CN107491630A - 临床决策支持综合系统和使用其的临床决策支持方法 - Google Patents
临床决策支持综合系统和使用其的临床决策支持方法 Download PDFInfo
- Publication number
- CN107491630A CN107491630A CN201611087498.5A CN201611087498A CN107491630A CN 107491630 A CN107491630 A CN 107491630A CN 201611087498 A CN201611087498 A CN 201611087498A CN 107491630 A CN107491630 A CN 107491630A
- Authority
- CN
- China
- Prior art keywords
- medical
- information
- patient
- prediction result
- clinical decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
提供了一种临床决策支持综合系统和方法。通过机器学习获得并从多个外部医疗机构接收的患者的临床预测结果经过整合以执行综合预测,使得不仅预测患者的当前病情,而且预测患者的疾病的未来进展,以帮助医务人员做出快速且正确的医疗决策。
Description
相关申请的交叉引用
本美国非临时专利申请根据35U.S.C§119要求于2016年6月10日提交的韩国专利申请第10-2016-0072645号和2016年10月28日提交的第10-2016-0142185号的优先权,其全部内容通过引用并入本文。
技术领域
本公开在这里涉及一种临床决策支持综合系统和使用该系统的临床决策支持方法,并且更具体地,涉及一种支持系统和方法,其中对从至少一个医疗机构接收的关于患者疾病的临床预测的结果进行整合,并且基于整合结果,执行反映患者特征的患者定制分析,以向医务人员提供关于患者的诊断和治疗的指导,使得当医务人员确定用户的诊断或治疗方法时,利用该指导交叉检查医务人员的判断从而避免误诊,并且可以针对关于患者疾病的精确预测、诊断、治疗、预防和未来管理的医疗活动做出快速且正确的决策。
背景技术
根据用于治疗和检测患有疾病或病的患者的病情的典型系统,根据诊断并治疗患者的个别医务人员的经验、知识、载体、信息等,来执行患者的病情诊断和治疗。
在该系统中,医务人员之间的经验、知识、载体、信息的差异可导致诊断和治疗的质量差异,并且由于这种差异,患者可能偏好特定的医院,因此医院两极分化现象可变得更严重。
随着医疗技术和信息处理技术的发展,正在开发各种医疗装置,在医疗领域中使用的数据例如医疗记录正在被数字化,并且关于医学研究的系统化和累积的信息的数量呈指数增长。此外,随着广泛使用可链接到智能装置的个人健康信息收集装置,包括个人健康信息的多条临床信息增加到足以形成大数据。
由于工业技术的发展引起的全球变暖、对人体的威胁的增加、或者生活方式或习惯的变化,已经出现了多种新的疾病或病。
由于医疗环境的这种变化,医务人员诊断并治疗患者所需要参考的临床信息变得繁多且复杂。因此,当取决于个别医务人员诊断并治疗患者时,可能由于误诊而发生医疗事故,对患者造成严重的身体或精神损害。
也就是说,在当前的医疗环境中,取决于个别医务人员的经验或信息难以对患者进行准确的诊断或建立治疗策略,并且新疾病的诊断或治疗受到限制。
为了克服上述限制,已经开发了临床决策支持系统(CDSS)来帮助医务人员当基于患者的临床信息诊断或治疗患者的疾病时作出决策,该系统用于各种医疗领域。
通常,临床决策支持系统根据规则(更具体地,IF-THEN规则)编制(program)医疗诊断和治疗指导,以向医生提供关于患者的病情的指导的结果,并且代表性地,该临床决策支持系统提供药物利用审查(DUR)服务,用于在开出药物处方时设定对多种复杂药物的限制,使得可以防止药物的相互作用。
临床决策支持系统基于患者的临床信息帮助医务人员做出关于对患者的诊断、治疗方法的选择、或治疗药物的选择的决策,使得可以最小化医务人员误诊的可能性,并且可以更客观地执行诊断和治疗。因此,可以减少医务人员之间的诊断和治疗的质量的差异,使得可以向患者提供客观的医疗服务。
慢性疾病如心血管疾病或糖尿病的发病率近来已经增长。由于慢性疾病因急性加重而具有猝死的高概率,所以紧急情况的预测、并发症的早期诊断、、以及对患者的未来护理是非常重要的。
然而,典型的临床决策支持系统不提供关于疾病进展的早期诊断或预测的指导,但仅提供行政警告或药物处方的功能,并且仅在确定的规则内获得结果,并因此限制了通过执行诸如患者的疾病的预测、诊断、治疗和预防的整体管理、根据疾病的进展、进行准确诊断或建立治疗策略。
此外,由于典型的临床决策支持系统是基于反复学习同一患者的病例的结果,所以典型的临床决策支持系统不能为具有相同疾病的新患者提供可靠的诊断或治疗方法。
此外,诊断或治疗患者所需的临床信息以其自己的数据格式在诸如医院或东方医疗诊所的医疗服务提供机构中生成、积累和管理,并且基于临床信息,医疗服务提供机构建立并运行他们自己的临床决策支持系统。由于医疗服务提供机构的系统之间缺乏互操作,所以不能有效地使用关于特定疾病的多条新发现的信息。
因此,本公开提供了一种支持系统和方法,其中基于通过使用综合预测系统与多个医疗机构互操作而在每个医疗机构中生成、积累并管理的临床信息,来整合关于特定患者的类似病例的临床预测的结果,并执行应用了患者特性和整合临床预测结果的患者定制分析,以向医务人员提供患者的诊断和治疗的指导,从而能针对诸如关于患者疾病的诊断、治疗、处方、预防和未来管理的医疗活动做出快速和正确的决策。
此外,本公开提供了一种用于通过早期预测与高危患者的疾病(例如心血管疾病)相关的危险情况、通过使用IoT装置收集患者的生物特征数据对于患者疾病的持续监视和管理、来防止发生紧急情况的系统和方法。
接下来,将描述本公开所属技术领域的现有技术,然后将描述本公开要解决的技术问题。
涉及医务人员的决策支持系统的韩国专利号1558142(2015年10月8日)公开了一种系统,其中诸如检查患者的结果、生命体征、患者的陈述和对患者的观察的各种数据应用于制定与患者的治疗有关的规则的决策,使得可以建立对于患者的适当的治疗计划。
涉及使用家庭护理数据和医疗诊断/治疗信息的临床决策支持装置的韩国专利申请公开号2009-0000196(2009年1月7日)公开了一种自动化临床决策支持装置,其通过使用经由家庭健康网络和各种传感器发送的测量数据以及在现有医疗机构中管理的患者的医疗数据、而使能快速诊断和初级护理。
根据上述现有技术,仅使用在每个医院收集的患者信息检测特定时间的患者的病情,并且基于检测到的病情,建立患者的诊断和治疗计划,但是不能提供用于对新的未来患者的诊断和治疗计划做出可靠的临床决策的信息。
相反,根据本公开,作出临床决策以诊断并治疗患者的特定医疗机构经由公共综合预测系统从至少一个外部医疗机构请求关于患者的病情的临床预测的结果,并且每个外部医疗机构基于由每个外部医疗机构生成、累积并管理的临床信息,向特定医疗机构提供通过个别预测患者的病情而获得的临床预测结果,并且特定医疗机构基于从外部医疗机构接收的临床预测结果和患者的临床信息,提供关于患者的病情的预测、诊断、治疗、预防和将来管理的指导。
发明内容
本公开提供一种系统和方法,其中在多个医疗机构中分别获得的对于患者的临床预测结果通过医疗机构之间的相互操作进行整合,并且执行反映患者的特性的患者诊断,并且基于综合的临床预测结果预测患者的病情的未来发展,以提供医务人员对医疗活动做出决策所需的指导,从而防止医务人员的误诊,并且帮助医务人员对关于患者的病情的预测、诊断、预防、紧急情况或有效的疾病管理做出正确且快速的决策。
本公开还提供了一种系统和方法,其中通过IoT装置收集诸如生命日志的患者的生物特征数据,以连续监测并管理患者的病情,使得可以预测并防止高危患者的紧急情况的发生或疾病的恶化。
本发明构思的实施例提供了一种临床决策支持综合系统,被配置为通过整合从多个医疗机构、医疗信息提供机构或它们的组合提供的临床预测结果,来执行综合预测,以提供临床决策信息。
在实施例中,可以基于通过使用多个医疗机构中的每一个的医疗信息学习大数据的机器学习所获得的临床预测结果,来执行该综合预测。
在实施例中,该综合预测可以通过整合基于特定医疗机构的自身医疗信息学习大数据的机器学习的临床预测结果、和基于一个或多个外部医疗机构中的每一个的医疗信息学习大数据的机器学习的临床预测结果,来支持临床决策。
在实施例中,临床决策信息可以由以下各项提供:知识库;根据每个人、疾病或它们的组合的决策树、神经网络、朴素贝叶斯或它们的组合;或它们的组合。
在实施例中,机器学习可以包括用于执行学习、推理、预测或它们的组合的人工智能技术,以便多维地分析包括医疗记录、生命日志或它们的组合的大数据用于以患者为中心的医疗服务。
在实施例中,可以执行该机器学习,以输出通过并行簇的加速、和医学信息学习大数据的量化所提取或整合的高度可靠的数字信息作为临床预测结果。
在本发明构思的实施例中,一种临床决策支持综合系统包括:临床决策支持系统,被配置为响应于用户的临床决策请求提供临床决策信息;以及综合预测系统,被配置为响应于该临床决策支持系统的请求,提供临床预测结果,其中该综合预测系统通过整合从多个医疗机构、医疗信息提供机构或它们的组合提供的临床预测结果,来执行用于决策的综合预测。
在实施例中,临床决策支持综合系统还可以包括机器学习引擎,其包括用于通过使用来自临床信息数据库的大数据进行学习的深度学习算法。
在实施例中,临床信息数据库可以包括个别医院的医院临床信息和门诊患者的生命日志信息。
在实施例中,该机器学习引擎可以从包括电子医疗记录(EMR)、个人健康记录(PHR)、医学图像、生命日志信息或它们的组合的大数据中抽象医学信息的特征,并可以通过学习大数据来提取预测模型,以早期预测疾病的危险情况,从而提高临床预测结果的可靠性。
在实施例中,该综合预测系统可以包括:接口,被配置为向存在于多个外部医疗机构中的综合预测系统发送预测请求,并从外部医疗机构接收预测结果;以及合作医院管理单元,被配置为管理用于与外部医疗机构合作的医院信息。
在实施例中,可以向机构提供综合预测系统、机器学习引擎和医学信息学习大数据。
在实施例中,该临床决策支持综合系统可以收集包括患者的生命日志的患者的生物特征数据,以连续监测并管理患者的病情,并且可以向IoT装置提供患者的病情。
在本发明构思的实施例中,一种临床决策支持方法包括:通过整合多个临床预测结果来执行综合预测;并且通过该综合预测来提供具有提高的准确度的临床决策信息。
