CN109074871A - 用于分析临床数据特征生成患者群组的模式发现可视分析系统 - Google Patents

用于分析临床数据特征生成患者群组的模式发现可视分析系统 Download PDF

Info

Publication number
CN109074871A
CN109074871A CN201680063258.3A CN201680063258A CN109074871A CN 109074871 A CN109074871 A CN 109074871A CN 201680063258 A CN201680063258 A CN 201680063258A CN 109074871 A CN109074871 A CN 109074871A
Authority
CN
China
Prior art keywords
attribute
patient
value
node
visual analysis
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
CN201680063258.3A
Other languages
English (en)
Other versions
CN109074871B (zh
Inventor
T·M·陈
周子捷
N·R·罗特甘斯
N·劳特
J·C·格斯林克
J·M·德邦特
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN109074871A publication Critical patent/CN109074871A/zh
Application granted granted Critical
Publication of CN109074871B publication Critical patent/CN109074871B/zh
Active 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
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • G16B50/30—Data warehousing; Computing architectures
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Bioethics (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

在模式发现可视分析中，生成患者数据表(14)，所述患者数据表列出针对每个患者的属性集合的属性值。使用w属性(22)的属性值的预测模式(20)生成每个患者的目标属性的目标值的阳性或阴性预测。如果所述患者的所述w属性的至少阈值分数(26)与所述预测模式匹配，则所述预测是阳性的，否则为阴性。根据阳性预测或阴性预测和所述患者数据表中的目标属性T的实际值将患者分组到混淆矩阵(30)的选定部分。显示部件在针对所述w属性中的属性的每属性的基础上显示所述混淆矩阵的所述选定部分的患者统计数据的表示(42)。使用所述表示来识别患者群组(44)。

Description

用于分析临床数据特征生成患者群组的模式发现可视分析 系统
技术领域
以下总体涉及医学领域，肿瘤学领域，临床试验设计领域，临床诊断和监测领域以及相关领域。
背景技术
