CN108475543A - 用于基于个性化预测模型来促进健康监测的系统和方法 - Google Patents
用于基于个性化预测模型来促进健康监测的系统和方法 Download PDFInfo
- Publication number
- CN108475543A CN108475543A CN201680079187.6A CN201680079187A CN108475543A CN 108475543 A CN108475543 A CN 108475543A CN 201680079187 A CN201680079187 A CN 201680079187A CN 108475543 A CN108475543 A CN 108475543A
- Authority
- CN
- China
- Prior art keywords
- individual
- health
- organ
- tissue
- health status
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
在特定实施方式中,可以基于个体特异性预测模型来提供个体的健康监测。在一些实施方式中,可以获得用于健康监测的预测模型。可以获得与个体相关联的健康信息。健康信息可以指示个体的健康状况的共现。可以基于预测模型和共现指示来生成与个体相关联的个体特异性预测模型。可以获得与个体相关联的随后的健康信息。随后的健康信息可以指示以下中的一项或多项:(i)在健康状况的共现之后观察到的个体的随后的测量结果;或者(ii)在健康状况的共现之后观察到的个体的随后的健康状况。可以基于个体特异性预测模型和随后的健康信息来预测个体的健康状态。
Description
技术领域
本发明涉及健康监测(例如,疾病监测、身心健康监测、体重监测或其他健康监测)。
背景技术
尽管提出了值得考虑的医学治疗,但心力衰竭仍然是一个主要的且日益增长的公共健康问题。例如,大多数患者在从其中其针对心力衰竭被处置的医院出院后的短时间跨度内再次入院。近年来,许多心力衰竭管理计划已经提供了一些形式的患者监督来促进早期恶化检测和及时干预,包括生理数据的自动电子转移和加强对心力衰竭患者的家庭监测的其他技术。然而,典型的家庭监测系统(用于心力衰竭患者或患有其他病症的患者)基于预测模型,所述预测模型对于患者不是个性化的和/或不能补偿较少患者可观察量(例如,与在医院取得的可观察量相比较)。结果,在一些情况下,这样的家庭监测系统常常能够生成不准确的预测或假阳性警报。存在这些和其他缺点。
发明内容
本发明的各方面涉及用于基于预测模型促进健康监测的方法、装置和/或系统。在一个或多个实施方式中,个体的健康监测可以基于个体特异性预测模型。在一个或多个其他实施方式中,用于个体的健康监测的预测模型不需要特定于该个体(如下面更详细描述的)。
在特定实施方式中,计算机系统可以被编程为:获得用于健康监测的预测模型;获得与个体相关联的健康信息,其中,健康信息指示个体的健康状况的共现(co-occurrence);基于预测模型和共现指示生成与个体相关联的个体特异性预测模型;获得与个体相关联的随后的健康信息,其中,随后的健康信息指示以下中的一项或多项:(i)在健康状况的共现之后观察到的个体的随后的测量结果,或(ii)在健康状况的共现之后观察到的个体的随后的健康状况;并且基于个体特异性预测模型和随后的健康信息来预测个体的健康状态。
在一些实施方式中,计算机系统可以被编程为从一个或多个健康监测设备(例如远程健康监测设备、本地健康监测设备等)获得健康信息、随后的健康信息或其他信息。健康监测设备中的每个可以包括被编程为收集健康相关传感器数据的一个或多个传感器。作为范例,健康监测设备可以包括可插入心脏监测器、心脏事件记录器、动态心电图监测器、心率跟踪器、尿液监测设备、温度监测设备、体重秤、饱和度测量设备、血液监测设备(例如临床化学/血液学/生物标记)、皮肤电导测量设备、阻抗测量设备或其他健康监测设备。传感器可以包括相机、麦克风、血氧测定传感器、心率传感器、触觉传感器、葡萄糖传感器、加速度计、陀螺仪、磁力计、气压传感器、湿度传感器、温度传感器、皮肤电导传感器、全球定位系统(GPS)传感器、接近传感器或其他传感器。
通过本发明的详细描述及附加至其的附图,本发明的各个其他方面、特征和优点将变得显而易见。还应当理解,前述总体描述和下面的详细描述都是示范性的,而不是对本发明的范围的限制。如在描述和权利要求书中所使用的,单数形式的“一”、“一个”和“所述”包括复数指代物,除非上下文明确另行规定。另外,如描述和权利要求中所使用的,术语“或”意味着“和/或”,除非上下文明确另行规定。
附图说明
图1示出了根据一个或多个实施方式的用于促进健康监测的范例系统。
图2示出了根据一个或多个实施方式的范例预测模型及其数据输入变量的表示。
图3和图4示出了根据一个或多个实施方式的在家庭监测情况下的范例预测模型及其数据输入变量的表示。
图5示出了根据一个或多个实施方式的基于个性化预测模型的健康监测的使用情况情形。
图6A-6F使出了根据一个或多个实施方式的在各个时间点处的个体及其可观察量的使用情况。
图7示出了根据一个或多个实施方式的基于个体特异性预测模型促进个体的健康监测的方法的流程图。
图8示出了根据一个或多个实施方式的经由健康监测设备促进个体的健康监测和预测的健康状态通知的方法的流程图。
图9示出了根据一个或多个实施方式的经由远程计算机系统促进在健康监测设备处的个体的健康监测的方法的流程图。
图10示出了根据一个或多个实施方式的生成用于预测个体的健康状态的个体特异性预测模型的方法的流程图。
图11示出了根据一个或多个实施方式的在没有个体的一个或多个测量结果的情况下促进个体的健康监测的方法的流程图。
图12-13示出了根据一个或多个实施方式的基于另一器官或组织的预测状态促进关于一个器官或组织的个体的健康监测的方法的流程图。
具体实施方式
在以下描述中,为了解释的目的,阐述了许多特定细节以便提供对本发明的实施方式的透彻理解。然而,本领域技术人员将意识到,可以在没有这些特定细节的情况下或者利用等价布置来实践本发明的实施方式。在其他实例中,以框图形式示出了公知的结构和设备,以便避免不必要地模糊本发明的实施方式。
图1示出了根据一个或多个实施方式的用于促进健康监测的系统100。如图1所示,系统100可以包括服务器102(或多个服务器102)。服务器102可以包括模型管理子系统112、健康信息管理子系统114、预测子系统116、通知子系统118或其他部件。
系统100还可以包括用户设备104(或多个用户设备104a-104n)。用户设备104可以包括任何类型的移动终端、固定终端或其他设备。通过范例,用户设备104可以包括台式计算机、笔记本电脑、平板电脑、智能电话、可穿戴设备或其他用户设备。在一些实施方式中,用户设备104可以包括用于获得个体的健康信息的一个或多个健康监测设备和/或其传感器(例如健康监测设备106a-106n、传感器108a-108n等)。例如,用户可以利用一个或多个用户设备104来与服务器102或系统100的其他部件进行交互。应当注意,尽管本文将一个或多个操作描述为由服务器102的部件执行,但是这些操作在一些实施方式中可以由用户设备104的部件或系统100的其他部件来执行。
在一些实施方式中,一个或多个健康监测设备106可以与具有诸如在普通台式计算机、笔记本计算机、平板电脑、智能电话等上可用的功能的通用功能的用户设备104分离并独立于用户设备104。健康监测设备106可以包括可插入心脏监测器、心脏事件记录器、动态心电图监测器、心率跟踪器、尿液监测设备、温度监测设备、体重秤、饱和度测量设备、血液监测设备(例如临床化学/血液学/生物标记)、皮肤电导测量设备,阻抗测量设备或其他健康监测设备。
基于预测模型的健康监测
在一些实施方式中,预测模型可以针对个体进行个性化并且用于促进个体(例如,患者或其他个体)的健康监测。作为范例,与个体相关联的健康信息可以被用于生成个性化预测模型,并且个性化预测模型可以与随后的健康信息(例如,在用于生成个性化预测模型的健康信息之后获得的)一起使用以预测个体的健康状态。
例如,在一种使用情况下,个体的一个或多个测量结果、个体的一种或多种健康状况、健康状况的共现的一个或多个指示或其他健康信息可以被用于生成个性化预测模型。个性化预测模型可以与随后的健康信息一起使用以生成:(i)个体将经受或重新经受病态事件(例如,心力衰竭、肾衰竭、肝衰竭、呼吸衰竭、短暂性脑缺血发作、中风、或其他病态事件)的可能性的预测;(ii)个体的慢性疾病的状态中的变化的预测(例如,与慢性疾病有关的恶化、与慢性疾病有关的改进、状态的变化的程度、状态的变化的概率或其他状态变化预测);或(iii)其他预测(例如药物对个体的影响、与任何疾病有关的健康状态等)。在另一使用情况下,预测模型可以包括非个体特异性贝叶斯模型。个体特异性预测模型(用于生成健康状态预测)可以包括与个体相关联的个体特异性贝叶斯模型,所述模型是基于非个体特异性贝叶斯模型以及与个体相关联的健康信息生成的。在其他使用情况下,可以利用其他类型的预测模型,包括频率论(Frequentist)模型、参数模型、非参数模型、基于数据挖掘的模型、统计模型或其他类型的模型。
在一些实施方式中,模型管理子系统112可以获得预测模型。作为范例,预测模型可以基于预测模型的用户选择、要针对个体预测的健康状态的类型(例如心力衰竭相关预测、肾衰竭相关预测、肝衰竭相关预测、短暂缺血发作相关预测、中风相关预测等)或其他标准从数据(例如预测模型数据库132)中获得。如下所述,模型管理子系统112可修改预测模型或以其他方式使用预测模型来生成与个体相关联的个体特异性预测模型。
在一些实施方式中,健康信息管理子系统114可以获得与个体相关联的健康信息。模型管理子系统112可以获得预测模型并且基于所获得的预测模型和健康信息来生成与个体相关联的个体特异性预测模型。作为范例,所获得的健康信息可以指示(i)个体的一个或多个测量结果,(ii)个体的一个或多个健康状况(例如,基于测量结果确定的),(iii)健康状况的一个或多个共现,或(iv)其他信息。模型管理子系统112可以基于预测模型、个体的测量结果、个体的健康状况、健康状况的共现或其他信息来生成个体特异性预测模型。在生成或获得的情况下,可以分别存储个体特异性预测模型和健康信息(例如,在预测模型数据库132、健康信息数据库134或者如果尚未存储在其中的其他存储设备中)。
作为另一范例,健康信息可以从一个或多个健康监测设备获得(例如,可插入心脏监测器、心脏事件记录器、动态心电图监测器、心率跟踪器、尿液监测设备、温度监测设备、体重秤、饱和度测量设备、血液监测设备、皮肤电导测量设备、阻抗测量设备或其他健康监测设备)。这些健康监测设备可以包括一个或多个传感器,诸如相机、麦克风、血氧测定传感器、心率传感器、触觉传感器、葡萄糖传感器、加速度计、陀螺仪、磁力计、气压传感器、湿度传感器、温度传感器(例如体温传感器、皮肤温度传感器、环境温度传感器等)、皮肤电导传感器、全球定位系统(GPS)传感器、接近传感器或其他传感器。例如,传感器可以被配置为获得个体的测量结果(例如,心脏相关测量结果、肾相关测量结果、体温、pH水平、尿排出量、葡萄糖水平或其他测量结果)或者有关个体的其他信息(例如,个体的环境的温度、个体的环境的湿度、个体的当前位置、经由面部识别、射频识别(RFID)标签或其他技术检测到个体附近的其他个体、或者其他信息)。在一种情形下,健康监测设备可以获得个体的一个或多个测量结果(例如,基于来自一个或多个传感器的信息),并且将关于测量结果的信息通过网络(例如,网络150)提供给计算机系统(例如,包括服务器102)以供处理。在另一情形下,一旦获得测量结果,健康监测设备就可以基于测量结果确定个体的一个或多个健康状况,并且通过网络向计算机系统提供关于健康状况的信息。在又一种情形下,健康监测设备可以自动向计算机系统(例如,包括服务器102)提供信息(例如,所获得的健康信息、与个体有关的其他信息等)。例如,如果健康监测设备离线(例如,未连接到因特网、未连接到计算机系统等),健康监测设备可以存储信息并且当健康监测设备在线时(例如,当通过用户设备的应用程序检测到在线状态时)将信息提供到计算机系统。