在实施例中,可以基于通过使用多个医疗机构中的每一个的医疗信息学习大数据的机器学习获得的临床预测结果,来执行该综合预测。
在实施例中,该综合预测可以通过整合基于特定医疗机构的自身医疗信息学习大数据的机器学习的临床预测结果、和基于一个或多个外部医疗机构中的每一个的医疗信息学习大数据的机器学习的临床预测结果,来支持临床决策。
在实施例中,临床决策信息可以由以下各项提供:知识库;根据每个人、疾病或它们的组合的决策树、神经网络、朴素贝叶斯或它们的组合;或它们的组合。
在实施例中,机器学习可以包括用于执行学习、推理、预测或它们的组合的人工智能技术,以便多维地分析包括医疗记录、生命日志或它们的组合的大数据用于以患者为中心的医疗服务。
在实施例中,可以执行该机器学习,以输出通过并行簇的加速、和医疗信息学习大数据的量化所提取或整合的高度可靠的数字信息作为临床预测结果。
在本发明构思的实施例中,一种临床决策支持方法包括:响应于用户经由临床决策支持系统的临床决策请求提供临床决策信息;以及响应于该临床决策支持系统经由综合预测系统的请求提供临床预测结果,其中该综合预测系统通过整合从多个医疗机构、医疗信息提供机构或它们的组合提供的临床预测结果,来执行用于决策的综合预测。
在实施例中,该临床决策支持方法还可以包括通过机器学习引擎使用来自临床信息数据库的大数据进行学习。
在实施例中,该临床信息数据库可以包括个别医院的医院临床信息和门诊患者的生命日志信息。
在实施例中,该机器学习引擎可以从包括电子医疗记录(EMR)、个人健康记录(PHR)、医学图像、生命日志信息或它们的组合的大数据中抽象医学信息的特征,并可以通过学习大数据来提取临床预测模型,以早期预测疾病的危险情况,从而提高临床预测结果的可靠性。
在实施例中,该综合预测系统可以包括:接口,被配置为向存在于多个外部医疗机构中的综合预测系统发送预测请求,并从外部医疗机构接收预测结果;以及合作医院管理单元,被配置为管理用于与外部医疗机构合作的医院信息。
在实施例中,可以向机构提供综合预测系统、机器学习引擎和医疗信息学习大数据。
在实施例中,该临床决策支持方法可以包括收集包括该患者的生命日志信息的患者的生物特征数据,以连续监测并管理该患者的病情,并且向IoT装置提供该患者的病情。
在本发明构思的实施例中,一种临床决策支持方法包括:通过使用从特定医疗机构或医疗信息提供机构提供的学习数据作为输入,来接收其他医疗机构或医疗信息提供机构生成的预测结果;整合接收的预测结果和由该特定医疗机构或医疗信息提供机构自主生成的预测结果,以提取综合学习数据;并且通过使用所提取的综合学习数据来执行综合学习。
在实施例中,所述接收预测结果可以包括:由该特定医疗机构或医疗信息提供机构生成学习数据以将该学习数据提供给其他医疗机构或医疗信息提供机构;并且向该特定医疗机构或医疗信息提供机构提供使用该学习数据作为对该其他医疗机构或医疗信息提供机构的预测模型的输入所获得的预测结果。
在实施例中,综合学习可以包括:通过使用每个其他医疗机构或医疗信息提供机构的预测结果来执行预训练;并且通过使用除预测结果之外的疾病信息,来执行微调。
在本发明构思的实施例中,一种临床决策支持方法包括:整合由特定医疗机构或医疗信息提供机构通过使用特定患者的临床数据生成的自身的预测结果、以及由其他医疗机构或医疗信息提供机构通过使用特定患者的临床数据作为输入而生成的预测结果;并且使用该整合预测结果执行综合预测。
在本发明构思的实施例中,一种临床决策支持综合系统被配置成:通过使用从特定医疗机构或医疗信息提供机构提供的学习数据作为输入,来接收其他医疗机构或医疗信息提供机构生成的预测结果;整合接收的预测结果和由该特定医疗机构或医疗信息提供机构自主生成的预测结果,以提取综合学习数据;并且通过使用所提取的综合学习数据来执行综合学习。
附图说明
包括附图以提供对本发明构思的进一步理解,并且附图被并入并构成本说明书的一部分。附图示出了本发明构思的示例性实施例,并与说明书一起用于解释本发明构思的原理。在附图中:
图1是示出根据本发明构思的实施例的临床决策支持综合系统的概念图;
图2是示出根据本发明构思的实施例的提供临床决策信息的处理的框图;
图3是示出根据本发明构思的实施例的临床决策支持综合系统的配置的框图;
图4是示出根据本发明构思的实施例的在每个医疗机构中通过机器学习引擎执行机器学习的过程的图;
图5是示出根据本发明构思的另一实施例的在综合预测系统中执行用于综合预测的综合学习的处理的图;
图6是示出根据本发明构思的另一实施例的通过综合学习输出特定患者的综合预测结果、以向用户提供临床决策信息的过程的图;
图7是示出根据本发明构思的另一实施例的临床决策支持综合系统的配置的框图;并且
图8是示出根据本发明构思的实施例的生成临床决策信息以将临床决策信息提供给医务人员的终端的过程的流程图。
具体实施方式
在下文中,将参照附图详细描述本发明构思的实施例。相同的附图标记始终表示相同的元件。
图1是示出根据本发明构思的实施例的临床决策支持综合系统的概念图,并且图2是示出根据本发明构思的实施例的提供临床决策信息的处理的框图。
如图1和图2所示,临床决策支持综合系统100在多个医疗机构、医疗信息提供机构或它们的组合中建立,并且这些机构可以通过临床决策支持综合系统100彼此相互协作。
临床决策支持综合系统100包括:临床决策支持系统110,其向治疗患者的用户(即,医务人员)提供临床决策信息;机器学习引擎140,其基于存储在临床信息数据库130中用于医疗信息学习的大数据执行机器学习,以生成用于每种疾病的临床预测模型;以及综合预测系统120,其基于所生成的临床预测模型输出患者的临床预测结果。
治疗特定患者的医务人员从临床决策支持系统110请求临床决策信息,以便正确地确定并执行医疗活动,例如患者疾病的诊断、治疗方法的选择、和治疗药物的选择。
当临床决策支持系统110从医务人员接收到临床决策信息的请求时,临床决策支持系统110从综合预测系统120请求患者的综合预测结果,并且综合预测系统120经由通信网络从多个外部医疗机构请求临床预测结果。这里,综合预测系统120向外部医疗机构提供患者的临床信息,并且每个外部医疗机构基于患者的临床信息执行患者的临床预测。
以下,术语“医疗机构”用于表示诸如医院或东方医疗诊所的医疗机构、和诸如国民健康保险服务或健康保险复查和评估服务的医疗信息提供机构。
提供给外部医疗机构的患者的临床信息缺少患者的个人信息,例如患者的姓名、地址或居民注册号,但包括包含患者年龄、疾病类型、患者嗜好(例如,吸烟、饮酒等)、处方或它们的组合、医学图像、生活日志或它们的组合的电子医疗记录(EMR)。临床信息可以根据患者的疾病而改变。
临床预测表示对患者的疾病的当前状态和疾病的未来发展的预测。
当临床决策支持综合系统100从另一医疗机构接收到对临床预测结果的请求时,临床决策支持综合系统100通过将患者的临床信息输入到由机器学习引擎140生成的临床预测模型来执行患者的临床预测,并输出临床预测的结果。
在已经接收到对于临床预测结果的请求的每个医疗机构中执行临床预测,并且每个医疗机构基于由每个医疗机构生成、累积、存储并管理的临床信息来执行临床预测,并且将临床预测的结果发送给已作出该请求的医疗机构。由每个医疗机构生成、累积、存储并管理的临床信息是时间序列大数据,这是每个患者的医疗信息,包括从多个患者收集的医院临床信息和PHR。
以下参照图3详细描述PHR和医院临床信息。
机器学习引擎140通过基于每个医疗机构中的其自身的临床信息执行机器学习来提取临床预测模型。此外,机器学习引擎140可以不仅使用其自己的临床信息,而且还使用从诸如国家健康保险服务或健康保险审查和评估服务的医疗信息提供机构提供的公共临床信息的公共队列(cohort)大数据,并且该操作可以确保提取准确和可靠的临床预测模型。
机器学习引擎140可以通过根据医疗机构的特性(例如专用领域或应用范围)应用不同的机器学习技术来实现。
当单个机器学习技术被应用于机器学习引擎140时,可能无法对所有病例导出最佳结果。因此,使用多种机器学习技术的组合来提取能够提供改进准确度的临床预测模型,使得可以输出更准确且可靠的临床预测结果。
由机器学习引擎140提取的临床预测模型从已经请求临床预测结果的医疗机构的综合预测系统120接收特定患者的临床信息作为输入,并输出通过预测患者的疾病的未来发展而获得的临床预测结果。也就是说,临床预测结果是基于患者的临床信息的类似病例输出的信息,并且是通过预测患者的疾病的进展而获得的数值信息。
此外,综合预测系统120将输出的临床预测结果发送到已请求临床预测结果的医疗机构的综合预测系统。这里,可以与临床预测结果一起发送医学专家关于相应疾病的意见或相应医疗机构根据临床预测结果提出的例如治疗方法或处方的指导。
接收到来自外部医疗机构的临床预测结果的综合预测系统120通过整合接收到的临床预测结果来执行决策综合预测,并将综合预测的结果提供给临床决策支持系统110。
综合预测表示通过基于患者的临床信息将从至少一个外部医疗机构接收的至少一个临床预测结果与从已请求该至少一个临床预测结果的特定医疗机构输出的临床预测结果进行整合来预测患者的当前病情和应用患者的特性的疾病的未来发展,以便辅助医务人员的临床决策。与单个医疗机构对特定患者进行临床预测的过程相比,该过程使得能够通过与多个外部医疗机构(特别是专门治疗患者疾病的医疗机构)相互配合来更准确且可靠地预测患者的当前病情和疾病的未来发展。此外,可以使用关于由外部医疗机构发现的疾病的新的且有价值的多条信息,从而可以获得高度可靠的综合预测结果。
随着机器学习引擎140机器学习的大数据量的增加,包括在每个医疗机构的临床决策支持综合系统100中的机器学习引擎140的精确度得到提高。
此外,临床决策支持系统110使用从综合预测系统120接收的预测结果向医务人员提供临床决策信息。
临床决策信息包括:对患者的当前病情和患者的病情的未来发展的诊断;用于诸如药物处方或手术的最佳治疗方法的配置;处方;处方上的警告;或它们的组合。当医务人员基于从患者收集的临床信息执行诸如诊断和治疗疾病的医疗活动时,该信息可以通过提供关于患者的当前病情以及病情的未来发展的指导,来帮助医务人员做出关于适当且准确的医疗活动的决策,使得可以最小化医务人员误诊的可能性,并且患者可以接受客观的医疗活动。
临床决策支持综合系统100从门诊患者的IoT(物联网)装置接收门诊患者的生物特征信息以监测门诊患者的病情,并且基于根据生物特征信息的门诊患者的病情的综合预测的结果来执行对门诊患者的病情变化的检测和预测诊断,使得可以早期检测到紧急情况并且快速地处理紧急情况。此外,临床决策支持综合系统100向IoT装置提供临床预测结果。