广泛的医疗信息系统在健康护理产业中被采用，范围从通用电子健康记录(EHR)系统或电子病历(EMR)系统到更专业的信息系统，例如心血管信息系统(CVIS)部署。这些信息系统以广泛的格式存储各种患者信息。所述信息可以包括，例如：人口统计学数据，例如，性别(具有“男性”或“女性”的值)、种族(具有各种名称)和以岁为单位的年龄；生命体征读数，例如，以搏动/分钟为单位的心率，以呼吸/分钟为单位的呼吸，以mmHg为单位的血压，以百分比值为单元的SpO2；以毫摩尔/升、毫克/升等为单位的血液检查结果；基因组数据；以长度、密度、时间或其他单位为单位的定量成像数据；等等。可以出于各种目而利用医学信息系统中的信息，例如识别临床试验或其他医学研究的潜在受试者，或者识别与正在进行临床处置的当前患者相似的患者以进行比较分析。这样的具有定义的相似性的患者的组通常被称为患者群组，并且对患者群组的适当选择是设计临床试验或者执行与当前临床患者的证明性比较的重要部分。
然而，现有的医疗信息系统难以针对识别合适的群组的目的进行导航。医学信息系统通常针对不同的目的构建，通常用于记录和保留个体患者记录。这些信息按患者索引，并且通常在每患者的基础上被检索。例如，出于临床目的，患者的医生可以检索患者的医疗信息，或者医院管理人员可以检索患者信息以用于医院房间分配，医疗保险帐单等等。这样的检索操作是针对特定患者的，并且为此目的，医生或管理人员可以手动“浏览”单个患者的医学记录的相对随意组织的患者信息。
另一方面，利用这种医疗信息系统来生成患者群组需要非常不同的分析。在这种情况下，可能需要分析数百、数千或更多的患者以识别有意义的群组。在许多情况下，与定义群组相关的患者信息可能并不明显。此外，对于诸如设计临床试验等的任务，针对群组选择的患者可能具有不完整的医疗信息，因为他们的处置正在“进行中”。例如，适合参与临床试验以研究新的癌症处置的肿瘤患者必须处于癌症处置的相对早期阶段，因为已经治愈的患者或正在接受或已经接受过与临床试验不相容的替代疗法的处置的患者或已死亡的患者不能参加。这意味着该试验的患者群组可能需要通过在癌症处置的早期阶段可获得的患者信息来识别。这限制了为临床试验选择患者群组可用的信息量。在选择患者群组以与当前处于处置的早期阶段的当前临床患者进行比较时会出现类似的问题。
以下公开了解决上述问题和其他问题的新的且改进的系统和方法。
发明内容
在一个公开的方面中，一种模式发现可视分析设备包括：患者信息数据库和包括显示部件的计算机。所述计算机被编程为执行包括以下步骤的方法：根据包含在患者信息数据库中的患者信息来生成患者数据表，所述患者信息数据库针对所述患者数据表的每个患者列出针对属性集合的属性值；针对所述患者数据表中的每个患者，用所述属性集合中的w属性的属性值的预测模式，生成针对所述属性集合中的目标属性T的目标值t的阳性预测或阴性预测，如果所述患者数据表中的所述患者的所述w属性的至少一个阈值分数(fraction)e与预测模式匹配，则针对所述患者的所述预测是阳性预测，并且否则为阴性预测；根据对所述目标属性T的所述目标值t的阳性预测或阴性预测以及所述患者数据表中所述目标属性T的实际值，将所述患者数据表中的患者分组到混淆矩阵的至少一个选定部分(proportion)，所述混淆矩阵包括真阳性部分、假阳性部分、真阴性部分和假阴性部分；并且在所述计算机的所述显示部件上在针对所述w属性中的属性的每属性的基础上显示所述混淆矩阵的所述选定部分的患者统计数据的表示。
在另一个公开的方面中，一种计算机实现的模式发现可视分析方法包括：针对群体中的每个患者，使用计算机生成针对目标属性T的目标值t的阳性预测或阴性预测，所述计算机被编程为将w属性的预测模式与所述患者的相应属性值进行比较；使用所述计算机，根据对所述目标属性T的所述目标值t的阳性预测或阴性预测以及所述患者的所述目标属性T的实际值，将所述群体中的患者分组到混淆矩阵的至少一个选定部分，所述混淆矩阵包括真阳性部分、假阳性部分、真阴性部分和假阴性部分；并且在所述计算机的所述显示部件上显示所述混淆矩阵的所述选定部分中具有由属性值节点表示的w属性中的属性的统计的表示，每个属性值节点表示所述选定部分中具有相应的属性值的患者分数。