作为又一范例,健康信息可以经由一个或多个用户设备(例如也作为用户设备的健康监测设备、平板电脑、智能电话或其他用户设备)处的一个或多个手动输入获得。在一种使用情况下,当患者因心力衰竭或其他病态事件的发作而入院时,医师或其他医院工作人员(例如护士、技术人员等)可以提交在患者停留在医院的一个或多个时段期间(例如,直到患者出院)针对患者的一个或多个患者可观察量。例如,这些患者可观察量可以作为患者的测量结果被提交,以补充经由健康监测设备的传感器获得的测量结果或者代替将以其他方式经由这种传感器获得的测量结果。在另外的使用情况下,在患者出院之后,患者或帮助患者的其他个体(例如,患者的看护者、患者的家庭成员等)可以提交针对患者的患者可观察量作为患者的测量结果,以补充经由健康监测设备的传感器获得的测量结果或者代替将以其他方式经由这种传感器获得的测量结果。例如,可以在一个或多个用户设备处使用一个或多个应用提交在前述使用情况下(例如,通过医师或其他医院工作人员、患者或帮助患者的其他个体等)提交的患者可观察量。在一些情况下,用户设备可以自动将所提交的患者可观察量提供给计算机系统(包括服务器102)。作为范例,如果用户设备离线(例如,未连接到因特网、未连接到计算机系统等),用户设备的一个或多个应用可以存储信息并且当用户设备在线时(例如,当通过用户设备的应用检测到在线状态时)将信息提供给计算机系统。以这种方式,例如,用户不需要等待用户设备在将患者可观察量提交给用户设备(或其应用程序)之前开始在线,从而允许患者可观察量在任何时间被收集和提交(例如,不管用户设备当前是否在线)。
在一些实施方式中,健康信息管理子系统114可以获得与个体相关联的随后的健康信息。作为范例,随后的健康信息可以包括对应于随后的时间(在对应于用于生成针对个体的个体特异性预测模型的健康信息的时间之后)的额外的健康信息。随后的健康信息可以指示(i)个体的一个或多个随后的测量结果(例如,在用于生成个体特异性预测模型的测量结果被观察到之后观察到的测量结果、在基于先前观察到的测量结果确定的健康状况的共现的指示之后观察到的测量结果等);(ii)个体的一个或多个随后的健康状况(例如,基于随后的测量结果所确定的);(iii)健康状况的随后的共现,或(iv)其他信息。作为另一范例,随后的健康信息可以从一个或多个健康监测设备,经由一个或多个用户设备处的一个或多个手动输入,经由其他方法获得。随后的健康信息还可以用于修改与个体相关联的个体特异性预测模型(例如,新的健康信息可以用于动态修改预测模型),用作个体特异性预测模型的输入以预测个体的健康状态等。
在一些实施方式中,预测子系统116可以基于与个体相关联的个体特异性预测模型来预测个体的健康状态。作为范例,个体特异性预测模型可以包括基于与个体相关联的先前的健康信息被修改的非个体特异性预测模型的修改版本。可以获得个体的随后的健康信息,并且预测模型116可以将随后的健康信息作为输入提供给个体特异性预测模型,以生成个体的健康状态的预测。健康状态预测可以包括:个体将经受或重新经受病态事件(例如心力衰竭、肾衰竭、肝衰竭、呼吸衰竭、短暂性脑缺血发作、中风或其他病态事件)的可能性的预测;(ii)个体的慢性疾病的状态的变化(例如,与慢性疾病有关的恶化、与慢性疾病有关的改进、状态的变化的程度、状态的变化的可能性、或其他状态变化预测)的预测;或(iii)其他预测(例如药物对个体的效应、与任何疾病有关的健康状态等)。
在一种使用情况下,关于图2,预测模型(例如,个体特异性预测模型)可以包括具有节点202(例如,与三尖瓣返流、肺充血、肺灌注不足、右心瓣失代偿、左心瓣失代偿、胃肠道充血、肾灌注不足、心输出量、肝脏充血、估计的肾小球滤过率(eGFR)、液体潴留、肝脏灌注不足、心房瓣膜功能不全对应的节点或其他节点)的图形。预测模型和数据输入变量204可以用于预测个体的健康状态。数据输入变量204可以包括:可观察量,所述可观察量被提供为针对节点202中的一个或多个的健康信息输入,以生成它们相应的输出(例如,节点202a、202f和202i的相应输出可以作为输入被提供给节点202d,节点202b、202c、202d、202g、202h和202l的相应输出可以作为输入被提供给节点202e,节点202d和202e的相应输出可以作为输入被提供为用于预测个体的健康状态等);或其他可观察量。
在其他使用情况下,关于图3和图4,并非所有的数据输入变量204都可以可用为用于预测个体的健康状态的输入。例如,在具体的家庭情况下,仅数据输入变量204的端坐呼吸、呼吸困难(例如哪种/多少活动导致气短)、疲劳、心律、血压、脉压、体重增加、恶心、夜尿、凹陷性水肿和跳动心跳频率可以可用为用于预测个体的健康状态的输入。作为另一范例,在另一家庭情况下,三尖瓣的心脏音、γ-谷氨酰转肽酶(GGT)、天冬氨酸转氨酶(AST)、肌酸酐、尿素氮水平(例如在尿液或其他身体流体中)、钠水平、心脏杂音或心音可以额外地可用为用于预测个体健康状态的输入。
在一些实施方式中,通知子系统118可以向系统100的一个或多个其他部件提供关于个体的预测健康状态的通知。作为范例,具有一个或多个传感器的一个或多个健康监测设备可以获得与个体相关联的健康信息(例如,个体的测量结果、个体的健康状况或其他健康信息),并将健康信息提供给健康信息管理子系统114。在健康信息被处理以生成个体的预测健康状态之后,通知子系统118可以经由一个或多个有线或无线连接向健康监测设备中的至少一个提供关于预测健康状态的通知(例如,以使健康监测设备经由健康监测设备的一个或多个输出设备呈现预测健康状态)。作为另一范例,通知子系统118可以经由一个或多个有线或无线连接将关于预测健康状态的通知提供到一个或多个用户设备,诸如台式计算机、笔记本电脑、平板电脑、智能电话、可穿戴设备或其他用户设备。
尽管本文中关于个体特异性预测模型描述了一些实施方式,但是用于个体的健康监测的预测模型在一个或多个其他实施方式中不是必须对于个体是特定的。在一些实施方式中,可以获得用于健康监测的预测模型(例如,个体特异性的或非个体特异性的)。作为范例,预测模型可以包括与器官或组织相关联的多个节点,诸如与第一器官或组织相关联的第一节点、与第二器官或组织相关联的第二节点、与第三器官或组织相关联的第三节点等。可以利用预测模型来预测个体的状态(例如,个体的器官或组织中的一个或多个的状态、作为整体的个体的状态等)。
在一些实施方式中,可以使用多层方法来预测个体的状态。作为范例,可以基于与个体相关联的健康信息、预测模型的节点的一个或多个参数等来预测个体的第一器官或组织的状态(例如,第一器官或组织的状况)。然后可以基于第一器官或组织的预测状态来预测个体的其他器官或组织中的至少一个的状态。这样一来,例如,可以利用个体的器官或组织中的至少一个的一个或多个预测状态来预测个体的器官或组织中的至少另一个的一个或多个状态。关于图2,例如,可以利用个体的尿素氮水平、肌酸酐水平和钠或钾水平来预测个体的肾功能的状态,并且可以利用个体的肾功能状态(例如,单独或与一个或更多其他器官或组织功能状态或其他信息相结合)来预测个体的心脏功能的状态。
在一种使用情况下,可以基于个体的第一器官或组织的功能的测量结果(或与个体相关联的其他健康信息)和与第一器官或组织相关联的第一节点的参数来预测个体的第一器官或组织的状态。在另一种使用情况下,第一器官或组织的状态的预测可以额外地或备选地基于个体的至少一个其他器官或组织的功能的测量结果和/或与至少一个其他器官或组织相关联的至少一个其他节点的参数。在预测第一器官或组织的状态的情况下,可以利用第一器官或组织的预测状态来预测个体的至少一个其他器官或组织的状态。
在另一种使用情况下,可以基于与个体相关联的健康信息来修改与第一器官或组织相关联的(预测模型的)第一节点。作为范例,可以添加、修改或移除第一节点的一个或多个参数,使得第一节点的那些参数(或其参数值)表示与第一节点相关联的第一器官或组织的当前状况。在另外的使用情况下,可以基于经修改的第一节点来修改至少一个其他节点。额外地或备选地,其他节点的修改可以基于与个体相关联的健康信息。关于图2,例如,可以利用个体的尿素氮水平、肌酸酐水平和钠或钾水平作为输入来修改节点202c,使得节点202c表示个体的当前肾功能水平。可以利用节点202b、202d和202e、各个输入204和/或其他信息作为输入来修改节点202a,使得节点202a表示个体的当前心脏功能。可以利用节点202a、各个输入204和/或其他信息来预测个体的心力衰竭状态。
个体特异性预测模型的生成
如所讨论的,在一些实施方式中,可以基于非个体特异性预测模型和与个体相关联的健康信息针对个体生成个体特异性预测模型。在一些实施方式中,模型管理子系统112可以基于已知的偶然疾病关系和经验证的定量参数来生成包括图形的预测模型。作为范例,可以使用已知的偶然疾病关系和经验证的定量参数(例如,输入实验室值的文献/研究/临床专业知识导出的正常的和疾病相关联的分布)来形成图形的节点和其相应的致病边缘。然后可以通过引入从个体健康信息导出的个性化参数来针对个体(例如,患者或其他个体)使预测模型个性化,所述个体健康信息包括例如当个体首次入院时获取的个体的输入变量、在个体在医院停留的一个或多个时间段期间获取的个体的输入变量、在个体出院之前立即获取的个体的输入变量(例如,来自在具体的住院期间针对个体的最后一组测试的输入变量)。应当注意,尽管本文中描述的一些范例导出医院设置中的个体的“学习”数据,但是在其他范例中可以在一个或多个其他设置(例如,临床、家庭或其他设置)处获得学习数据。
在一些实施方式中,可以基于指示健康状况的一个或多个共现的个体的健康信息,通过将预测模型修改为包括一个或多个参数来修改预测模型以生成个体特异性预测模型(例如,通过添加参数的模型修改、通过在已经存在于预测模型中的情况下修改参数等)。在修改的情况下,个体特异性预测模型可以包括(修改之前的)预测模型的参数的修改版本或者不包括在(修改之前的)预测模型中的参数。作为范例,患有糖尿病的心力衰竭患者可能具有比没有这种并发症的心力衰竭患者更差的基线肾功能。这样一来,可以调节用于患有糖尿病的心力衰竭患者的预测模型以考虑可归于患者糖尿病的任何降低的肾功能。以这种方式,例如,当患者的随后的监测指示降低的肾功能时,即使患者的健康状况将已经使用没有考虑到并发症的预测模型以其他方式生成了这种预测,利用个性化预测模型的系统也可以不是必须预测心力衰竭恶化,从而减少了不准确的预测、假阳性警报或其他问题。