IoT装置包括生物传感器和无线通信终端。生物传感器是附接到门诊患者身体的可穿戴装置,其收集包括门诊患者的各条生物特征信息的生命日志信息,例如血压、血糖、荷尔蒙、心电图、运动量信息、胆固醇水平等。
此外,生物传感器与移动服务相关联地操作以实时或周期性地将门诊患者的各条生物特征信息传送到临床决策支持综合系统100。以这种方式,临床决策支持综合系统100可以实时地或周期性地监视并管理患者的病情,并且可以通过基于包括生物特征信息的生命日志信息执行综合预测来预测并防止紧急情况的发生或高危患者的疾病例如心血管疾病的恶化,并且可以向无线通信终端提供综合预测的结果。
图3是示出根据本发明构思的实施例的临床决策支持综合系统100的配置的框图。
如图3所示,临床决策支持综合系统100包括:临床信息系统150,收集门诊患者的生命日志信息和住院患者的临床信息;临床信息DB系统130,存储并管理所收集的生命日志信息和临床信息;机器学习引擎140,对所存储的生命日志信息和临床信息进行深层学习;执行决策综合预测的综合预测系统120;以及临床决策支持系统110,基于综合预测生成关于患者的医疗活动的临床决策信息,并将临床决策信息提供给医务人员。
门诊患者设置有可佩戴型生物传感器,以实时或周期性地测量、收集并存储包括门诊患者的生物特征信息和活动信息的生命日志信息,并且将所收集的生命日志信息实时地或周期性地发送到临床信息系统150,其中,通过与生物传感器相关联的移动服务来执行该发送。
移动服务向门诊患者提供医治平台200,门诊患者可以通过医治平台200将生命日志信息发送到临床信息系统150。
医治平台200将门诊患者的个人健康记录(PHR)存储在个人存储装置中,使得PHR可以由门诊患者为他或她自己进行管理。个人存储可以是本地存储库或个人云存储库。
个人健康记录包括计算机化并存储在医疗机构中的生命日志信息和电子医疗记录,并且门诊患者可以通过医治平台200从门诊患者已经从其接受医学治疗的医疗机构接收门诊患者的电子医疗记录。以这种方式,门诊患者可以为他或她自己管理个人健康记录,并且可以一致且连续地接收从多个医疗机构提供的医疗服务而不重叠。
不仅从门诊患者而且从住院患者收集生命日志信息。
在已从同一患者收集临床信息和生命日志信息的情况下,临床信息系统150可以与患者相关联地存储所收集的临床信息和生命日志信息。
临床信息系统150包括订单通信系统(OCS)(未示出)、图像存档和通信系统(PACS)(未示出)、电子医疗记录(EMR)系统(未示出)和实验室信息系统(LIS)(未示出)。
OCS通过短距离通信网络将医务人员在诊断患者之后发布的处方递送相关医疗部门,以便将医务人员对于患者的处方或护士护理患者的活动有机地连接到每个部门,从而可以通过减少医生、护士和其他相关部门之间的误通信,来减少在处方递送过程期间可能发生的错误。因此,临床信息系统150将医务人员关于处方的信息(OCS信息)与每个患者相关联地存储在医院临床信息数据库132中。
PACS是从医疗成像装置获得患者的医疗图像信息(PACS信息)、然后经由高速网络存储、管理并发送信息的医疗图像集成管理系统,使得典型的基于胶卷的医院任务环境可以被数字化,以便有效地管理医学图像信息。因此,临床信息系统150将医学图像信息与每个患者相关联地存储在医院临床信息数据库132中。
EMR系统表示将与患者的疾病相关的所有事项记录在数字化电子医疗记录中的系统,其中与患者的疾病有关的所有事项和关于由医疗机构向患者提供的检查或治疗的信息以及检查或治疗的结果被正确地记录。电子医疗记录用作向患者提供一致且连续的医疗服务的基本数据。也就是说,由于当患者来医院接受医疗诊断或治疗时,电子医疗记录被数字化以由医务人员通过终端立即使用,所以可以解决由于等待时间引起的问题,可以给予患者方便,并且可以增加医疗机构的可靠性,从而可以提供以患者为中心的医疗服务。因此,临床信息系统150将电子医疗记录与每个患者相关联地存储在医院临床信息数据库132中。
LIS表示其中医疗机构的多个检查装置被自动化的系统,使得关于由检查装置执行的检查的结果的信息被正确且快速地提供给患者和医务人员。检查结果信息可以记录在电子医疗记录中或者可以独立存储。因此,临床信息系统150将检查结果信息与每个患者相关联地存储在医院临床信息数据库132中。
临床信息DB系统130包括:临床信息数据库(未示出),包括用于存储并管理从门诊患者或住院患者收集的生命日志信息的患者生命日志数据库131;医院临床信息数据库132,用于存储并管理从临床信息系统150收集的医院临床信息;以及医疗信息学习大数据数据库133,用于存储并管理通过将生命日志信息和医院临床信息转换成通用格式而获得的医疗信息学习大数据,使得生命日志信息和医院临床信息可以容易地被机器学习引擎140学习。
医疗信息学习大数据是包括医院临床信息(包括EMR系统、PACS、OCS和LIS或它们的组合)的医疗信息,其表示要由机器学习引擎140学习的大数据。机器学习引擎140通过自动提取并抽象上述医疗信息的特征来执行学习,例如数值(年龄、生物特征数据、糖尿病水平或心电图值)、治疗过程、处方、嗜好(吸烟或饮酒)或患者的病情的变化。
生命日志数据库131存储由临床信息系统150实时或周期性收集的门诊患者的生命日志信息。
医院临床信息数据库132可以接收并存储医院临床信息,包括每个患者的OCS信息(处方信息)、每个患者的PACS信息(医学图像信息)以及来自临床信息系统150的每个患者的LIS信息(检查结果信息),其中LIS信息可以记录在电子医疗记录中。
生命日志信息和医院临床信息与每个患者相关联地存储。
临床信息DB系统130通过将生命日志信息和医院临床信息转换为通用格式来生成医疗信息学习大数据,并将医疗信息学习大数据存储在医疗信息学习大数据数据库133中,使得机器学习引擎140可以整合地学习生命日志信息和医院临床信息。
作为HL7标准的通用格式具有虚拟医疗记录(VMR)、可扩展VMR(eVMR)或Arden语法的类型,以便被医疗机构共同使用。通用格式不仅可以包括VMR、eVMR或Arden语法,而且可以包括可以由多个医疗机构共同使用的任何其他标准数据格式。
医疗信息学习大数据可以以医疗机构自己的格式进行转换和管理,并且可以将从多个外部医疗机构接收的临床预测结果转换为医疗机构的格式以便使用。
机器学习引擎140通过深度学习来对所存储的医疗信息学习大数据进行机器学习,并且基于医学信息学习大数据提取作为高度可靠的多层认知网络的临床预测模型。包括在网络中的每个层通过基于医疗信息学习大数据自动提取并抽象疾病的医学特征(例如,年龄、生物特征数据、糖尿病水平、心电图值、治疗过程、处方、嗜好(吸烟或饮酒)、患者的病情的变化等)来重复地执行机器学习。以这种方式,临床预测模型执行关于疾病的未来发展的临床预测,以输出临床预测结果。也就是说,机器学习引擎140抽象临床信息的特征,该临床信息是包括电子医疗记录的医疗信息、包括生命日志信息的PHR、医学图像或它们的组合,以便详细描述医疗信息学习大数据,并提取临床预测模型,以便早期预测特定患者疾病或大病的危险情况和发展,从而提高临床预测结果的可靠性。
机器学习包括用于执行学习、推断、预测或它们的组合的人工智能技术,以便多维地分析包括医疗记录,生命日志信息或它们的组合的大数据用于以患者为中心的医疗服务,使得可以输出可靠的临床预测结果。
随着医疗信息学习大数据的数量的增加,机器学习引擎140可以生成更正确和可靠的临床预测结果,并且每当将数据添加到医疗信息学习大数据时,机器学习引擎140重复地执行机器学习以便自动更新临床预测模型,使得可以输出更正确的临床预测结果。
在机器学习引擎140中执行的机器学习使得能够使用并行簇来高速输出临床预测结果,并输出通过对医疗信息学习大数据进行量化而提取或合成的高可靠性的数值信息作为临床预测结果。
此外,医疗信息学习大数据是具有时间序列特性的医疗信息大数据,其中已删除了患者的个人信息,例如姓名、居民登记号码、地址等。
机器学习引擎140可以针对每种疾病(例如,糖尿病或心血管疾病)执行机器学习,或者可以通过组合多种疾病(例如,糖尿病和糖尿病并发症或心血管疾病和其他慢性疾病)来进行同时的机器学习。这是因为患者不仅可能患有单一疾病,而且可能同时患有其他疾病。例如,患有糖尿病的患者也患有糖尿病并发症是常见的情况。
因此,至少一个临床预测模型由机器学习引擎140生成,并且可以根据每个医疗机构的专门领域和特性而不同地生成。例如,在特定医疗机构专门治疗癌症的情况下,可以根据癌症的类型产生临床预测模型。
此外,所生成的临床预测模型的输入是已从中删除了特定患者的个人信息的临床信息,并且临床预测模型的输出是通过预测患者的疾病的未来发展而获得的临床预测结果。
综合预测系统120包括:决策综合预测单元121,执行综合预测以进行决策;合作医院管理单元122,管理用于与多个外部医疗机构合作的医院信息;其他机构接口单元,用于从在外部医疗机构中建立的综合预测系统120请求并接收患者的临床预测结果;以及CDSS接口单元,用于与临床决策支持系统110通信。
当决策综合预测单元121从外部医疗机构接收到对特定患者的临床预测的请求时,决策综合预测单元121使用由机器学习引擎140生成的临床预测模型输出患者的临床预测结果。
决策综合预测单元121将输出的临床预测结果发送给已提出请求的医疗机构,其中,该临床预测结果是基于通过将自主生成、积累并管理的医院临床信息和生命日志信息转换为通用格式而获得的医疗信息学习大数据而输出的。
此外,决策综合预测单元121可以向外部医疗机构发送对特定患者的临床预测的请求,并且此时,决策综合预测单元121可以提供已从中删除了患者的个人信息的临床信息。
当从外部医疗机构接收到所请求的临床预测的结果时,决策综合预测单元121将接收的结果与决策综合预测单元121自主输出的临床预测结果进行整合。
综合预测表示特定患者的疾病的未来发展的预测,并且通过将从外部医疗机构接收的临床预测结果与自主输出的临床预测结果进行整合,使能正确且可靠的综合预测结果的输出。以这种方式,可以获得关于由外部医疗机构发现的疾病的新信息,并且可以通过整合多个预测结果来以提高的精度和可靠性输出综合预测结果。也就是说,决策综合预测单元121通过将通过基于特定的医疗机构的自身的医疗信息学习大数据的机器学习获得的临床预测结果与通过基于一个或多个外部医疗机构的医疗信息学习大数据的机器学习获得临床预测结果进行整合,来执行综合预测,并且向临床决策支持系统110提供综合预测结果,使得医务人员可以以提高的准确性和可靠性做出决策。