在另一个公开的方面中，一种存储有指令的非瞬态存储介质，所述指令能够由具有显示部件的计算机运行以执行模式发现可视分析方法，所述方法包括：针对群体中的每个患者，通过将通过w属性参数化的模型应用到所述w属性的患者的属性值，来生成针对目标属性T的目标值t的阳性预测或阴性预测；根据对所述目标属性T的所述目标值t的阳性预测或阴性预测以及所述患者的所述目标属性T的实际值，将所述群体中的患者分组到混淆矩阵的至少一个选定部分，所述混淆矩阵包括真阳性部分、假阳性部分、真阴性部分和假阴性部分；并且在所述计算机的所述显示部件上显示所述w属性的有向图的至少一部分。在所述有向图中w属性以定义的序列排列，每个属性由表示属性值的属性值节点表示，所述属性值由患者属性假定，并且所述有向图的边包括流连接符，每个流连接符在定义的序列中的两个相邻属性之间延伸并且连接所述相邻的属性中的一个的属性值节点与所述相邻属性中的另一个的属性值节点。
一个优点在于提供了关于患者属性的视觉信息，该信息有助于用于预测患者结果或用于预测另一个晚期患者属性的预测模式。
另一个优点在于在临床阶段的时间序列的较大背景下提供了关于患者属性的视觉信息，其中，在各种不同的临床阶段生成(即变得可用)不同的患者属性值。
另一个优点在于提供用户接口以便于从医疗信息系统的患者中选择患者群组。
给定实施例可以不提供前述优点，提供前述优点中的一个、两个、更多或全部，和/或可以提供其它优点，对于本领域普通技术人员而言，在阅读和理解了本公开后，这将变得显而易见。
附图说明
本发明可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。附图仅出于图示优选的实施例的目的并且不应被解释为对本发明的限制。
图1图解地示出了用于分析临床数据的特征并生成患者群组的说明性模式发现分析设备。
图2-4图解地示出了针对由图1的设备生成的混淆矩阵的选定部分的患者统计的说明性有向图表示，其针对由图1的设备处理的预测模式的属性的逐属性的基础上示出。
图5图解地示出了使用图1的设备合适地执行的模式发现分析方法。
具体实施方式
本文中公开的模式发现可视分析技术利用了以下认识：在临床过程(或任何其他基于阶段的过程)中以时间方式逐渐获得个体患者(样本)的信息。例如，心脏病学中的经皮冠状动脉介入(PCI)流程根据时间导向的阶段逐步生成更多患者信息，始于在患者入院期间收集的历史和人口统计信息，通过流程前实验室测试生成的结果，然后是病变和设备的流程中测量，再后面是流程后实验室测试结果，出院状态和用药等等。根据选定的预测目标来识别满足特定定时间约束的准则的患者组(群组)对于高风险患者的早期介入以提高护理质量是有意义的。这样的患者群组选择对临床研究也有价值，例如选择患者参加临床试验。
参考图1，说明性模式发现可视分析设备包括计算机2，计算机2包括显示器部件4和至少一个用户输入设备6、8。显示部件4可以例如是LED显示设备，LCD显示设备等，并且在一些实施例中可以包括两个(或更多)这样的显示设备。说明性用户输入设备包括键盘6和鼠标8，但是预期额外的或其他用户输入设备，例如轨迹球、触控板、触敏显示器(与显示部件4集成)等等。说明性设备是一体式设备，例如台式计算机或笔记本计算机，其中，计算机的电子处理器(未示出)与所述显示部件4和所述(一个或多个)用户输入设备6、8集成或者邻近地接近其。在其它实施例中，电子处理器可以被远程地定位，例如，计算机可以是经由因特网和/或广域网(WAN)、局域网(LAN)与用户接口部件4、6、8连接的服务器计算机等等。
在本文的说明性示例中，心血管信息系统(CVIS)10被认为是说明性的患者信息数据库。然而，更一般地，所公开的模式发现可视分析技术可以与基本上任何类型的患者信息数据库结合使用，诸如通过进一步说明的方式的电子健康记录(EHR)系统或电子医疗记录(EMR)系统。在存储在CVIS 10中的典型的患者记录中，这些信息通常大量的存储，这是由于大量的心血管疾病患者的记录被存储在CVIS 10中。这些信息通常还以各种不同的原始格式存储，并具有各种不同的量化或单位。医师，临床试验设计师等在根据有意义的因素筛选通过该信息以检索患者群组时面临着困难的或不可能的任务。在许多情况下，这些有意义的因素不是事先知道的，或者被埋藏在数百个其他属性中，或者可能对于在早期处置阶段的患者(尚)不可用。