作为另一范例,个体的共现健康状况可以包括在个体中共现的两个或更多个正常群体变体。在一种使用情况下,不同种族或民族的患者通常可以具有在不同种族或民族中间变化的健康状况谱。例如,在一个组(例如种族、民族、地区等)(或其亚组)中的肌酸酐水平、钠水平、脉压、收缩血压或其他可观察量的正常谱可以不同于在另一组中的那些前述可观察量的正常谱。通过考虑这些正常群体变体-无论其否指示疾病,个体的预测模型可以减少不准确的预测、假阳性警报或其他问题。
在一些实施方式中,模型管理子系统112可以更新与个体相关联的个体特异性预测模型。作为范例,个体特异性预测模型可以在获得与用户相关联的额外健康信息时动态更新。例如,可以使用最新近的健康信息(例如,从个体获取的最新可观察量)来修改个体特异性预测模型,使得预测模型继续反映并考虑个体的特定性(例如,当前个体的共病或对于个体特定的其他方面)。
在一些实施方式中,模型管理子系统112可以获得与个体相关联的评分信息。评分信息可以指示与个体的测量结果的一个或多个集合相关联或与个体的健康状况的一个或多个集合相关联的一个或多个评分。作为范例,医师可以分配:(i)当患者首次入院时针对患者获取或确定的测量结果或健康状况的集合的评分;(ii)在患者住院期间的一个或多个相应时间段期间针对患者获取或确定的测量结果或健康状况的一个或多个集合的一个或多个评分;(iii)直接地在患者出院前针对患者获取或确定的测量结果或健康状况的集合的评分;或(iv)针对测量结果或健康状况的其他集合的其他评分。健康信息管理子系统114可以获得这些分配的评分并将所分配的评分与数据库(例如,健康信息数据库134)中的患者相关联,并且其他子系统112可以从数据库获得分配的评分(例如,用于生成个体特异性预测模型、用于提供患者健康状态的预测中等)。
在获得与测量结果或健康状况的集合相关联的评分的情况下,模型管理子系统112可以将所获得的评分与关于测量结果或健康状况的集合的测量结果或健康状况的子集相关联。作为范例,测量结果或健康状况的集合可以包括多种类型的测量结果或健康状况,并且相关子集可以包括比该集合(测量结果或健康状况的)的测量结果或健康状况的类型的数量更少类型的测量结果或健康状况。关于图2-4,例如,测量结果或健康状况的集合可以包括全部数据输入变量204,而相关子集可以仅包括数据输入变量204中的一些。作为另一范例,相关子集可以包括评分与之相关联的该集合(测量结果或健康状况的)的测量结果或健康状况的子集。作为又一范例,相关子集可以包括与评分与之相关联的该集合(测量结果或健康状况的)相同或相似的测量结果或健康状况的子集。作为另外的范例,相关子集可以包括测量结果或健康状况的集合的子集落入其中的测量结果或健康状况的集合范围。
在一种使用情况下,当患者被送入医院(或其他设置)时可以获取患者的可观察量。医师(例如,心脏病专家、肾脏科医师或其他医师)可以查看这些可观察量,包括关于以下项的测量结果或健康状况:体重、心率、呼吸率、(例如在脚踝或其他区域处的)点蚀水肿的量、疲劳(例如,由于疲劳,患者执行哪些/多少正常日常活动有麻烦)、恶心、呼吸困难(例如哪种/多少活动引起呼吸短促)、端坐呼吸(例如躺下时的呼吸困难)、夜尿症(例如,患者夜间多久醒来一次排尿)或其他可观察量。在检查时,医师可以对可观察量的该集合分配评分(例如,1-10等级或其他评分技术),其反映在观察量的该集合被获取的时间处患者健康状态(例如,关于慢性疾病的状态、关于病态事件的状态、关于具体健康状况的状态或其他状态)。在一个或多个其他时间期间,医师可以类似地查看和分配针对患者的可观察量的每个集合的评分(例如,在患者住院的一个或多个相应时间段期间获取的可观察量、直接地在患者出院之前获取的可观察量)。不管由医师基于医师对可观察量的全部集合的查看指定评分(针对手边疾病的“等级”),评分可以指定给可观察量的相应子集(例如,以推断模式)。例如,尽管在确定评分时考虑了其他可观察量,但是可以将所确定的评分分配给仅包括适于在家庭监测情境下收集的那些可观察量的子集。将评分分配给相应子集然后可以被用于个性化用于患者的预测模型或者以其他方式被用于促进健康监测。
在另外的使用情况下,当患者的可观察量(例如,适合于在家庭监测情境下收集的患者的测量结果、患者的健康状况等)随后被获取时,随后的可观察量可以与已经对其分配了评分的相应可观察量的相应子集进行比较。例如,如果随后的可观察量的值与具体子集中的可观察量的值相似,则与该子集相关联的评分可以用作用于患者健康状况评分的评分或者在预测健康状况中被加重加权。另一方面,如果随后的可观察量的值与子集中的可观察量的值不相似,则可以在预测健康状态时对相关联的评分进行轻微加权(或没有权重)。以这种方式,例如,基于可观察量的较大集合(例如,在医院收集的可观察量)针对个体确定的评分(例如,健康状态评分)仍然可以用于基于可观察量的较小集合(例如,在家庭监测情境下收集的可观察量)预测个体的健康状态。这样一来,当提供有可观察量的更大集合时,基于所分配的评分的预测可以至少在某种程度上反映医师的专业知识和判断,即使仅可观察量的较小集合可用。用于个体的健康状态的预测的这样的个性化可以减少数据噪声和/或增加评分的灵敏度和特异性。
在一些实施方式中,通常未量化的个体的可观察量可以被量化(例如,作为个体的测量结果)并且用于促进健康监测和/或健康相关预测。作为范例,经量化的可观察量可以被用作个体的测量结果以生成与个体相关联的个体特异性预测模型,用作针对个体特异性预测模型的测量结果输入以生成个体健康状态的预测等。作为另一范例,量化的可观察量可以实现在不同时间点处的个体的可观察量的集合之间的更准确的比较。
在一些情形下,可观察量能够在家庭中使用特定的设备来测量并且被提供给预测模型(例如,在建立与托管预测模型的系统的连接的情况下自动提供),以从关于个体的疾病或其他健康状态的预测模型中获得结果。将预测模型耦合到这些设备可以使得能够量化通常未被量化的某些可观察量(例如心脏和肺的声音),使得它们可以作为量化值被输入到预测模型中,从而允许在不同时间点处的测量结果之间的量化比较。预测模型与这种设备的耦合可以额外地或备选地使得通常在实验室中导出的结果能够在家庭监测情境下获得(例如,将Magnotech设备耦合到预测模型以使得能够测量c反应蛋白、脑利钠肽、钠水平、尿素氮水平、肌酸酐、天冬氨酸转氨酶、γ-谷氨酰转移酶或其他可观察量)。
在一些情形下,可以用于获得健康信息的一个或多个设备可以包括:(i)测量体重的设备(例如体重秤);(ii)测量c反应蛋白、脑利钠肽、钠水平、尿素氮水平、肌酸酐、天冬氨酸转氨酶或γ-谷氨酰转移酶的设备(例如Magnotech设备);(iii)血压设备;(iv)心律测量设备;(v)定量测量心音(例如,二尖瓣和三尖瓣关闭不全、疾驰(gallop)等)、肺音或其它声音的电子听诊器;(vi)定量测量肺音、胸膜积液或心脏扩大的设备(例如,基于生物阻抗谱的设备);(vii)定量测量充血的扩大的肝部或突起的颈静脉的设备;(viii)定量测量胸膜腔液、扩大的心脏、心输出量或二尖瓣和三尖瓣关闭不全的设备(例如超声设备);(ix)定量地对凹陷性水肿(pitting edema)进行评分的设备(例如,基于生物阻抗的设备);(x)测量呼吸速率的设备;(xi)测量氧饱和度的设备(例如,血氧测定设备)或(xii)其他设备。
在一些情形下,可以经由问卷或其他方式以量化的或其他形式提供一些可观察量。作为范例,患者或代表患者动作的其他个体可以通过经由用户设备(例如台式计算机、笔记本计算机、平板电脑、智能手机、可穿戴设备或其他用户设备)提供症状的严重性作为用于预测模型的直接输入来量化患者的症状。这样的症状例如可以包括体重增加、疲劳、端坐呼吸、恶心、凹陷性水肿(例如,在早晨起床时胫前、双侧、骶骨等)或其他症状。
在一些实施方式中,预测模型可以包括具有与器官或组织(或其功能)相关联的多个节点的图形,并且节点的一个或多个参数可以被添加、修改或移除,以生成个体特异性预测模型。在一些实施方式中,预测模型的节点可以包括与第一器官或组织相关联的一个或多个节点、与第二器官或组织相关联的一个或多个节点、与第三器官或组织相关联的一个或多个节点等等。作为范例,当个体的第一健康状况(与第一器官或组织有关)被观察到已经与个体的一个或多个其他健康状况(例如,与第二器官或组织有关的第二健康状况、与第三器官或组织有关的第三健康状况等)共现时,可以在预测个体的健康状态中关于其他共现健康状况(与其他器官或组织有关)中的至少一个选择修改与第一器官或组织有关的第一节点,以考虑共现的第一健康状况。第一节点(与第一器官或组织有关)可以基于第一健康状况、个体的测量结果(例如,根据其确定第一健康状况)或其他可观察量(例如,与第一健康状况有关),通过添加、修改或移除第一个节点的参数来进行修改。
在一些使用情况下,关于图2,预测模型可以包括具有节点202(例如,对应于心脏功能的节点202a、对应于肺功能的节点202b、对应于肾功能的节点202c、对应于肝功能的节点202d、对应于流体平衡的节点202e或其他节点)的图形。数据输入变量204(例如,变量204a-204p)可以包括被提供为针对节点202中的一个或多个的输入从而生成它们相应的输出的可观察量(例如,节点202b-202e的相应输出可以作为输入被提供给节点202a,节点202a的输出可以作为输入被提供用于预测个体的健康状态等)或其他可观察量(例如,包括将要作为输入被提供用于预测个体的健康状态的可观察量的变量204r-204s)。
在一些使用情况下,关于图3和图4,并非所有的数据输入变量204a-204s都可以可用为用于预测个体的健康状态的输入。作为范例,在具体家庭情境下,仅数据输入变量202的体重、肿胀脚踝(例如肿胀脚踝的严重性)、温度、呼吸困难(例如,哪种/多少活动导致呼吸短促)、以及血压可以可用为用于预测个体的健康状态的输入。作为另一范例,在另一家庭情境下,超声结果、钠或钾水平、(例如在尿液或其他体液中的)尿素氮水平、心率或心律可以额外地可用为用于预测个体健康状态的输入。
图5示出了根据一个或多个实施方式的基于个性化预测模型500的健康监测的使用情况情形。作为范例,在一种情形下,患者能够因为心力衰竭的发作被送入医院(502)。在医院中,患者的可观察量在若干时间段期间(504)以“学习”模式输入到预测模型中(例如,至少在靠近于患者处于不良状态时的入院的时间点处、靠近于患者处于可达到的最佳状态(506)时的出院的时间点处等)。在时间段中的每个期间,处置医师可以额外地或备选地将医师对疾病状态的评估作为1到10之间的评分输入到学习模式的预测模型中。可以利用输入来修改预测模型以生成与患者相关联的个体特异性预测模型。对预测模型的修改例如可以根据一个或多个准则(例如,在输入可观察量的每个集合之后、在输入可观察量的一个或多个集合之后等等)连续执行。
基于预测模型的个性化,当使用预测模型来生成关于心力衰竭患者的确定时可以考虑共病。例如,如果患者还患有肾部疾病(例如,由于患者还患有糖尿病),则个性化预测模型可以获知该患者中的特定水平的降低的肾功能不是由于心力衰竭(例如,如果当医师已经输入他/她对患者的心脏状态的判断为满足出院时(例如,指示患者不再需要出于心脏问题住院的评分)在出院时仍然存在降低的肾功能)。当患者回家时,处置医学专家可以告诉患者他必须继续服用其药物,并希望让他每2或3天提供一次他的可观察量,诸如他的体重、心率、呼吸速率、脚踝处的凹陷性水肿,并填充具有症状的问卷(例如,患者由于疲劳在执行正常日常活动时有困难、患者恶心的严重程度、当患者行走一段楼梯时呼吸短促、患者的端坐呼吸的严重程度、患者在夜间必须起床排尿的频率等)。这些可观察量作为输入被提供给个性化预测模型(508),并且预测模型的输出(例如,心力衰竭或其他健康状态的概率)可以被提供给患者、患者的全科医师、患者的医学专家或其他个体(510)。