外部医疗机构可以向作出临床预测请求的医疗机构发送外部医疗机构的专业医务人员的意见连同由外部医疗机构自主生成的临床预测结果,使得做出临床预测请求的医疗机构的医务人员通过整合专业医务人员的意见可以向患者提供正确的医疗服务。
决策综合预测单元121将输出综合预测结果发送到临床决策支持系统110,使得临床决策支持系统110可以生成临床决策信息,使得医务人员可以正确地做出决策。
合作医院管理单元122存储、更新或删除用于医疗机构和外部医疗机构之间的合作的医院信息,或者管理医院信息的组合,其中,该医院信息包括各条信息,包括每个医疗机构的专门领域、每个医疗机构的网络地址、每个医疗机构的地点、每个医疗机构的大小或它们的组合。
综合预测系统120通过其他机构接口,来请求或接收针对特定患者的临床预测结果。
其他机构接口可以包括用于与每个外部医疗机构直接通信的多个虚拟接口,或者可以包括用于与外部医疗机构通信的单个通信接口。
CDSS接口用于在综合预测系统120和临床决策支持系统110之间发送或接收数据。
此外,临床决策支持系统110基于从综合预测系统120接收的综合预测结果,来生成并提供临床决策信息,其是关于患者治疗、治疗策略、处方、预防、以及管理患者的疾病的未来发展的方法的总体指导。
临床决策信息可按照基于知识的方式生成,或者可以按照基于非知识的方式生成。
临床决策信息可以基于知识,或者可以基于决策树、神经网络、朴素贝叶斯(naiveBayes)或它们的组合,或者可以由其组合提供。
根据知识库,基于由临床决策支持综合系统100的操作者设置的特定规则,来生成决策信息,其中该规则可以由操作者不同地设置。
图4是示出根据本发明构思的实施例的在每个医疗机构中通过机器学习引擎执行机器学习的过程的图。
如图4所示,通过提供给每个医疗机构的机器学习引擎140执行机器学习。
在执行机器学习的过程中,从相应医疗机构的临床信息DB 132中提取每个人的临床信息数据,以生成用于机器学习的学习数据。
所生成的学习数据被存储在每个医院的医疗信息学习大数据DB 133中,并且被用作用于机器学习的输入数据。
学习数据可以包括每个人的每个健康特征的数值(例如,血糖、血红蛋白(HMG))、肝功能指标(例如丙氨酸转氨酶(ALT))、和疾病信息(例如,疾病的存在或不存在)。
此外,很明显,个人信息(例如,地址、居民登记号码、电话号码等)不包括在学习数据中,因为学习数据是基于在每个医疗机构中积累和存储的患者的临床数据生成的。
学习数据可以不仅基于在每个医疗机构中积累的临床数据而且基于从国家健康保险服务或健康保险审查和评估服务提供的公共队列临床数据来生成,或者可以从另一医疗机构或医疗信息提供机构提供。
接下来,设计用于相应医院的疾病预测的深度学习网络结构。深度学习网络的结构可以根据每个医院的特性(例如专业领域(例如,癌症、内科、儿科等)或大多数类型的患者)而不同地设计。
接下来,将学习数据输入到设计的深度学习网络,使得深度学习网络可以学习学习数据。
深度学习网络的最终输出是通过预测特定疾病(例如,高血压、糖尿病、心血管疾病等)的未来发展而获得的临床预测结果。
以下参照图5和图6描述执行用于综合预测的综合学习的过程、以及根据本发明构思的另一个实施例的输出针对特定患者的综合临床预测结果、并验证包括综合临床预测结果的临床决策信息的过程。
图5是示出根据本发明构思的另一个实施例的在临床决策支持综合系统中执行用于综合预测的综合学习的过程的图。
临床决策支持综合系统1001可以通过机器学习以与在每个医院中执行的方式相同的方式生成综合临床预测结果。
如图5所示,临床决策支持综合系统1001,其执行综合学习以生成特定患者的综合临床预测结果,从医院临床信息DB 1321提取多个患者的临床信息数据,以生成每个患者的学习数据。
将所生成的每个患者的学习数据存储在综合学习数据DB 1331中。
如图5所示,学习数据可以被配置为矩阵或数字类型向量,并且包括每个健康特征和疾病信息(其可以由类或标签表示)的数值。
接下来,临床决策支持综合系统1001将针对每个患者生成的学习数据发送到多个其他医疗机构或医疗信息提供机构,以请求学习数据的预测结果。
这里,要发送的学习数据(向量或矩阵形式)包括除疾病信息之外的每个健康特征的数值,并且从学习数据中删除患者的个人信息,以便用其它标识符(例如,ID)来替换。
接下来,已经从临床决策支持综合系统1001接收到学习数据的每个医疗机构或医疗信息提供机构通过在每个医疗机构或医疗信息提供机构中的深度学习机器学习处理,将接收的学习数据输入到用每个医院的学习数据进行训练的深度学习网络(例如,预测模型),来输出预测结果数据。
此后,每个医疗机构或医疗信息提供机构将输出预测结果数据发送到已请求预测结果的临床决策支持综合系统1001。
从每个医疗机构或医疗信息提供机构发送的预测结果数据是每个医疗机构或医疗信息提供机构的预测模型的输出值,并且可以配置成数字型向量的形式。数字型向量可以表示为每种疾病的危险程度(概率向量),并且可以是由于深度学习的特征(机器学习)而没有1:1映射到特定疾病的抽象的数字向量。
接下来,已经从每个医疗机构或医疗信息提供机构接收到预测结果的临床决策支持综合系统1001,将从每个医疗机构或医疗信息提供机构接收的预测结果与由临床决策支持综合系统1001系统自主生成的预测结果进行整合,并且基于整合预测结果提取最终的综合学习数据,以将最终的综合学习数据存储在综合学习数据DB 1331中。
生成的综合学习数据包括每个患者的每个健康特征的数值、疾病信息、和每个医院的预测结果。
接下来,临床决策支持综合系统1001设计用于综合学习的综合深度学习网络结构。
综合深度学习网络结构的设计包括设置输入数据的维度、输出数据的维度、深度学习网络的层数、每个深度学习网络层中的节点数量、以及深度学习参数(表示典型神经网络或深度学习的参数,例如学习速率、最小批次大小、激活函数的类型等)。
接下来,综合预测系统1201使用综合学习数据对综合深度学习网络执行预训练。
为了预训练的目的而输入到综合深度学习网络的数据是包括在综合学习数据中的、每个医疗机构或医疗信息提供机构根据每个患者的预测结果。
预训练表示预先在综合深度学习网络中的权重的学习,以便通过使用缺少疾病信息的数据与数据的特性匹配,并且被执行以防止由于学习数据而导致的综合深度学习网络的过拟合。
基于作为机器学习方法之一的受限玻尔兹曼机(RMB),可以使用用于综合深度学习网络的每层的对比发散(CD)技术来执行预训练。然而,本发明构思的实施例不限于RMB或CD。
接下来,临床决策支持综合系统1001使用综合学习数据对综合深度学习网络执行微调。
用于微调的数据输入是每个医疗机构或医疗信息提供机构根据每个患者的分析结果、以及根据每个患者的疾病信息。
执行微调以重新调整已经对其执行了预训练的综合深度学习网络的权重,以便与为了执行对疾病的预测而输入的数据的特性匹配。
尽管针对医院A和医院B个别参考图5描述了综合学习过程,但是综合学习过程可以在医院A或医院B中执行,或者可以在另一家医院(例如,医院C)中执行。
图5示出了基于两个医院(医院A和B)的预测结果执行综合学习,但是医院(即医疗机构或医疗信息提供机构)的数量不受限制。
图6是示出根据本发明构思的另一实施例的通过综合学习输出特定患者的综合预测结果以向用户提供临床决策信息的过程的图。
如图6所示,在通过综合学习输出特定患者的综合预测结果以向用户提供临床决策信息的过程中,将特定患者的临床数据发送到另一个医疗机构或医疗信息提供机构以请求预测结果。
患者的疾病信息和个人信息已从发送到其他医疗机构或医疗信息提供机构的患者的临床数据中删除。
已经接收到特定患者的临床数据的每个医疗机构或医疗信息提供机构,将特定患者的临床数据输入到在每个医疗机构或医疗信息提供机构中自主建立的临床预测模型(例如,深度学习网络),以输出对患者的预测结果,并将预测结果发送到已请求了预测结果的临床决策支持综合系统1001。
每个医疗机构或医疗信息提供机构的预测结果可以是每种疾病类型的危险程度(概率)的值。
接下来,临床决策支持综合系统1001将从多个医疗机构接收的预测结果、与使用特定患者的临床数据获得的其自身的预测结果整合,并将整合预测结果输入到综合深度学习网络以输出综合预测结果。
此外,临床决策支持综合系统1001将从多个医疗机构或医疗信息提供机构接收的预测结果连接到其自身的预测结果,以形成单个向量,并且将向量输入到综合深度学习网络以输出综合预测结果。
综合深度学习网络的最终结果可以包括每种疾病的危险程度(概率向量)。这可以随深度学习网络的配置而变化。例如,在为每种疾病建立深度学习网络和综合深度学习网络的情况下,最终临床决策信息仅提供相应疾病的危险程度(概率值)。
接下来,临床决策支持综合系统1001将包括最终结果的临床决策信息发送到用户(医务人员)的终端,使得用户可以使用临床决策信息。
图7是示出根据本发明构思的另一实施例的临床决策支持综合系统的配置的框图。
如图7所示,与上面参照图1至图3描述的临床决策支持综合系统100不同,临床决策支持综合系统100的临床决策支持系统110可以被配置为医疗机构(例如,医院)的医院信息系统的元素,并且综合预测系统120可以被配置为互联网上的平台或服务器。
医院信息系统表示包括临床信息系统150以管理医院的总体信息(例如财务或会计信息)的系统。
医疗机构的机器学习引擎1401通过使用在医院信息系统中管理的医院大数据来执行学习,其中该医院大数据包括患者的PHR、生命日志信息、EMR、医学图像、或它们的组合。也就是说,机器学习引擎1401整合地学习多个患者的PHR、生命日志信息、EMR、医学图像等,以生成至少一个临床预测模型,并通过临床预测模型输出特定患者的临床预测结果。
当医务人员从临床决策支持系统110请求特定患者的临床决策信息时,医院信息系统通过通信接口向因特网上的综合预测系统120提供已从中删除了特定患者的个人信息的临床信息,以请求临床预测结果。
此后,当从综合预测系统120接收到所请求的临床预测结果时,通过数据转换单元160将临床预测结果转换为在相应医疗机构中使用的通用数据格式,以便提供给机器学习引擎1401,并且机器学习引擎1401向临床决策支持系统110提供综合预测系统120的临床预测结果、和自主生成的临床预测结果。
此外,临床决策支持系统110基于接收的临床预测结果向医务人员提供临床决策信息。
因特网上的综合预测系统120可以包括基于标准的数据转换单元170、决策综合预测单元121和机器学习引擎1402。
当综合预测系统120从医院信息系统接收到临床预测结果的请求和患者的临床信息时,综合预测系统120通过基于标准的数据转换单元170将临床信息转换成标准格式。标准格式是HL7标准的VMR、eVMR或Arden语法。