本文中公开的模式发现可视分析技术利用通过w属性集合(不失一般性)参数化的模型，通常以针对w属性的值的预测模式的形式出现，并且任选地还利用针对给定的临床处置的类型的临床阶段的已知时间序列以按定义的序列排列各种患者属性。在该方法中，每个患者属性被分配到通常生成属性值的临床阶段。因此，所定义的患者属性序列至少近似地对应于生成属性值的时间序列。这些“患者流量”有助于检测感兴趣患者的子组，即患者群组的识别。本文中公开的模式发现可视分析技术使用数据驱动和模型驱动(例如模式驱动)方法，在群组生成和分析中利用这样的患者流。可视分析使得能够根据时间导向的临床流中的特定子模式有效地发现和检索患者，从而显著提高生成针对临床研究和患者随访计划的可用群组的效率，从而提高护理质量。
所公开的模式发现可视分析技术采用基于模式的生成方法来将患者数据安排到不同的时间导向的阶段和群组(匹配/不匹配的组合组)中，其使得用户能够方便地选择和检索任何这些组。具有视觉和交互元素的时间(阶段)和模式组织方法使得用户能够有效且高效地识别患者子组的有意义的特征，包括但不限于它们与模式的匹配/不匹配，针对其他数据的分布和/或时间导向的阶段布置。
继续参考图1，存储在CVIS 10中的患者信息由患者属性合成器12预处理以生成患者数据表14(其可以物理地组织为多个表或其他合适的数据结构，例如在关系数据库中)，其包括分类/名义值。患者数据表14列出针对患者数据表14的每一个患者的属性集合的属性值。属性是适用于个体患者的可测量属性，并且每个属性适当地存储在患者数据表14中的一列中，其中，每个行表示一个患者(或一个患者记录)。根据所选择的数据结构，这些表行和列可以被交换，或者患者数据表14可以具有某种其他合适的数据结构，例如关系数据库。表1图示了合适的患者数据表格格式。在该说明性示例中，“ID”表示患者标识符，并且标题行的其余部分识别各种属性：“性别”、“PCI历史”、“血红蛋白”、“MI历史”(表示心肌梗塞史)、“CRP”(表示C反应蛋白实验室测试)以及“出血”。每个属性都可以假定针对该属性的一些允许属性值的某个集合内的值。例如，“性别”属性可以假设集合{男性，女性}中的值。在一些实施例中，患者属性合成器12将一些或全部患者属性转换为二元属性，对于所述二无属性，所述允许属性值的集合确切地具有两个可允许值。例如，在临床测试结果的数值的情况下，这样转换可以基于实验室测试的临床指南将测试值转换为“正常”或“异常”(其可以考虑诸如患者年龄、体重、性别、慢性病等)。这样的转换有利地方便了简化和更具临床意义的预测模式匹配；然而，也预期具有多于两个可能值的属性，或者具有连续值的属性，例如在范围(0,5)或(0,100％)内。应该理解的是，并非CVIS 10中包含的所有信息都可以被并入到患者数据表14中，并且此外，某些患者可能对于某些属性没有属性值(例如，如果没有对该患者执行相应的实验室测试)。类似地，可以从患者数据表14中省略CVIS 10中的一些患者；例如，如果模式发现可视分析的目的是为了生成用于妊娠研究的患者群组，则只有CVIS10中的女性患者可以被包括在患者数据表14中。其值在患者数据表14中列出的属性定义了模式发现可视分析设备可以在其上操作的属性集合。应该理解，尽管说明性表格1仅包括六个患者属性，但更典型地，根据患者信息数据库的内容生成的患者属性的数量要大得多；例如，在CVIS 10上操作的一些预期的实施例中，患者数据表14中的属性的数量预期为数百个属性的数量级，例如在一个示例中为200个属性。
表1-预处理的CVIS患者数据的说明性示例
ID 性别； PCI历史 血红蛋白 MI历史 CRP 出血
1 男 是 异常 否 异常 是
2 女 否 异常 否 异常 否
3 男 否 正常 是 正常 否
4 女 是 正常 否 正常 否