作为范例,在特定时间之后,作为心力衰竭的增加的概率(例如超过50%)的预测的结果,预测模型可以标记警报(512)。基于警报,可以呈现的可视化(例如,向患者的医师或其他个体)可以示出心脏的左侧部分可能正在衰竭,并且主要负责左侧心力衰竭的可观察量是凹陷性水肿、体重增加、增加夜尿和端坐呼吸。基于警报,预测模型可以额外地或备选地建议患者的医师获得某些额外的可观察量信息(例如,氧饱和度、钠确定等),以增加概率预测的可靠性。
当额外的可观察量信息被提供给预测模型时(例如,经由家中、实验室、医院等处的健康监测设备自动提供,或者由医师或其他个体基于他/她的患者的可观察量手动输入)(514),可以确认心力衰竭恶化的概率。额外地或备选地,预测模型可以警告与心力衰竭的恶化共现的患者的肾功能降低(例如,并且可以与改变药物方案的决定相关)。基于该警报,患者的医师(例如,全科医师、医学专家等)可以推荐增加的ACE阻断剂(血管紧张素转换酶阻断剂)。预测模型可以继续监测患者的健康状态,并且可以将任何改进或恶化自动输入到患者的电子医学记录中。
图6A-6F示出了根据一个或多个实施方式的在各个时间点处的个体及其可观察量的使用情况。关于图6A-6F,表示个体的可观察量的每个节点与代表性条(例如,条602中的一个)相关联,其中,条表示个体的观察到的测量结果或健康状况或个体的测量结果或健康状况的概率。作为范例,可以根据节点具有对应值(或其范围)的概率将条细分为不同的图案化/实心部分。如果已经根据已经观察到的测量结果或健康状况设置了节点的值,则条将不被细分(例如,仅示出一个图案化/实心部分)。作为另一范例,较亮的条部分可以表示比相同条的较暗的条部分的值(或范围)更差的值(或范围)。这样一来,具有黑色实心填充的条部分可以表示针对个体的最佳值,具有相同条的白色实心填充的条部分可以表示针对个体的最差值,并且具有图案化填充的条部分可以表示针对个体的最差值和最佳值之间的值(例如,其中,较暗的图案化填充可以表示比由较亮的图案化填充表示的值更好的值)。
作为范例,关于图6A-6F,圆形节点602可以表示从来自其他圆形节点602或矩形节点604的其他输入导出的个体的状况,并且矩形节点604可以表示测量结果或其他可观察量。节点602可以表示失代偿性左心衰竭、失代偿性右心衰竭、心输出量、肺充血、肺灌注不足、肾灌注不足、三尖瓣反流、胃肠充血、肝充血、肝灌注不足、eGFR、液体潴留、二尖瓣关闭不全、或其他状况(或其他可观察量)。节点604可以表示肌酸酐水平、体重增加、钠水平、搏动频率、脉压、收缩压、心律、心音、心脏扩大、疲劳、呼吸困难、心脏杂音、尿素氮水平、AST、氧饱和度、端坐呼吸、胸膜流体、GGT、肝脏肿大、恶心、突起的颈部静脉、凹陷性水肿(例如对称性踝/胫骨、骶骨等)、夜尿、心音三尖瓣或其他可观察量。
在一种使用情况下,图6A中所示的节点602和604的状态可以表示当个体进入医院(或其他临床设置)同时处于其中多数可观察量都在针对个体的最差的(或接近最差的)可能范围内的糟糕状态下时个体的状态(例如,“第1天”)。图6B所示的节点602和604的状态可以表示当个体再次康复时个体出院(或其他临床环境)时个体的状态(例如“第7天”),除了升高的肌酸酐水平和因此降低的eGFR-这可能与其心力衰竭无关,而是由于诸如糖尿病的常见并发症。如图6A-6B所示,由节点604表示的所有可观察量都可用于观察,这可以使得对心室失代偿的概率预测非常准确。
图6C所示的节点602和604的状态可以表示当个体在家中(或其他设置中)正在示出恶化的心力衰竭状况的迹象时个体的状态(例如,“第14天”)。如图6C中所示,可用于在对应于图6A-6B的设置中的观察的可观察量中的一些可能不可用于在家中(或这种观察受到更多限制的其他设置中)的观察。尽管如此,在一些使用情况下,当计算左/右心室失代偿的概率时,不可用于观察的可观察量中的一个或多个可以基于可用的可观察量(例如,根据本文所描述的一个或多个预测模型)被分配一定的概率分布。例如,尽管肌酐水平、钠水平、心音、心脏扩大、心脏杂音、尿素氮水平、AST、氧饱和度、胸膜积液、GGT,肝脏肿大、突起的颈静脉、心音三尖瓣或其他可观察量可能不容易确定(例如,缺乏对应的健康监测设备和/或在没有这样的健康监测设备时不能够准确确定的这种可观察量),但是不可用的可观察量中的一个或多个仍然可以基于可用的可观察量中的一个或多个和预测模型(例如,个体特异性贝叶斯或其他预测模型)被分配概率分布。预测模型可以例如实现从可用信息(例如,可用的可观察量)中导出有意义的结论以预测左/右心室失代偿的概率。
在另外的使用情况下,可以提供额外的健康监测设备和/或传感器来扩展家中或其他受限制设置中的可用数据集。例如,能够从血滴测量一些实验室值(如,血清Na浓度或肌酸酐),或者能够从胸部阻抗测量结果获得胸膜积液的量度。在一种情形下,如果基于受限制的可用可观察量的集合来预测左/右心室失代偿的恶化值,则可以使用额外的健康监测设备和/或传感器来获得更精确的值(或者以其他方式基于受限制的可观察量的集合确认所述预测)。
图6D中所示的节点602和604的状态可以表示在个体重新进入医院(或其他临床设置)时个体的状态(例如“第16天”)。图6E中所示的节点602和604可以表示当个体患有一些与脱水(例如由于腹泻、胃肠道感染等)有关的并发症时个体的状态(例如“第30天”)。基于知道个体的恶心和低心输出量可以是来自脱水和/或个体已知的下降的肾功能的预测模型,系统可以预测个体不再经受左/右心室失代偿。
图6F中所示的节点602和604的状态可以表示当个体患有来自肺炎(例如,由慢性阻塞性肺部疾病或其它因素引起)的并发症时个体的状态(例如“第45天”)。如图6F中所述,个体表现为具有下降的肺功能和通常受损的肾功能。尽管存在胸膜积液,但预测模型可以指示胸膜积液能够是由于与肺炎相关联的局部炎症而非增加的静脉压。个体的其他非最佳状况可以包括非最佳肝脏生物标记、指示心脏瓣膜关闭不全的心脏杂音、由于与肺炎相关联的发热和缺氧的即将发生的心力衰竭恶化的早期征兆、心脏扩大等等。基于上述内容,预测模型可以指示用于左心室失代偿的一些非零(non-vanishing)概率(但是远未确定)。
范例流程图
图7-11包括实现如上面详细描述的系统的各种特征和功能的方法的处理操作的范例流程图。以下呈现的每个方法的处理操作旨在是说明性的而非限制性的。在一些实施方式中,例如,方法可以利用未描述的一个或多个额外操作和/或在没有所讨论的操作中的一个或多个的情况下完成。此外,方法的处理操作被图示(以及下面描述)的顺序并不是限制性的。
在一些实施方式中,方法可以在一个或多个处理设备(例如,数字处理器、模拟处理器、被设计为处理信息的数字电路、被设计为处理信息的模拟电路、状态机和/或用于电子地处理信息的其他机构)中实施。处理设备可以包括响应于电子地存储在电子存储介质上的指令而执行方法的操作中的一些或全部的一个或多个设备。处理设备可以包括通过硬件、固件和/或软件被配置为被专门设计用于执行方法的操作中的一个或多个的一个或多个设备。
图7示出了根据一个或多个实施方式的基于个体特异性预测模型促进对个体的健康监测的方法700的流程图。
在操作702中,可以获得用于健康监测的预测模型。根据一个或多个实施方式,操作702可以由与模型管理子系统112相同或相似的模型管理子系统来执行。
在操作704中,可以获得与个体相关联的健康信息。作为范例,健康信息可以指示(例如,基于个体的测量结果确定的)个体的健康状况的共现。根据一个或多个实施方式,操作704可以由与健康信息管理子系统114相同或相似的健康信息管理子系统执行。
在操作706中,可以基于预测模型和共现指示来生成与个体相关联的个体特异性预测模型。根据一个或多个实施方式,操作706可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作708中,可以获得与个体相关联的随后的健康信息。作为范例,随后的健康信息可以指示:(i)在健康状况的共现之后观察到的个体的随后的测量结果;(ii)个体的随后的健康状况(例如,基于随后的测量结果所确定的);或者(iii)其他信息。根据一个或多个实施方式,操作708可以由与健康信息管理子系统114相同或相似的健康信息管理子系统执行。
在操作710中,可以基于个体特异性预测模型和随后的健康信息来预测个体的健康状态。根据一个或多个实施方式,操作710可以由与预测管理子系统116相同或相似的预测子系统执行。
图8示出了根据一个或多个实施方式的经由健康监测设备促进个体的健康监测和预测的健康状态通知的方法800的流程图。
在操作802中,可以从健康监测设备获得与个体相关联的健康信息。健康信息可以指示:(i)个体的测量结果;(ii)个体的健康状况(例如,基于测量结果所确定的);或者(iii)其他信息。根据一个或多个实施方式,操作802可以由与健康信息管理子系统114相同或相似的健康信息管理子系统执行。
在操作804中,可以基于个体特异性预测模型来处理健康信息以预测个体的健康状态。作为范例,可以基于先前的个体的测量结果、先前的个体的健康状况(例如,基于先前的测量结果所确定的)或其他信息来生成个体特异性预测模型。例如,可以基于先前的测量结果和/或先前的健康状况来修改用于预测健康状况的预测模型,以生成个体特异性预测模型。个体特异性预测模型可以包括未修改的预测模型的参数的修改版本、未包括在未修改的预测模型中的参数或其他参数。根据一个或多个实施方式,操作804可以由与健康信息管理子系统114相同或相似的健康信息管理子系统执行。
在操作806中,可以将关于预测健康状态的通知提供给健康监测设备。作为范例,可以提供通知,使得预测健康状态可以经由健康监测设备的输出设备(例如,显示屏幕、音频输出设备或其他输出设备)来呈现。根据一个或多个实施方式,操作806可以由与通知子系统118相同或相似的通知子系统执行。
图9示出了根据一个或多个实施方式的经由远程计算机系统促进在健康监测设备处的个体的健康监测的方法900的流程图。
在操作902中,可以在健康监测设备处(例如,基于来自健康监测设备的传感器的信息)获得个体的测量结果。根据一个或多个实施方式,操作902可以由与健康监测设备106相同或相似的健康监测设备执行。
在操作904中,关于个体的测量结果的信息可以被提供给远程计算机系统。作为范例,健康监测设备可以是用于收集和/或处理个体的测量结果的本地健康监测设备,并且所收集的测量结果可以被提供给远程计算机系统以用于处理(例如,基于个体特异性预测模型和所收集的测量结果来预测个体的健康状态)。根据一个或多个实施方式,操作904可以由与健康监测设备106相同或相似的健康监测设备执行。
在操作906中,可以基于(基于来自健康监测设备的传感器的信息所获得的)测量结果在健康监测设备处确定个体的健康状况。根据一个或多个实施方式,操作906可以由与健康监测设备106相同或相似的健康监测设备执行。
在操作908中,可以将关于个体的健康状况的信息提供给远程计算机系统。作为范例,健康监测设备可以是用于收集和/或处理个体的测量结果的本地健康监测设备,并且在基于所收集的测量结果确定个体的健康状况的情况下,健康状况可以被提供给远程计算机系统以用于处理(例如,基于个体特异性预测模型和健康状况来预测个体的健康状态)。根据一个或多个实施方式,操作908可以由与健康监测设备106相同或相似的健康监测设备执行。