决策综合预测单元121将转换的患者的临床信息提供给机器学习引擎1402,并且机器学习引擎1402将患者的临床信息输入到预提取的临床预测模型中,以输出患者的临床预测结果,并将临床预测结果提供给决策综合预测单元121。
机器学习引擎1402基于公共队列大数据学习以提取临床预测模型,其中公共队列大数据表示从公共医疗机构定期提供的公共临床信息。以这种方式,机器学习引擎1402可以学习大量的公共临床信息,并且可以输出正确且可靠的临床预测结果。由于已经参考图3描述了学习,因此不提供学习的详细描述。
此外,决策综合预测单元121基于从医疗机构接收的患者的临床信息和临床预测结果,来执行整体预测,并且向已请求了预测结果的医疗机构提供综合预测结果。
当综合预测系统120从特定医疗机构接收到对临床预测结果的请求时,综合预测系统120可以从除特定医疗机构之外的多个外部医疗机构请求患者的临床预测结果,并且可以将从外部医疗机构接收的临床预测结果与基于公共队列大数据的临床预测结果输出进行整合,以执行决策综合预测。
如上参照图7所述,根据本发明构思的实施例的临床决策支持综合系统100可以以各种形式实现,并且可以应用于其中需要做出决策的各种领域。
图8是示出根据本发明构思的实施例的生成临床决策信息以将临床决策信息提供给医务人员的终端的过程的流程图。
如图8所示,在为特定患者生成临床决策信息以向医务人员提供临床决策信息的过程中,当医务人员请求特定患者的临床决策信息时(S110),经由临床决策支持系统110向综合预测系统120发送对综合预测结果的请求(S120)。
临床决策支持系统110向医务人员提供临床决策信息,其是对诸如特定患者的诊断、处方、或治疗方法等医疗活动的指导,并且可以根据临床决策支持综合系统100的操作者以各种方式建立,例如基于知识的方式或基于非知识的方式。
接下来,通过综合预测系统120从多个外部医疗机构请求并接收对于患者的临床预测结果(S130)。
当请求来自外部医疗机构的临床预测结果时,将已从中删除了患者的个人信息的临床信息提供给外部医疗机构,并且每个外部医疗机构自主地为患者生成临床预测结果,并将临床预测结果发送到已请求了临床预测结果的医疗机构。
临床预测结果通过在每个医疗机构中建立的临床决策综合支持系统100的机器学习引擎140中、学习医疗信息学习大数据所提取的临床预测模型来输出。
接着,使用通过机器学习引擎140生成的临床预测模型,来输出患者的临床预测结果(S140)。
操作S130的临床预测结果表示在外部医疗机构中生成的临床预测结果,并且操作S140的临床预测结果表示在已请求了来自外部医疗机构的临床预测结果的医疗机构中生成的临床预测结果。
接下来,基于患者的临床信息对接收的临床预测结果和自主生成的临床预测结果进行整合,以使用综合预测系统120执行综合预测(S150)。
执行综合预测,使得在多个医疗机构中生成的临床预测结果和在相应医疗机构中生成的临床预测结果通过其间的相互操作进行整合,并且基于整合的临床预测结果,可以正确地预测患者的当前病情和患者的疾病的未来发展,使得医务人员可以正确地并快速地对患者执行医疗活动。
接下来,将综合预测结果经由综合预测系统120发送到临床决策支持系统110(S160),并且临床决策支持系统110基于接收到的综合预测结果生成针对患者的临床决策信息,以将临床决策信息发送到医务人员的终端(S170)。
临床决策信息是包括关于患者的当前病情、诊断、预测、处方、治疗策略、或关于疾病的未来发展的管理方法、或它们的组合的信息的指导。
如上所述,根据本发明构思的实施例的临床决策支持综合系统与多个医疗机构相互配合,以对特定患者执行临床预测,从而以改善的准确性和可靠性预测患者的当前病情和疾病的未来发展,并且支持关于患者的当前病情和疾病的未来发展的诊断、处方、治疗策略、或管理方法的临床决策,以便帮助医务人员正确且快速地执行医疗活动。
根据本发明构思的实施例,通过公共综合预测系统执行与多个医疗装置的交互操作,整合分别由医疗机构提供的特定患者的临床预测结果,并且执行反映患者的特性和整合的临床预测结果的患者诊断,并且预测患者的病情的未来发展,以便向医务人员提供关于患者的病情的预测、诊断、预防、治疗策略、关于紧急情况的预先警告、处方、或有效的疾病管理的指导,使得医务人员可以快速且正确地做出关于医疗活动的决策。
虽然已经描述了本发明的示例性实施例,但是应当理解,本发明不应限于这些示例性实施例,而是在如所附权利要求书所限定的本发明的精神和范围内,本领域普通技术人员可以进行各种改变和修改。
Claims (34)
1.一种临床决策支持综合系统,被配置为通过整合从多个医疗机构、医疗信息提供机构、或它们的组合提供的临床预测结果,执行综合预测,以提供临床决策信息。
2.如权利要求1所述的临床决策支持综合系统,其中,基于通过使用所述多个医疗机构中的每一个的医疗信息学习大数据的机器学习所获得的临床预测结果,来执行该综合预测。
3.如权利要求2所述的临床决策支持综合系统,其中,该综合预测通过整合基于特定医疗机构的自身医疗信息学习大数据的机器学习的临床预测结果、和基于一个或多个外部医疗机构中的每一个的医疗信息学习大数据的机器学习的临床预测结果,来支持临床决策。
4.如权利要求1所述的临床决策支持综合系统,其中,该临床决策信息由以下提供:
知识库;
根据每个人、疾病或它们的组合的决策树、神经网络、朴素贝叶斯或它们的组合;或
它们的组合。
5.如权利要求2所述的临床决策支持综合系统,其中,该机器学习包括用于执行学习、推理、预测或它们的组合的人工智能技术,以便多维地分析包括医疗记录、生命日志或它们的组合的大数据用于以患者为中心的医疗服务。
6.如权利要求2所述的临床决策支持综合系统,其中,执行该机器学习以输出通过并行簇的加速和医学信息学习大数据的量化、所提取或整合的高度可靠的数字信息作为临床预测结果。
7.一种临床决策支持综合系统,包括:
临床决策支持系统,被配置为响应于用户的临床决策请求,来提供临床决策信息;以及
综合预测系统,被配置为响应于该临床决策支持系统的请求,来提供临床预测结果,
其中该综合预测系统通过整合从多个医疗机构、医疗信息提供机构或它们的组合提供的临床预测结果,来执行用于决策的综合预测。
8.如权利要求7所述的临床决策支持综合系统,还包括机器学习引擎,其包括用于通过使用来自临床信息数据库的大数据进行学习的深度学习算法。
9.如权利要求8所述的临床决策支持综合系统,其中,该临床信息数据库包括个别医院的医院临床信息和门诊患者的生命日志信息。
10.如权利要求8所述的临床决策支持综合系统,其中,该机器学习引擎从包括电子医疗记录(EMR)、个人健康记录(PHR)、医学图像、生命日志信息或它们的组合的大数据中抽象医学信息的特征,并通过学习大数据来提取预测模型,以早期预测疾病的危险情况,从而提高临床预测结果的可靠性。
11.如权利要求7所述的临床决策支持综合系统,其中,该综合预测系统包括:
接口,被配置为向存在于多个外部医疗机构中的综合预测系统发送预测请求,并从外部医疗机构接收预测结果;以及
合作医院管理单元,被配置为管理用于与该外部医疗机构合作的医院信息。
12.如权利要求7所述的临床决策支持综合系统,其中,该机构设置有所述综合预测系统、机器学习引擎和医疗信息学习大数据。
13.如权利要求7所述的临床决策支持综合系统,其中,该临床决策支持综合系统收集包括该患者的生命日志的患者的生物特征数据,以连续地监测并管理该患者的病情,并且将该患者的病情提供给IoT装置。
14.一种临床决策支持方法,包括:
通过整合多个临床预测结果来执行综合预测;并且
通过该综合预测以提高的准确度提供临床决策信息。
15.如权利要求14所述的方法,其中,基于通过使用多个医疗机构中的每一个的医疗信息学习大数据的机器学习获得的临床预测结果,来执行该综合预测。
16.如权利要求15所述的方法,其中,该综合预测通过整合基于特定医疗机构的自身医疗信息学习大数据的机器学习的临床预测结果、和基于一个或多个外部医疗机构中的每一个的医疗信息学习大数据的机器学习的临床预测结果,来支持临床决策。
17.如权利要求14所述的方法,其中,该临床决策信息由以下提供:
知识库;
根据每个人、疾病或它们的组合的决策树、神经网络、朴素贝叶斯或它们的组合;或
它们的组合。
18.如权利要求15所述的方法,其中,该机器学习包括用于执行学习、推理、预测或它们的组合的人工智能技术,以便多维地分析包括医疗记录、生命日志或它们的组合的大数据用于以患者为中心的医疗服务。
19.如权利要求15所述的方法,其中,执行该机器学习以输出通过并行簇的加速和医学信息学习大数据的量化所提取或整合的高度可靠的数字信息作为临床预测结果。
20.一种临床决策支持方法,包括:
响应于用户的临床决策请求,经由临床决策支持系统来提供临床决策信息;并且
响应于该临床决策支持系统的请求,经由综合预测系统来提供临床预测结果,
其中该综合预测系统通过整合从多个医疗机构、医疗信息提供机构或它们的组合提供的临床预测结果,来执行用于决策的综合预测。
21.如权利要求20所述的方法,还包括通过机器学习引擎使用来自临床信息数据库的大数据执行学习。
22.如权利要求21所述的方法,其中,该临床信息数据库包括单个医院的医院临床信息和门诊患者的生命日志信息。
23.如权利要求21所述的方法,其中,该机器学习引擎从包括电子医疗记录(EMR)、个人健康记录(PHR)、医学图像、生命日志信息或它们的组合的大数据中抽象医学信息的特征,并通过学习大数据来提取临床预测模型,以早期预测疾病的危险情况,从而提高临床预测结果的可靠性。
24.如权利要求20所述的方法,其中,该综合预测系统包括:
接口,被配置为向存在于多个外部医疗机构中的综合预测系统发送预测请求,并从外部医疗机构接收预测结果;以及
合作医院管理单元,被配置为管理用于与该外部医疗机构合作的医院信息。
25.如权利要求20所述的方法,其中,该机构设置有该综合预测系统、机器学习引擎和医疗信息学习大数据。
26.如权利要求20所述的方法,包括收集包括该患者的生命日志信息的患者的生物特征数据,以连续监测并管理该患者的病情,并且向IoT装置提供该患者的病情。
27.一种临床决策支持方法,包括:通过使用从特定医疗机构或医疗信息提供机构提供的学习数据作为输入,来接收其他医疗机构或医疗信息提供机构生成的预测结果;整合接收的预测结果和由该特定医疗机构或医疗信息提供机构自主生成的预测结果,以提取综合学习数据;并且通过使用所提取的综合学习数据来执行综合学习。
28.如权利要求27所述的方法,其中,所述接收该预测结果包括:
由该特定医疗机构或医疗信息提供机构生成学习数据,以将该学习数据提供给所述其他医疗机构或医疗信息提供机构;并且
向该特定医疗机构或医疗信息提供机构提供使用该学习数据作为对所述其他医疗机构或医疗信息提供机构的预测模型的输入而获得的预测结果。
29.如权利要求27所述的方法,其中,该综合学习包括:
通过使用该其他医疗机构或医疗信息提供机构的每一个的预测结果,来执行预训练;并且
通过使用除该预测结果之外的疾病信息,来执行微调。
30.一种临床决策支持方法,包括:整合由特定医疗机构或医疗信息提供机构通过使用特定患者的临床数据生成的自身的预测结果、以及由其他医疗机构或医疗信息提供机构通过使用特定患者的临床数据作为输入而生成的预测结果;并且使用该整合预测结果执行综合预测。
31.一种临床决策支持综合系统,被配置成:通过使用从特定医疗机构或医疗信息提供机构提供的学习数据作为输入来接收其他医疗机构或医疗信息提供机构生成的预测结果;整合接收的预测结果和由该特定医疗机构或医疗信息提供机构自主生成的预测结果以提取综合学习数据;并且通过使用所提取的综合学习数据来执行综合学习。
32.如权利要求31所述的临床决策支持综合系统,其中,该接收该预测结果包括:
由该特定医疗机构或医疗信息提供机构生成学习数据以将该学习数据提供给所述其他医疗机构或医疗信息提供机构;并且
向该特定医疗机构或医疗信息提供机构提供使用该学习数据作为对所述其他医疗机构或医疗信息提供机构的预测模型的输入而获得的预测结果。
33.如权利要求31所述的临床决策支持综合系统,其中,该综合学习包括:
通过使用所述其他医疗机构或医疗信息提供机构的每一个的预测结果来执行预训练;并且
通过使用除该预测结果之外的疾病信息,来执行微调。
34.一种临床决策支持综合系统,被配置成:整合由特定医疗机构或医疗信息提供机构通过使用特定患者的临床数据生成的自身的预测结果、以及由其他医疗机构或医疗信息提供机构通过使用特定患者的临床数据作为输入而生成的预测结果;并且使用该整合预测结果执行综合预测。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2016-0072645 | 2016-06-10 | ||
KR20160072645 | 2016-06-10 | ||
KR10-2016-0142185 | 2016-10-28 | ||
KR1020160142185A KR102558021B1 (ko) | 2016-06-10 | 2016-10-28 | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107491630A true CN107491630A (zh) | 2017-12-19 |
Family
ID=57406143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611087498.5A Pending CN107491630A (zh) | 2016-06-10 | 2016-11-30 | 临床决策支持综合系统和使用其的临床决策支持方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170357760A1 (zh) |
EP (1) | EP3255573A1 (zh) |
CN (1) | CN107491630A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154928A (zh) * | 2017-12-27 | 2018-06-12 | 北京嘉和美康信息技术有限公司 | 一种疾病诊断方法及装置 |
CN108206056A (zh) * | 2018-01-18 | 2018-06-26 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策终端 |
CN108320807A (zh) * | 2018-01-18 | 2018-07-24 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策云系统 |
CN108320797A (zh) * | 2018-01-18 | 2018-07-24 | 中山大学 | 一种鼻咽癌数据库及基于所述数据库的综合诊疗决策方法 |
CN108335756A (zh) * | 2018-01-18 | 2018-07-27 | 中山大学 | 鼻咽癌数据库及基于所述数据库的综合诊疗决策方法 |
CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN109948806A (zh) * | 2019-03-28 | 2019-06-28 | 医渡云(北京)技术有限公司 | 决策模型优化方法、装置、存储介质及设备 |
CN110111884A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
CN110534190A (zh) * | 2018-05-24 | 2019-12-03 | 西门子医疗有限公司 | 用于自动临床决策支持系统的系统和方法 |
CN110660456A (zh) * | 2019-09-12 | 2020-01-07 | 上海森亿医疗科技有限公司 | 临床决策支持及其模型训练方法、装置、终端、介质 |
CN111370130A (zh) * | 2018-12-26 | 2020-07-03 | 医渡云(北京)技术有限公司 | 医疗数据的实时处理方法及装置、存储介质、电子设备 |
US10918346B2 (en) | 2017-09-06 | 2021-02-16 | General Electric Company | Virtual positioning image for use in imaging |
CN112802000A (zh) * | 2021-02-06 | 2021-05-14 | 上海集迈实业有限公司 | 多模态医学影像智能辅助诊疗系统 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10235518B2 (en) * | 2014-02-07 | 2019-03-19 | Cylance Inc. | Application execution control utilizing ensemble machine learning for discernment |
US11816539B1 (en) * | 2016-06-14 | 2023-11-14 | SurgeonCheck LLC | Selection system for machine learning module for determining target metrics for evaluation of health care procedures and providers |
US20190042702A1 (en) * | 2017-08-03 | 2019-02-07 | International Business Machines Corporation | Cognitive medication containers providing targeted medication assistance |
US11488713B2 (en) * | 2017-08-15 | 2022-11-01 | Computer Technology Associates, Inc. | Disease specific ontology-guided rule engine and machine learning for enhanced critical care decision support |
EP3506315A1 (en) * | 2017-12-29 | 2019-07-03 | Atos Spain S.A. | Method of using medical data related to patients suffering a given disease |
US10872687B2 (en) | 2018-02-08 | 2020-12-22 | Carefusion 303, Inc. | Pharmacy predictive analytics |
WO2019244949A1 (ja) * | 2018-06-19 | 2019-12-26 | ソニー株式会社 | 生体情報処理方法、生体情報処理装置、および生体情報処理システム |
EP3608914A1 (en) * | 2018-08-07 | 2020-02-12 | Koninklijke Philips N.V. | Processing medical images |
US20210319898A1 (en) * | 2018-09-05 | 2021-10-14 | Cardiai Technologies Ltd. | Health monitoring system having portable health monitoring devices and method therefor |
US10971255B2 (en) | 2018-09-14 | 2021-04-06 | Zasti Inc. | Multimodal learning framework for analysis of clinical trials |
US11101043B2 (en) | 2018-09-24 | 2021-08-24 | Zasti Inc. | Hybrid analysis framework for prediction of outcomes in clinical trials |
GB201817708D0 (en) * | 2018-10-30 | 2018-12-19 | Univ Oxford Innovation Ltd | Method and apparatus for monitoring a patient |
KR102226899B1 (ko) * | 2018-11-16 | 2021-03-11 | 주식회사 딥바이오 | 지도학습기반의 합의 진단방법 및 그 시스템 |
