR10-2017-0023312 2017-02-22

Publications (2)

Publication Number Publication Date
CN107451390A true CN107451390A (zh) 2017-12-08
CN107451390B CN107451390B (zh) 2020-11-17

Family

ID=60486350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710326747.XA Expired - Fee Related CN107451390B (zh) 2017-02-22 2017-05-10 用于预测慢性阻塞性肺疾病急性加重的系统

Country Status (3)

Country Link
US (1) US10896757B2 (zh)
KR (1) KR101846951B1 (zh)
CN (1) CN107451390B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288502A (zh) * 2018-04-11 2018-07-17 平安科技（深圳）有限公司 疾病预测方法及装置、计算机装置及可读存储介质
CN108550400A (zh) * 2018-04-13 2018-09-18 成都金盘电子科大多媒体技术有限公司 空气污染物对呼吸道疾病病患人数影响的评估方法
CN109801715A (zh) * 2018-05-03 2019-05-24 复旦大学附属中山医院 一种基于物联网用于慢阻肺呼吸康复的icf评估系统
CN109817331A (zh) * 2019-01-25 2019-05-28 温州职业技术学院 一种针对慢性阻塞性肺疾病的远程医疗辅助决策方法
CN110223779A (zh) * 2019-06-12 2019-09-10 吉林大学第一医院 一种肺癌患者的吸烟与患病关联性研究方法
CN111815643A (zh) * 2019-04-11 2020-10-23 西门子医疗有限公司 基于人工智能的copd评估
CN111899866A (zh) * 2020-07-28 2020-11-06 四川大学华西医院 基于深度学习的外科手术并发症评测系统
CN112489803A (zh) * 2020-12-23 2021-03-12 阿斯利康投资(中国)有限公司 风险事件预测方法和系统、风险事件预测系统的生成方法
CN113223708A (zh) * 2021-05-24 2021-08-06 浙江医院 病症风险预测模型的构建方法和相关设备
CN113974566A (zh) * 2021-11-09 2022-01-28 无锡启益医疗科技有限公司 一种基于时间窗的copd急性加重预测方法
CN114007673A (zh) * 2019-04-30 2022-02-01 诺顿（沃特福特）有限公司 吸入器系统
CN114566238A (zh) * 2022-02-09 2022-05-31 无锡启益医疗科技有限公司 一种基于copd风险判断的被筛查患者auc提升方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102268506B1 (ko) * 2018-12-27 2021-06-24 서울대학교병원 뇌전증 관련 정보 관리 시스템
CN110853764B (zh) * 2019-11-28 2023-11-14 成都中医药大学 一种糖尿病证候预测系统
CN111370136A (zh) * 2020-03-03 2020-07-03 绵竹市疾病预防控制中心 应对突发公共卫生事件疫情防控信息系统
WO2021214742A1 (en) * 2020-04-22 2021-10-28 Yeda Research And Development Co. Ltd. Method of diagnosing pathogenesis of viral infection for epidemic prevention
CN115458158B (zh) * 2022-09-23 2023-09-15 深圳大学 一种针对脓毒症患者的急性肾损伤预测系统
CN116612885B (zh) * 2023-04-26 2024-03-22 浙江大学 一种基于多模态的慢性阻塞性肺病急性加重的预测装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007052108A2 (en) * 2005-11-01 2007-05-10 Earlysense, Ltd. Methods and systems for monitoring patients for clinical episodes
CN102355852A (zh) * 2009-02-06 2012-02-15 必安康医疗有限公司 用于慢性疾病监视的设备、系统和方法
WO2013029617A1 (en) * 2011-08-26 2013-03-07 Aalborg Universitet Prediction of exacerbations for copd patients
CN102971755A (zh) * 2010-01-21 2013-03-13 阿斯玛西格诺斯公司 用于慢性病管理的早期告警方法和系统
CN104809335A (zh) * 2015-04-10 2015-07-29 上海卫生信息工程技术研究中心有限公司 一种环境变化对疾病发病影响的分析预测模型
CN105046406A (zh) * 2015-06-25 2015-11-11 成都厚立信息技术有限公司 住院病人医疗管理质量评估方法
CN105431736A (zh) * 2013-05-13 2016-03-23 P·A·柯卡姆 用于慢性阻塞性肺疾病（copd）的诊断和预后的方法
WO2016172614A1 (en) * 2015-04-22 2016-10-27 RECIPROCAL LABS CORPORATION d.b.a. PROPELLER HEALTH Predictive modeling of respiratory disease risk and events
WO2016194007A1 (en) * 2015-06-03 2016-12-08 Laboratori Di Informatica Applicata Di Giuseppe Capasso System for the detection and the early prediction of the approaching of exacerbations in patients suffering from chronic obstructive broncopneumaty