图10示出了根据一个或多个实施方式的生成用于预测个体的健康状态的个体特异性预测模型的方法1000的流程图。
在操作1002中,可以确定与个体的第一器官或组织有关的第一健康状况、与个体的第二器官或组织有关的第二健康状况、或者个体的其他健康状况。作为范例,可以基于从一个或多个健康监测设备获得的健康信息来确定第一和第二健康状况。(从健康监测设备获得的)健康信息可以指示经由健康监测设备的传感器收集的个体的测量结果、健康状况(例如基于所收集的测量结果确定的)或其他信息。额外地或备选地,健康信息可以指示个体的健康状况的共现,例如第一和第二健康状况的共现的指示。根据一个或多个实施方式,操作1002可以由与健康信息管理子系统114相同或相似的健康信息管理子系统执行。
在操作1004中,可以从预测模型的节点选择与器官或组织中的一个器官或组织(例如,第一器官或组织)相关联的节点。作为范例,节点可以被修改为生成用于预测与器官或组织中的另一器官或组织(例如,第二器官或组织)有关的个体的健康状态的个体特异性预测模型。根据一个或多个实施方式,操作1004可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作1006中,可以基于(i)第一健康状况或(ii)从其确定第一健康状况的个体的测量结果来修改选定的节点。根据一个或多个实施方式,操作1006可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作1008中,可以基于包括经修改的节点的个体特异性预测模型来预测(与第二器官或组织有关的)个体的健康状态。作为范例,可以利用个体特异性预测模型和(例如,从一个或多个健康监测设备获得的)随后的健康信息来预测个体的健康状态。根据一个或多个实施方式,操作1008可以由与预测子系统116相同或相似的预测子系统执行。
图11示出了根据一个或多个实施方式的在没有个体的一个或多个测量结果的情况下促进个体的健康监测的方法1100的流程图。
在操作1102中,可以获得与个体的可观察量(例如,测量结果、健康状况等)的集合相关联的评分。根据一个或多个实施方式,操作1102可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作1104中,可以在与个体相关联的个体特异性预测模型中将评分与(与可观察量的集合有关的)可观察量的子集相关联。作为范例,可观察量的子集可以包含比可观察量的集合的可观察量类型的数量少的可观察量类型的数量。例如,在关联的情况下,可以使用评分基于与该子集的可观察量的类型相对应的个体的可观察量来生成预测(例如,与需要用于评分与其初始相关联的可观察量的集合的可观察量的全部类型的观察量相反)。根据一个或多个实施方式,操作1104可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作1106中,可以在没有与未包括在可观察量的子集中的可观察量类型相对应的可观察量的集合中的一个或多个可观察量的情况下,基于相关联的评分来预测个体的健康状态。作为范例,在评分与可观察量的子集相关联之后,可以(例如,从一个或多个健康监测设备)获得个体的健康信息并且将其与可观察量的子集进行比较以确定健康状态评分。例如,如果所获得的健康信息包括个体的最新可观察量,并且这些最新可观察量类似于或落入可观察量的子集的范围内,则评分可以用作为健康状态评分或者在计算健康评分时被加重加权(weighted heavily)。另一方面,如果最新的可观察量不相似或未落入可观察量的子集的范围内,则评分可以在计算健康状态评分时被轻微加权(或没有加权)。如所指示的,在一些实施方式中,可以不需要相关联评分的确定所基于的一个或多个可观察量(或其可观察量类型)来使用相关联评分预测个体的健康状态。根据一个或多个实施方式,操作1106可以由与预测子系统116相同或相似的预测子系统执行。
图12示出了根据一个或多个实施方式的基于另一器官或组织的预测状态促进关于一个器官或组织的个体的健康监测的方法1200的流程图。
在操作1202中,可以获得包括与器官或组织相关联的多个节点的预测模型。节点可以包括与第一器官或组织有关的第一节点、与第二器官或组织有关的第二节点或与其他器官或组织有关的其他节点。根据一个或多个实施方式,操作1202可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作1204中,可以获得与个体相关联的健康信息。健康信息可以包括个体的测量结果、个体的健康状况或其他健康信息。根据一个或多个实施方式,操作1204可以由与健康信息管理子系统114相同或相似的健康信息管理子系统执行。
在操作1206中,可以基于健康信息和与第一器官或组织相关联的第一节点的参数来预测个体的第一器官或组织的状态。根据一个或多个实施方式,操作1206可以由与预测子系统116相同或相似的预测子系统执行。
在操作1208中,可以基于第一器官或组织的预测状态和与第二器官或组织相关联的第二节点的参数来预测第二器官或组织的状态。根据一个或多个实施方式,操作1208可以由与预测子系统116相同或相似的预测子系统执行。
图13示出了根据一个或多个实施方式的基于另一器官或组织的预测状态促进关于一个器官或组织的个体的健康监测的方法1300的流程图。
在操作1302中,可以获得包括与器官或组织相关联的多个节点的预测模型。节点可以包括与第一器官或组织有关的第一节点、与第二器官或组织有关的第二节点或与其他器官或组织有关的其他节点。根据一个或多个实施方式,操作1302可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作1304中,可以获得与个体相关联的健康信息。健康信息可以包括个体的测量结果、个体的健康状况或其他健康信息。根据一个或多个实施方式,操作1304可以由与健康信息管理子系统114相同或相似的健康信息管理子系统执行。
在操作1306中,可以基于健康信息来修改与第一器官或组织相关联的第一节点。根据一个或多个实施方式,操作1306可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作1308中,可以基于经修改的第一节点来修改与第二器官或组织相关联的第二节点。根据一个或多个实施方式,操作1308可以由与模型管理子系统112相同或相似的模型管理子系统执行。
在操作1310中,可以基于经修改的预测模型来提供关于第二器官或组织的个体的健康状态。根据一个或多个实施方式,操作1310可以由与预测子系统116相同或相似的预测子系统执行。
在一些实施方式中,图1中图示的各种计算机和子系统可以包括被编程为执行本文描述的功能的一个或多个计算设备。计算设备可以包括一个或多个电子存储器(例如,预测模型数据库132、健康信息数据库134或其它电存储器)、被编程有一个或多个计算机程序指令的一个或多个物理处理器、和/或其他部件。计算设备可以包括通信线或端口,以使得能够经由有线或无线技术(例如以太网、光纤、同轴电缆、WiFi、蓝牙、近场通信或其他技术)与网络(例如网络150)或其他计算平台交换信息。计算设备可以包括一起操作以提供在本文中归于服务器的功能的多个硬件、软件和/或固件部件。例如,计算设备可以通过作为计算设备一起操作的云计算平台来实施。
电子存储设备可以包括电子存储信息的非暂态存储介质。电子存储设备的电子存储介质可以包括以下中的一项或两者:与服务器集成提供的(基本上不可移除的)的系统存储设备,或者经由例如端口(例如,USB端口、火线端口等)或驱动(例如,磁盘驱动等)可移除地可连接到服务器的可移除存储器。电子存储器可以包括以下中的一项或多项:光学可读存储介质(例如光盘等)、磁性可读存储介质(例如,磁带、磁性硬盘驱动、软盘驱动等)、基于电荷的存储介质(例如,EEPROM、RAM等)、固态存储介质(例如,闪存驱动等)和/或其他电子可读存储介质。电子存储器可以包括一个或多个虚拟存储资源(例如,云存储器、虚拟专用网络和/或其他虚拟存储资源)。电子存储器可以存储软件算法、由处理器确定的信息、从服务器接收的信息、从客户端计算平台接收的信息或者使服务器能够如本文所述那样起作用的其他信息。
处理器可以被编程为在服务器中提供信息处理能力。因此,处理器可以包括以下中的一项或多项:数字处理器、模拟处理器、被设计为处理信息的数字电路、被设计为处理信息的模拟电路、状态机和/或用于电子地处理信息的其它机构。在一些实施方式中,处理器可以包括多个处理单元。这些处理单元可以物理上位于同一设备内,或者处理器可以表示协同操作的多个设备的处理功能。处理器可以被编程为执行计算机程序指令以执行在本文中所描述的子系统112-118或其他子系统的功能。处理器可以被编程为通过软件;硬件;固件;软件、硬件或固件的某种组合;和/或用于配置处理器上的处理能力的其他机构来执行计算机程序指令。
应意识到,由本文中所描述的不同子系统112-118提供的功能的描述用于说明性目的,而不旨在是限制性的,因为子系统112-118中的任何一个可以提供比所描述的功能更多或更少的功能。例如,子系统112-118中的一个或多个可以被删除,并且某些或全部其功能可以由子系统112-118中的其他子系统提供。作为另一范例,额外的子系统可以被编程为执行在本文中归于子系统112-118之一的功能中的一些或全部。
尽管已经基于目前被认为是最实用和优选的实施方式出于说明性目的详细描述了本发明,但是应理解,这样的细节仅仅是为了该目的,并且本发明不限于所公开的实施方式,而是相反,旨在覆盖在权利要求的范围内的修改和等同布置。例如,应当理解,本发明设想在可能的范围内,任何实施方式的一个或多个特征可以与任何其他实施方式的一个或多个特征组合。
Claims (49)
1.一种用于基于个体特异性预测模型来促进对个体的健康监测的系统,所述系统包括:
计算机系统,其包括被编程有计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时使所述计算机系统:
获得用于健康监测的预测模型;
获得与个体相关联的健康信息,其中,所述健康信息指示所述个体的健康状况的共现;
基于所述预测模型和共现指示来生成与所述个体相关联的个体特异性预测模型;
获得与所述个体相关联的随后的健康信息,其中,所述随后的健康信息指示以下中的一项或多项:(i)在所述健康状况的所述共现之后观察到的所述个体的随后的测量结果,或者(ii)在所述健康状况的所述共现之后观察到的所述个体的随后的健康状况;
基于所述个体特异性预测模型和所述随后的健康信息来预测所述个体的健康状态。
2.根据权利要求1所述的系统,还包括:
一个或多个远程健康监测设备,所述一个或多个远程健康监测设备中的每个包括被编程为收集健康相关传感器数据的一个或多个传感器以及被编程有计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时使所述远程健康监测设备:
基于所述传感器来获得所述个体的所述随后的测量结果中的至少一个随后的测量结果;
基于所述至少一个随后的测量结果来确定所述个体的所述随后的健康状况中的至少一个随后的健康状况;并且
向所述计算机系统提供关于所述至少一个健康状况的信息,
其中,所述计算机系统通过从所述远程健康监测设备获得关于所述至少一个健康状况的所述信息来获得所述随后的健康信息。