US11941513B2 (en) | 2018-12-06 | 2024-03-26 | Electronics And Telecommunications Research Institute | Device for ensembling data received from prediction devices and operating method thereof |
CN109727680A (zh) * | 2018-12-28 | 2019-05-07 | 上海列顿信息科技有限公司 | 一种基于大数据技术的区域临床路径管理系统 |
US11227062B2 (en) * | 2019-07-03 | 2022-01-18 | Hitachi, Ltd. | Data management method, apparatus and system for machine learning system |
CN110362586B (zh) * | 2019-07-12 | 2021-08-03 | 之江实验室 | 一种无患者数据共享的多中心生物医学数据协同处理系统及方法 |
WO2021059788A1 (ja) * | 2019-09-27 | 2021-04-01 | 富士フイルム株式会社 | 診療支援装置、その作動方法及び作動プログラム、並びに診療支援システム |
US11170315B2 (en) | 2019-10-30 | 2021-11-09 | Kpn Innovations, Llc | Methods and systems for providing dynamic constitutional guidance |
KR102482374B1 (ko) * | 2019-12-10 | 2022-12-29 | 한국전자통신연구원 | 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법 |
CN111192680B (zh) * | 2019-12-25 | 2021-06-01 | 山东众阳健康科技集团有限公司 | 一种基于深度学习和集成分类的智能辅助诊断方法 |
US20210343407A1 (en) * | 2020-04-30 | 2021-11-04 | Kpn Innovations, Llc | Methods and systems for dynamic constitutional guidance using artificial intelligence |
CN112201359B (zh) * | 2020-09-30 | 2024-05-03 | 平安科技(深圳)有限公司 | 基于人工智能的重症问诊数据识别方法及装置 |
US11977985B2 (en) | 2020-11-12 | 2024-05-07 | Optum, Inc. | Machine learning techniques for predictive prioritization |
US20220319709A1 (en) * | 2021-04-05 | 2022-10-06 | Nec Laboratories America, Inc. | Medical event prediction using a personalized dual-channel combiner network |
US11830627B2 (en) | 2021-04-13 | 2023-11-28 | Electronics And Telecommunications Research Institute | System and method for predicting disease based on biosignal data and medical knowledge base convergence |
CN114400091B (zh) * | 2022-01-22 | 2022-11-08 | 深圳市携康网络科技有限公司 | 一种基于信息化的医疗预防融合系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101443780A (zh) * | 2004-12-30 | 2009-05-27 | 普罗文蒂斯公司 | 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品 |
CN102947857A (zh) * | 2010-06-20 | 2013-02-27 | 尤尼维公司 | 决策支持系统(dss)和电子健康记录(ehr) |
CN103699808A (zh) * | 2014-01-03 | 2014-04-02 | 上海理工大学 | 一种医院辅助决策系统 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7780595B2 (en) * | 2003-05-15 | 2010-08-24 | Clinical Decision Support, Llc | Panel diagnostic method and system |
KR20090000196A (ko) | 2007-01-29 | 2009-01-07 | 서울대학교병원 (분사무소) | 홈헬스케어 데이터와 의료기관 진료정보를 이용한 임상의사결정 지원장치 |
US7899764B2 (en) * | 2007-02-16 | 2011-03-01 | Siemens Aktiengesellschaft | Medical ontologies for machine learning and decision support |
US8655817B2 (en) * | 2008-02-20 | 2014-02-18 | Digital Medical Experts Inc. | Expert system for determining patient treatment response |
KR20130051922A (ko) * | 2010-03-04 | 2013-05-21 | 뉴미트라 엘엘씨 | 심리장애(psychological disorders) 치료를 위한 장치 및 방법 |
US20120283574A1 (en) * | 2011-05-06 | 2012-11-08 | Park Sun Young | Diagnosis Support System Providing Guidance to a User by Automated Retrieval of Similar Cancer Images with User Feedback |
US9536052B2 (en) * | 2011-10-28 | 2017-01-03 | Parkland Center For Clinical Innovation | Clinical predictive and monitoring system and method |
US20140088989A1 (en) * | 2012-09-27 | 2014-03-27 | Balaji Krishnapuram | Rapid Learning Community for Predictive Models of Medical Knowledge |
US20150032464A1 (en) * | 2013-07-26 | 2015-01-29 | General Electric Company | Integrating theranostics into a continuum of care |
WO2015081086A1 (en) * | 2013-11-27 | 2015-06-04 | The Johns Hopkins University | System and method for medical data analysis and sharing |
KR101558142B1 (ko) | 2013-12-02 | 2015-10-08 | 서울대학교병원 (분사무소) | 의료진을 위한 의사 결정 지원 시스템 |
US9764136B2 (en) * | 2014-06-06 | 2017-09-19 | Case Western Reserve University | Clinical decision support system |
US20160051203A1 (en) * | 2014-08-22 | 2016-02-25 | Pulse Tectonics Llc | Method and system for pulse diagnosis |
US20160342753A1 (en) * | 2015-04-24 | 2016-11-24 | Starslide | Method and apparatus for healthcare predictive decision technology platform |
US20160364545A1 (en) * | 2015-06-15 | 2016-12-15 | Dascena | Expansion And Contraction Around Physiological Time-Series Trajectory For Current And Future Patient Condition Determination |
US20160364536A1 (en) * | 2015-06-15 | 2016-12-15 | Dascena | Diagnostic support systems using machine learning techniques |
-
2016
- 2016-11-25 EP EP16200822.1A patent/EP3255573A1/en not_active Ceased
- 2016-11-30 US US15/365,834 patent/US20170357760A1/en not_active Abandoned
- 2016-11-30 CN CN201611087498.5A patent/CN107491630A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101443780A (zh) * | 2004-12-30 | 2009-05-27 | 普罗文蒂斯公司 | 用于开发和使用用于预测多种医学结果、评价介入策略以及同时验证生物标志物诱因的预测模型的方法、系统和计算机程序产品 |