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007052108A2 (en) * 2005-11-01 2007-05-10 Earlysense, Ltd. Methods and systems for monitoring patients for clinical episodes
CN102355852A (zh) * 2009-02-06 2012-02-15 必安康医疗有限公司 用于慢性疾病监视的设备、系统和方法
CN102971755A (zh) * 2010-01-21 2013-03-13 阿斯玛西格诺斯公司 用于慢性病管理的早期告警方法和系统
WO2013029617A1 (en) * 2011-08-26 2013-03-07 Aalborg Universitet Prediction of exacerbations for copd patients
CN105431736A (zh) * 2013-05-13 2016-03-23 P·A·柯卡姆 用于慢性阻塞性肺疾病（copd）的诊断和预后的方法
CN104809335A (zh) * 2015-04-10 2015-07-29 上海卫生信息工程技术研究中心有限公司 一种环境变化对疾病发病影响的分析预测模型
WO2016172614A1 (en) * 2015-04-22 2016-10-27 RECIPROCAL LABS CORPORATION d.b.a. PROPELLER HEALTH Predictive modeling of respiratory disease risk and events
WO2016194007A1 (en) * 2015-06-03 2016-12-08 Laboratori Di Informatica Applicata Di Giuseppe Capasso System for the detection and the early prediction of the approaching of exacerbations in patients suffering from chronic obstructive broncopneumaty
CN105046406A (zh) * 2015-06-25 2015-11-11 成都厚立信息技术有限公司 住院病人医疗管理质量评估方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288502A (zh) * 2018-04-11 2018-07-17 平安科技（深圳）有限公司 疾病预测方法及装置、计算机装置及可读存储介质
CN108550400A (zh) * 2018-04-13 2018-09-18 成都金盘电子科大多媒体技术有限公司 空气污染物对呼吸道疾病病患人数影响的评估方法
CN109801715A (zh) * 2018-05-03 2019-05-24 复旦大学附属中山医院 一种基于物联网用于慢阻肺呼吸康复的icf评估系统
CN109817331B (zh) * 2019-01-25 2022-11-01 温州职业技术学院 一种针对慢性阻塞性肺疾病的远程医疗辅助决策系统
CN109817331A (zh) * 2019-01-25 2019-05-28 温州职业技术学院 一种针对慢性阻塞性肺疾病的远程医疗辅助决策方法
CN111815643A (zh) * 2019-04-11 2020-10-23 西门子医疗有限公司 基于人工智能的copd评估
CN114007673B (zh) * 2019-04-30 2024-04-26 诺顿（沃特福特）有限公司 吸入器系统
CN114007673A (zh) * 2019-04-30 2022-02-01 诺顿（沃特福特）有限公司 吸入器系统
CN110223779A (zh) * 2019-06-12 2019-09-10 吉林大学第一医院 一种肺癌患者的吸烟与患病关联性研究方法
CN111899866A (zh) * 2020-07-28 2020-11-06 四川大学华西医院 基于深度学习的外科手术并发症评测系统
CN111899866B (zh) * 2020-07-28 2022-04-22 四川大学华西医院 基于深度学习的外科手术并发症评测系统
CN112489803A (zh) * 2020-12-23 2021-03-12 阿斯利康投资(中国)有限公司 风险事件预测方法和系统、风险事件预测系统的生成方法
CN113223708A (zh) * 2021-05-24 2021-08-06 浙江医院 病症风险预测模型的构建方法和相关设备
CN113974566B (zh) * 2021-11-09 2023-09-19 无锡启益医疗科技有限公司 一种基于时间窗的copd急性加重预测方法
CN113974566A (zh) * 2021-11-09 2022-01-28 无锡启益医疗科技有限公司 一种基于时间窗的copd急性加重预测方法
CN114566238A (zh) * 2022-02-09 2022-05-31 无锡启益医疗科技有限公司 一种基于copd风险判断的被筛查患者auc提升方法

Also Published As

Publication number Publication date
US20180239872A1 (en) 2018-08-23
CN107451390B (zh) 2020-11-17
US10896757B2 (en) 2021-01-19
KR101846951B1 (ko) 2018-04-09

Similar Documents

Publication Publication Date Title
CN107451390A (zh) 用于预测慢性阻塞性肺疾病急性加重的系统
Upadhyay et al. Readmission rates and their impact on hospital financial performance: a study of Washington hospitals
KR20190115330A (ko) 만성 호흡기 질환의 급성 악화 예측용 애플리케이션
US10332637B2 (en) Use of web-based symptom checker data to predict incidence of a disease or disorder
Dey et al. IT capability for health care delivery: is more better?
Salleh et al. The influence of system quality characteristics on health care providers’ performance: Empirical evidence from Malaysia
Mukamel et al. End-of-life quality-of-care measures for nursing homes: place of death and hospice
Jencks Measuring quality of care under Medicare and Medicaid
Lin et al. External validation of an algorithm to identify patients with high data-completeness in electronic health records for comparative effectiveness research
WO2021189958A1 (zh) 慢病随访记录收集方法、装置、设备及存储介质
US20120173398A1 (en) Apparatuses, Systems, and Methods for Health and Wealth Planning
Rudd et al. The statistics of counting coughs: easy as 1, 2, 3?
Wang et al. Development of the China’s list of ambulatory care sensitive conditions (ACSCs): a study protocol
Ramos et al. Improvement of the prediction of drugs demand using spatial data mining tools
KR101473487B1 (ko) 수가코드 관리 방법 및 이를 이용한 의료정보시스템
Van Groningen et al. Electronic order volume as a meaningful component in estimating patient complexity and resident physician workload
Desai et al. Economic burden of cystic fibrosis care in British Columbia
Belson et al. The effects of an enhanced primary care model for patients with serious mental illness on emergency department utilization
Rodriguez Llorian et al. Electronic medical records and primary care quality: Evidence from Manitoba
Madewell et al. Voluntarily reported immunization registry data: reliability and feasibility to predict immunization rates, San Diego, California, 2013
KR102477788B1 (ko) 의료인을 위한 통합 자원관리 플랫폼 시스템
CN113570446A (zh) 一种基于医院财务的核算方法、装置、设备及存储介质
Lennox et al. A latent variable model of evidence-based quality improvement for substance abuse treatment
Kalsekar et al. National estimates of enrollment in disease management programs in the United States: an analysis of the National Ambulatory Medical Care Survey data
Studnicki et al. Using information systems for public health administration

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201117