3.根据权利要求2所述的系统,其中,还使所述计算机系统:
向所述远程健康监测设备中的至少一个远程健康监测设备提供关于所预测的健康状态的通知。
4.根据权利要求1所述的系统,还包括:
一个或多个远程健康监测设备,所述一个或多个远程健康监测设备中的每个包括被编程为收集健康相关传感器数据的一个或多个传感器以及被编程有计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时使所述远程健康监测设备:
基于所述传感器来获得所述个体的所述随后的测量结果中的至少一个随后的测量结果;并且
向所述计算机系统提供关于所述至少一个随后的测量结果的信息,
其中,所述计算机系统通过从所述远程健康监测设备获得关于所述至少一个随后的测量结果的所述信息来获得所述随后的健康信息。
5.根据权利要求4所述的系统,其中,还使所述计算机系统:
向所述远程健康监测设备中的至少一个远程健康监测设备提供关于所预测的健康状态的通知。
6.根据权利要求1所述的系统,其中,所述计算机系统通过以下操作来生成与所述个体相关联的所述个体特异性预测模型:
基于所述共现指示来将所述预测模型修改为包括一个或多个参数,
其中,所述个体特异性预测模型包括以下中的一项或多项:未修改的预测模型的参数的修改版本或者未被包括在所述未修改的预测模型中的参数。
7.根据权利要求6所述的系统,其中,所述预测模型包括具有与器官或组织相关联的多个节点的图形,并且所述个体的所述健康状况包括与关于第二器官或组织的第二健康状况共现的关于第一器官或组织的第一健康状况,并且其中,所述计算机系统通过以下操作来修改所述预测模型:
选择所述预测模型的要修改的第一节点,其中,所述第一节点与所述第一器官或组织相关联,并且其中,所预测的健康状态包括关于所述第二器官或组织的预测;并且
基于以下中的一项或多项来修改选定的第一节点:(i)所述个体的所述第一健康状况;或者(ii)所述第一健康状况根据其被确定的所述个体的测量结果,
其中,所述个体特异性预测模型包括经修改的第一节点。
8.根据权利要求7所述的系统,其中,所述第一器官或组织是第一器官,并且所述第二器官或组织是第二器官。
9.根据权利要求7所述的系统,其中,所述第一器官或组织是第一组织,并且所述第二器官或组织是第二组织。
10.根据权利要求7所述的系统,其中,所述第一器官或组织是组织,并且所述第二器官或组织是器官,或者其中,所述第一器官或组织是所述器官,并且所述第二器官或组织是所述组织。
11.根据权利要求1所述的系统,其中,所述健康信息指示所述个体的测量结果的集合或所述个体的健康状况的集合,并且其中,还使所述计算机系统:
获得与所述个体相关联的评分信息,其中,所述评分信息指示针对由所述健康信息指示的测量结果的所述集合中的每个集合或健康状况的所述集合中的每个集合的评分,
其中,所述计算机系统通过将所指示的评分中的第一评分与测量结果的第一子集或健康状况的第一子集进行关联来生成所述个体特异性预测模型,测量结果的所述第一子集或健康状况的所述第一子集与测量结果的所述集合中的第一集合或健康状况的所述集合中的第一集合有关,
其中,测量结果的所述第一集合包括多种类型的测量结果或健康状况,并且其中,测量结果的所述第一子集包括比所述第一集合的测量结果或健康状况的类型的数量少的测量结果或健康状况的类型,并且
其中,所述随后的测量结果或所述随后的健康状况包括比所述第一集合的测量结果或健康状况的类型的数量少的测量结果或健康状况的类型,并且其中,所述第一评分被用于预测所述个体的所述健康状态。
12.根据权利要求11所述的系统,其中,测量结果的所述集合中的每个集合或健康状况的所述集合中的每个集合与关于由所述个体经受的病态事件的评分相关联,并且
其中,预测所述个体的所述健康状态包括使用所述第一评分来预测所述个体将重新经受所述病态事件的可能性。
13.根据权利要求1所述的系统,其中,所述健康状态预测包括所述个体将经受或重新经受病态事件的可能性的预测。
14.根据权利要求13所述的系统,其中,所述病态事件包括以下中的一项或多项:心力衰竭、肾衰竭、肝衰竭、呼吸衰竭、短暂性脑缺血发作或者中风。
15.根据权利要求1所述的系统,其中,所述健康状态包括所述个体的慢性疾病的状态的变化的预测。
16.根据权利要求15所述的系统,其中,状态的变化包括以下中的一项或多项:关于所述慢性疾病的恶化或者关于所述慢性疾病的改进。
17.根据权利要求1所述的系统,其中,所述个体的共现健康状况包括所述个体中共现的两个或更多个疾病,所述个体特异性预测模型与预测关于共现疾病中的一个疾病的状态有关,并且所述个体特异性预测模型的一个或多个参数基于所述共现疾病中的至少另一个疾病的存在被配置,并且
其中,所述计算机系统通过基于所述个体特异性预测模型的配置参数和所述随后的健康信息预测所述共现疾病中的所述一个疾病的所述状态来预测所述个体的所述健康状态。
18.根据权利要求17所述的系统,其中,所述共现疾病具有彼此共有的一个或多个症状。
19.根据权利要求1所述的系统,其中,所述个体的共现健康状况包括所述个体中共现的两个或更多个正常群体变体,所述个体特异性预测模型与预测关于共现正常群体变体中的一个正常群体变体的状态有关,并且所述个体特异性预测模型的一个或多个参数基于所述共现正常群体变体中的至少另一个正常群体变体的存在被配置,并且
其中,所述计算机系统通过基于所述个体特异性预测模型的配置参数和所述随后的健康信息预测所述共现正常群体变体中的所述一个正常群体变体的所述状态来预测所述个体的所述健康状态。
20.根据权利要求19所述的系统,其中,所述共现正常群体变体具有彼此共有的一个或多个症状。
21.根据权利要求1所述的系统,其中,所述预测模型包括贝叶斯模型,并且所述个体特异性预测模型包括与所述个体相关联的个体特异性贝叶斯模型。
22.一种基于个体特异性预测模型来促进对个体的健康监测的方法,所述方法由计算机系统实施,所述计算机系统包括运行计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时执行所述方法,所述方法包括:
通过所述计算机系统来获得用于健康监测的预测模型;
通过所述计算机系统来获得与个体相关联的健康信息,其中,所述健康信息指示所述个体的健康状况的共现;
通过所述计算机系统基于所述预测模型和共现指示来生成与所述个体相关联的个体特异性预测模型;
通过所述计算机系统来获得与所述个体相关联的随后的健康信息,其中,所述随后的健康信息指示以下中的一项或多项:(i)在所述健康状况的所述共现之后观察到的所述个体的随后的测量结果,或者(ii)在所述健康状况的所述共现之后观察到的所述个体的随后的健康状况;并且
通过所述计算机系统基于所述个体特异性预测模型和所述随后的健康信息来预测所述个体的健康状态。
23.根据权利要求22所述的方法,其中,所述随后的健康信息通过以下操作来获得:
通过所述计算机系统从包括一个或多个传感器的一个或多个远程健康监测设备获得由所述传感器观察到的所述个体的所述随后的测量结果中的至少一个随后的测量结果;并且
通过计算机系统基于来自所述远程健康监测设备的所述至少一个随后的测量结果来确定所述个体的所述随后的健康状况中的至少一个随后的健康状况。
24.根据权利要求22所述的方法,其中,所述随后的健康信息通过以下操作来获得:
通过所述计算机系统从包括一个或多个传感器的一个或多个远程健康监测设备获得所述个体的所述随后的健康状况中的至少一个随后的健康状况。
25.根据权利要求22所述的方法,其中,与所述个体相关联的所述个体特异性预测模型通过以下操作来生成:
通过所述计算机系统基于所述共现指示将所述预测模型修改为包括一个或多个参数,
其中,所述个体特异性预测模型包括以下中的一项或多项:未修改的预测模型的参数的修改版本或者未被包括在所述未修改的预测模型中的参数。
26.根据权利要求25所述的方法,其中,所述预测模型包括具有与器官或组织相关联的多个节点的图形,并且所述个体的所述健康状况包括与关于第二器官或组织的第二健康状况共现的关于第一器官或组织的第一健康状况,并且其中,所述预测模型通过以下操作来修改:
通过所述计算机系统来选择所述预测模型的要修改的第一节点,其中,所述第一节点与所述第一器官或组织相关联,并且其中,所预测的健康状态包括关于所述第二器官或组织的预测;并且
通过所述计算机系统基于以下中的一项或多项来修改选定的第一节点:(i)所述个体的所述第一健康状况;或者(ii)所述第一健康状况根据其被确定的所述个体的测量结果,
其中,所述个体特异性预测模型包括经修改的第一节点。
27.根据权利要求22所述的方法,其中,所述健康信息指示所述个体的测量结果的集合,所述方法还包括:
通过所述计算机系统来获得与所述个体相关联的评分信息,其中,所述评分信息指示针对由所述健康信息指示的测量结果的所述集合中的每个集合或健康状况的集合中的每个集合的评分,
其中,所述计算机系统通过将所指示的评分中的第一评分与测量结果的第一子集或健康状况的第一子集进行关联来生成所述个体特异性预测模型,测量结果的所述第一子集或健康状况的所述第一子集与测量结果的所述集合中的第一集合或健康状况的所述集合中的第一集合有关,
其中,测量结果的所述第一集合包括多种类型的测量结果或健康状况,并且其中,测量结果的所述第一子集包括比所述第一集合的测量结果或健康状况的类型的数量少的测量结果或健康状况的类型,并且
其中,所述随后的测量结果或所述随后的健康状况包括比所述第一集合的测量结果或健康状况的类型的数量少的测量结果或健康状况的类型,并且其中,所述第一评分被用于预测所述个体的所述健康状态。
28.一种用于促进对个体的健康监测的系统,所述系统包括:
计算机系统,其包括被编程有计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时使所述计算机系统:
获得包括与器官或组织相关联的多个节点的预测模型,其中,所述节点包括与第一器官或组织相关联的第一节点和与第二器官或组织相关联的第二节点;
获得与个体相关联的健康信息;
基于所述健康信息和与所述第一器官或组织相关联的所述第一节点的参数来预测所述个体的所述第一器官或组织的状态;并且
基于所述第一器官或组织的所预测的状态和与所述第二器官或组织相关联的所述第二节点的参数来预测所述第二器官或组织的状态。
29.根据权利要求28所述的系统,其中,所述第一器官或组织是第一器官,并且所述第二器官或组织是第二器官。
30.根据权利要求28所述的系统,其中,所述第一器官或组织是第一组织,并且所述第二器官或组织是第二组织。
31.根据权利要求28所述的系统,其中,所述第一器官或组织是组织,并且所述第二器官或组织是器官,或者其中,所述第一器官或组织是所述器官,并且所述第二器官或组织是所述组织。
32.根据权利要求28所述的系统,其中,所述健康信息包括以下中的一项或多项:所述个体的测量结果或者所述个体的健康状况。
33.根据权利要求28所述的系统,还包括一个或多个远程健康监测设备,所述一个或多个远程健康监测设备中的每个包括被编程为收集健康相关传感器数据的一个或多个传感器以及被编程有计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时使所述远程健康监测设备基于所述传感器来获得与个体相关联的所述健康信息,并且向所述计算机系统提供所述健康信息。