CN102947857A (zh) * | 2010-06-20 | 2013-02-27 | 尤尼维公司 | 决策支持系统(dss)和电子健康记录(ehr) |
CN103699808A (zh) * | 2014-01-03 | 2014-04-02 | 上海理工大学 | 一种医院辅助决策系统 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10918346B2 (en) | 2017-09-06 | 2021-02-16 | General Electric Company | Virtual positioning image for use in imaging |
CN108154928A (zh) * | 2017-12-27 | 2018-06-12 | 北京嘉和美康信息技术有限公司 | 一种疾病诊断方法及装置 |
CN108206056A (zh) * | 2018-01-18 | 2018-06-26 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策终端 |
CN108320807A (zh) * | 2018-01-18 | 2018-07-24 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策云系统 |
CN108320797A (zh) * | 2018-01-18 | 2018-07-24 | 中山大学 | 一种鼻咽癌数据库及基于所述数据库的综合诊疗决策方法 |
CN108335756A (zh) * | 2018-01-18 | 2018-07-27 | 中山大学 | 鼻咽癌数据库及基于所述数据库的综合诊疗决策方法 |
CN108335756B (zh) * | 2018-01-18 | 2022-05-24 | 中山大学 | 鼻咽癌数据库及基于所述数据库的综合诊疗决策方法 |
CN108206056B (zh) * | 2018-01-18 | 2022-03-08 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策终端 |
CN108320797B (zh) * | 2018-01-18 | 2022-03-08 | 中山大学 | 一种鼻咽癌数据库及基于所述数据库的综合诊疗决策方法 |
CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN108399951B (zh) * | 2018-03-12 | 2022-03-08 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN110534190A (zh) * | 2018-05-24 | 2019-12-03 | 西门子医疗有限公司 | 用于自动临床决策支持系统的系统和方法 |
CN111370130A (zh) * | 2018-12-26 | 2020-07-03 | 医渡云(北京)技术有限公司 | 医疗数据的实时处理方法及装置、存储介质、电子设备 |
CN111370130B (zh) * | 2018-12-26 | 2023-06-23 | 医渡云(北京)技术有限公司 | 医疗数据的实时处理方法及装置、存储介质、电子设备 |
CN109948806A (zh) * | 2019-03-28 | 2019-06-28 | 医渡云(北京)技术有限公司 | 决策模型优化方法、装置、存储介质及设备 |
CN110111884B (zh) * | 2019-04-30 | 2021-08-24 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
CN110111884A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
CN110660456A (zh) * | 2019-09-12 | 2020-01-07 | 上海森亿医疗科技有限公司 | 临床决策支持及其模型训练方法、装置、终端、介质 |
CN112802000A (zh) * | 2021-02-06 | 2021-05-14 | 上海集迈实业有限公司 | 多模态医学影像智能辅助诊疗系统 |
Also Published As
Publication number | Publication date |
---|---|
US20170357760A1 (en) | 2017-12-14 |
EP3255573A1 (en) | 2017-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491630A (zh) | 临床决策支持综合系统和使用其的临床决策支持方法 | |
KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
Abdel-Basset et al. | A novel group decision making model based on neutrosophic sets for heart disease diagnosis | |
US20230082019A1 (en) | Systems and methods for monitoring brain health status | |
Abdel-Basset et al. | RETRACTED: a novel and powerful framework based on neutrosophic sets to aid patients with cancer | |
Qureshi et al. | Deep learning-based ambient assisted living for self-management of cardiovascular conditions | |
CN103201743A (zh) | 患者疾病严重性、死亡率和住院时长的连续预测方法 | |
Efat et al. | IoT based smart health monitoring system for diabetes patients using neural network | |
Aluvalu et al. | The novel emergency hospital services for patients using digital twins | |
KR102598101B1 (ko) | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 | |
Ahmed | An intelligent healthcare service to monitor vital signs in daily life–a case study on health-iot | |
WO2021140670A1 (ja) | 情報伝達装置および情報伝達方法 | |
Shafiq et al. | Smart E‐Health System for Heart Disease Detection Using Artificial Intelligence and Internet of Things Integrated Next‐Generation Sensor Networks | |
Bhagwatrao et al. | Automated patient activity identification in cyber-physical systems using a unique deep learning approach and multi-objective optimization | |
US11322250B1 (en) | Intelligent medical care path systems and methods | |
Awotunde et al. | An IoT machine learning model-based real-time diagnostic and monitoring system | |
CN115547483A (zh) | 用于监测患慢性炎症性疾病的患者的远程监测方法和系统 | |
Yadav et al. | IOT and Big Data Inter-Relation: A boom in biomedical healthcare | |
Edoh | Internet-of-things-enabled pre-screening for diseases: a novel approach for improving the conventional methodology and paradigm for screening for non-communicable diseases | |
Sekhani et al. | Remote ECG Monitoring System Using IoT and Machine Learning | |
JP7393518B2 (ja) | 教師データ収集装置、教師データ収集方法および記録媒体 | |
Prova et al. | Big medical data analytics for diagnosis | |
Singh et al. | Performance of IoT-Enabled Devices in Remote Health Monitoring Applications | |
Ravi et al. | Internet of things (IoT): a revolutionary approach towards healthcare surveillance | |
Bhuvana et al. | AI Innovations in IoT and Machine Learning for Health Prediction Systems |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171219 |