34.一种促进对个体的健康监测的方法,所述方法由计算机系统实施,所述计算机系统包括运行计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时执行所述方法,所述方法包括:
通过所述计算机系统来获得包括与器官或组织相关联的多个节点的预测模型,其中,所述节点包括与第一器官或组织相关联的第一节点和与第二器官或组织相关联的第二节点;
通过所述计算机系统来获得与个体相关联的健康信息;
通过所述计算机系统基于所述健康信息和与所述第一器官或组织相关联的所述第一节点的参数来预测所述个体的所述第一器官或组织的状态;并且
通过所述计算机系统基于所述第一器官或组织的所预测的状态和与所述第二器官或组织相关联的所述第二节点的参数来预测所述第二器官或组织的状态。
35.根据权利要求34所述的方法,其中,所述第一器官或组织是第一器官,并且所述第二器官或组织是第二器官。
36.根据权利要求34所述的方法,其中,所述第一器官或组织是第一组织,并且所述第二器官或组织是第二组织。
37.根据权利要求34所述的方法,其中,所述第一器官或组织是组织,并且所述第二器官或组织是器官,或者其中,所述第一器官或组织是所述器官,并且所述第二器官或组织是所述组织。
38.根据权利要求34所述的方法,其中,所述健康信息包括以下中的一项或多项:所述个体的测量结果或者所述个体的健康状况。
39.一种用于促进对个体的健康监测的系统,所述系统包括:
计算机系统,其包括被编程有计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时使所述计算机系统:
获得包括与器官或组织相关联的多个节点的预测模型,其中,所述节点包括与第一器官或组织相关联的第一节点和与第二器官或组织相关联的第二节点;
获得与个体相关联的健康信息;
基于所述健康信息来修改与所述第一器官或组织相关联的所述第一节点;
基于经修改的第一节点来修改与所述第二器官或组织相关联的所述第二节点;并且
基于经修改的预测模型来提供关于所述第二器官或组织的所述个体的健康状态。
40.根据权利要求39所述的系统,其中,所述第一器官或组织是第一器官,并且所述第二器官或组织是第二器官。
41.根据权利要求39所述的系统,其中,所述第一器官或组织是第一组织,并且所述第二器官或组织是第二组织。
42.根据权利要求39所述的系统,其中,所述第一器官或组织是组织,并且所述第二器官或组织是器官,或者其中,所述第一器官或组织是所述器官,并且所述第二器官或组织是所述组织。
43.根据权利要求39所述的系统,其中,所述健康信息包括以下中的一项或多项:所述个体的测量结果或所述个体的健康状况。
44.根据权利要求39所述的系统,还包括一个或多个远程健康监测设备,所述一个或多个远程健康监测设备中的每个包括被编程为收集健康相关传感器数据的一个或多个传感器以及被编程有计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时使所述远程健康监测设备基于所述传感器来获得与个体相关联的所述健康信息,并且向所述计算机系统提供所述健康信息。
45.一种促进对个体的健康监测的方法,所述方法由计算机系统实施,所述计算机系统包括运行计算机程序指令的一个或多个物理处理器,所述计算机程序指令当被运行时执行所述方法,所述方法包括:
通过所述计算机系统来获得包括与器官或组织相关联的多个节点的预测模型,其中,所述节点包括与第一器官或组织相关联的第一节点和与第二器官或组织相关联的第二节点;
通过所述计算机系统来获得与个体相关联的健康信息;
通过所述计算机系统基于所述健康信息来修改与所述第一器官或组织相关联的所述第一节点;
通过所述计算机系统基于经修改的第一节点来修改与所述第二器官或组织相关联的所述第二节点;并且
通过所述计算机系统基于经修改的预测模型来提供关于所述第二器官或组织的所述个体的健康状态。
46.根据权利要求45所述的方法,其中,所述第一器官或组织是第一器官,并且所述第二器官或组织是第二器官。
47.根据权利要求45所述的方法,其中,所述第一器官或组织是第一组织,并且所述第二器官或组织是第二组织。
48.根据权利要求45所述的方法,其中,所述第一器官或组织是组织,并且所述第二器官或组织是器官,或者其中,所述第一器官或组织是所述器官,并且所述第二器官或组织是所述组织。
49.根据权利要求45所述的方法,其中,所述健康信息包括以下中的一项或多项:所述个体的测量结果或者所述个体的健康状况。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562257290P | 2015-11-19 | 2015-11-19 | |
US62/257,290 | 2015-11-19 | ||
PCT/IB2016/056673 WO2017085583A1 (en) | 2015-11-19 | 2016-11-07 | System and method for facilitating health monitoring based on a personalized prediction model |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108475543A true CN108475543A (zh) | 2018-08-31 |
Family
ID=57442753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680079187.6A Pending CN108475543A (zh) | 2015-11-19 | 2016-11-07 | 用于基于个性化预测模型来促进健康监测的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20170147773A1 (zh) |
EP (1) | EP3377997A1 (zh) |
JP (1) | JP2018534697A (zh) |
CN (1) | CN108475543A (zh) |
WO (1) | WO2017085583A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110151182A (zh) * | 2019-04-04 | 2019-08-23 | 深圳创达云睿智能科技有限公司 | 一种呼吸暂停类型识别方法及设备 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111970977B (zh) * | 2018-03-26 | 2024-04-16 | 泰尔茂株式会社 | 诊断支援系统、诊断支援方法以及记录介质 |
EP3591663A1 (en) * | 2018-07-06 | 2020-01-08 | Koninklijke Philips N.V. | Computer aided diagnosis and monitoring of heart failure patients |
WO2021221073A1 (ja) * | 2020-05-01 | 2021-11-04 | テルモ株式会社 | 症状記録装置、システム、及び症状記録方法 |
USD1014517S1 (en) | 2021-05-05 | 2024-02-13 | Fisher & Paykel Healthcare Limited | Display screen or portion thereof with graphical user interface |
JP2023050721A (ja) * | 2021-09-30 | 2023-04-11 | 日本光電工業株式会社 | 水分出納管理システム、推論装置、学習済みモデル生成装置、学習済みモデル生成方法、およびコンピュータプログラム |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110301441A1 (en) * | 2007-01-05 | 2011-12-08 | Myskin, Inc. | Analytic methods of tissue evaluation |
JP2013238970A (ja) * | 2012-05-14 | 2013-11-28 | Secom Co Ltd | 健康管理システム |
WO2014036173A1 (en) * | 2012-08-28 | 2014-03-06 | The Regents Of The University Of California | Methods and systems for calculating and using statistical models to predict medical events |
US20140184422A1 (en) * | 2012-12-31 | 2014-07-03 | Dexcom, Inc. | Remote monitoring of analyte measurements |
US20140207018A1 (en) * | 2011-03-11 | 2014-07-24 | Ronald J. Weinstock | System for diagnosing and treatment of pancreas, other tissues and organs and other medical conditions |
WO2014141247A1 (en) * | 2013-03-11 | 2014-09-18 | Tylerton International Holdings Inc. | Modeling the autonomous nervous system and uses thereof |
US20150157273A1 (en) * | 2013-12-06 | 2015-06-11 | Cardiac Pacemakers, Inc. | Heart failure event prediction using classifier fusion |
WO2015132903A1 (ja) * | 2014-03-05 | 2015-09-11 | 株式会社日立製作所 | 医療データ分析システム、医療データ分析方法及び記憶媒体 |
US20160103971A1 (en) * | 2010-07-20 | 2016-04-14 | Applied Minds, Llc | Multi-scale complex systems transdisciplinary analysis of response to therapy |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000271091A (ja) * | 1999-03-25 | 2000-10-03 | Matsushita Electric Works Ltd | 健康管理システム |
US7761309B2 (en) * | 2002-03-22 | 2010-07-20 | Thinksharp, Inc. | Method and system of mass and multiple casualty triage |
JP4289869B2 (ja) * | 2002-11-06 | 2009-07-01 | シスメックス株式会社 | 糖尿病診断支援システム |
JP2005328924A (ja) * | 2004-05-18 | 2005-12-02 | Toyama Univ | 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム |
WO2014055718A1 (en) * | 2012-10-04 | 2014-04-10 | Aptima, Inc. | Clinical support systems and methods |
WO2014071226A1 (en) * | 2012-11-02 | 2014-05-08 | The Regents Of The University Of California | Methods and systems for determining a likelihood of adverse prostate cancer pathology |
US20190038148A1 (en) * | 2013-12-12 | 2019-02-07 | Alivecor, Inc. | Health with a mobile device |
-
2016
- 2016-11-07 CN CN201680079187.6A patent/CN108475543A/zh active Pending
- 2016-11-07 EP EP16804905.4A patent/EP3377997A1/en not_active Withdrawn
- 2016-11-07 JP JP2018525613A patent/JP2018534697A/ja active Pending
- 2016-11-07 WO PCT/IB2016/056673 patent/WO2017085583A1/en active Application Filing
- 2016-11-08 US US15/345,587 patent/US20170147773A1/en not_active Abandoned
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110301441A1 (en) * | 2007-01-05 | 2011-12-08 | Myskin, Inc. | Analytic methods of tissue evaluation |
US20160103971A1 (en) * | 2010-07-20 | 2016-04-14 | Applied Minds, Llc | Multi-scale complex systems transdisciplinary analysis of response to therapy |
US20140207018A1 (en) * | 2011-03-11 | 2014-07-24 | Ronald J. Weinstock | System for diagnosing and treatment of pancreas, other tissues and organs and other medical conditions |
JP2013238970A (ja) * | 2012-05-14 | 2013-11-28 | Secom Co Ltd | 健康管理システム |
WO2014036173A1 (en) * | 2012-08-28 | 2014-03-06 | The Regents Of The University Of California | Methods and systems for calculating and using statistical models to predict medical events |
US20140184422A1 (en) * | 2012-12-31 | 2014-07-03 | Dexcom, Inc. | Remote monitoring of analyte measurements |
WO2014141247A1 (en) * | 2013-03-11 | 2014-09-18 | Tylerton International Holdings Inc. | Modeling the autonomous nervous system and uses thereof |
US20150157273A1 (en) * | 2013-12-06 | 2015-06-11 | Cardiac Pacemakers, Inc. | Heart failure event prediction using classifier fusion |
WO2015132903A1 (ja) * | 2014-03-05 | 2015-09-11 | 株式会社日立製作所 | 医療データ分析システム、医療データ分析方法及び記憶媒体 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110151182A (zh) * | 2019-04-04 | 2019-08-23 | 深圳创达云睿智能科技有限公司 | 一种呼吸暂停类型识别方法及设备 |
CN110151182B (zh) * | 2019-04-04 | 2022-04-19 | 深圳创达云睿智能科技有限公司 | 一种呼吸暂停类型识别方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
JP2018534697A (ja) | 2018-11-22 |
WO2017085583A1 (en) | 2017-05-26 |
US20170147773A1 (en) | 2017-05-25 |
EP3377997A1 (en) | 2018-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108475543A (zh) | 用于基于个性化预测模型来促进健康监测的系统和方法 | |
US20210153945A1 (en) | Systems and methods for predicting coronary plaque vulnerability from patient specific anatomic image data | |
US20180301220A1 (en) | Wearable Sensor Packages and Health Score Analytics for Athletic Performance and Training | |
US20190380591A1 (en) | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology | |
US20230055828A1 (en) | Systems and methods for processing electronic images and updating based on sensor data | |
US11742062B1 (en) | Mobile algorithm-based vascular health evaluation processes | |
CN103201743A (zh) | 患者疾病严重性、死亡率和住院时长的连续预测方法 | |
JP2016520941A (ja) | 医療支援システム及び方法 | |
WO2021245203A1 (en) | Non-invasive cardiac health assessment system and method for training a model to estimate intracardiac pressure data | |
JP2018077873A (ja) | 信号ベースモニタリングからリスクベースモニタリングへ患者ケアを移行させるシステム及び方法 | |
CN108135489A (zh) | 将成像与生理监测结合的增强的急性护理管理 | |
Despins et al. | Using sensor signals in the early detection of heart failure: A case study | |
US20230079951A1 (en) | System for configuring patient monitoring | |
Yendri et al. | Application of Expert System with Smartphone-based Certainty Factor Method for Hypertension Risk Detection | |
EP4299001A1 (en) | Wearable device, system, and method for monitoring homeostatic state | |
US20230293019A1 (en) | Automatically generating protocols or reports based on sensor data from a mobile device | |
US20230293020A1 (en) | Mobile algorithm-based vascular health evaluation processes | |
US20230255498A1 (en) | Monitoring users with a mobile device while the users engage in activities | |
Sivakarthi et al. | An Effective Analysis to Reduce Hypertension with Adaptive Lifestyle | |
Kunhoth et al. | Commercial Non‐Invasive and Invasive Devices for Heart Failure Prediction: A Review | |
Ristow | Modeling changes in resting heart rate and its relationship to all-cause mortality in humans | |
O'Donnell | Predicting heart failure deterioration | |
RU2469638C1 (ru) | Способ прогнозирования вероятности развития острой аневризмы сердца | |
WO2023148145A1 (en) | System for forecasting a mental state of a subject and method | |
CN115699192A (zh) | 检查引导服务服务器和检查引导方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180831 |