5 女 是 异常 否 异常 是
6 男 否 正常 否 正常 否
继续参考图1，在本文中公开的模式发现可视分析技术利用预测模型来预测属性集合中的属性T是否具有值t，即，预测是否T＝t。预测模型通过w属性来参数化，从而作为输入给出了针对w属性的属性值w，模型输出是否T＝t的预测。在说明性实施例中，预测模型是针对w属性22的属性值的预测模式20。预测模式20由预测引擎24应用以使用所述属性集合中的w属性22的属性值的所述预测模式20来生成患者数据表14中列出的属性集合中的目标属性T的目标值t的阳性预测或阴性预测。如果患者数据表中的患者的w属性22的至少阈值分数26(在本文中表示为阈值分数e)具有与预测模式20匹配的属性值，则针对给定患者的预测是阳性预测(T＝t)；否则预测是阴性预测(T≠t)。预期使阈值e＝1，在这种情况下，将需要患者的w属性值中的每一个与预测模式20中的该属性的值相匹配以输出阳性预测。在其他实施例中，e<1使得少于所有的属性必须匹配才能输出阳性预测(即输出预测T＝t)。使用来自表1的w＝3属性一个示例预测模式是：
PCI历史＝是AND血红蛋白＝异常AND CRP＝异常→出血＝是在该说明性的预测模式中，目标属性T是“出血”，并且目标值是“是”。所述w＝3输入属性分别为“PCI历史”、“血红蛋白”和“CRP”，其各匹配值“是”、“异常”和“异常”。在一个合适的实施例中，e＝2/3，使得如果患者的三个属性值中的至少两个与指定的匹配值相匹配，则患者匹配该模式。缺少的属性值可能以各种方式处理。在一种方法中，任何缺失的属性值都被假定为不匹配，并且阈值e任选地按缺少的属性值的数量m缩放，即，其中，(w-m)是可用属性的数量。
预测模式20可以从各种源获得，诸如从识别目标属性值t与各种其他患者属性之间的相关性的临床研究中获得，和/或基于目标属性T与其他患者属性之间的预期生理关系的第一原理分析。如本文所公开的，模式发现可视分析设备可以任选地用于调整预测模式，例如通过移除区分性较小的属性，改变属性的匹配值和/或向模式添加新的属性进行测试。
继续参考图1，预测模式20由预测引擎24应用以产生针对患者数据表14中的患者是否T＝t的预测。此外，患者数据表14列出了在患者数据表14中列出的患者的所述属性T的实际值。因此，足够的信息可用于生成混淆矩阵30作为具有四个患者组(在本文中也被称为四个“部分”)的2×2矩阵：真阳性(TP)患者组或部分，对于其，预测模式20预测T＝t并且针对患者数据表14中的属性T，患者实际具有值t；真阴性(TN)患者组或部分，对于其，预测模式20预测T≠t并且针对患者数据表14中的属性T，患者实际具有不同于t的属性值；假阳性(FP)患者组或部分，对于其，预测模式20预测T＝t但是针对患者数据表14中的属性T，患者实际具有不同于t的属性值；以及假阴性(FN)患者组或部分，对于其，预测模式20预测T≠t，但是针对患者数据表14中的属性T，患者实际具有值t；在这种分组方法中，TP和TN部分分别是阳性和阴性情况下的正确模式预测。另一方面，FP和FN是不正确的模式预测。
如所示，返回参考表1的说明性患者数据表并使用之前的预测模式对于T＝t为“出血”＝“是”，其中，e＝2/3，表2示出了w＝3属性以及每个患者是否匹配，以及由此产生的“出血”预测，表1中列出的实际“出血”属性值，并且最右侧列中是部分。
表2-“出血”＝“是”的预测
本文中描述的说明性模式发现可视分析示例按部分运行，例如TP部分。在这种情况下，只有针对可视分析处理选择的部分必须进行分组，但是也可以任选地将其他三个部分分组，以便在需要时在部分之间切换。
继续参考图1并进一步参考图2，视觉用户接口40在计算机2的显示部件4上针对w属性中的属性在每属性的基础上显示混淆矩阵30的选定部分的患者统计数据的表示42。图2图示了说明性表示42的放大视图，其包括目标预测模式20的w属性的有向图的一部分。在该表示42中，w属性按照定义的序列排序。在一些实施方案中，定义的序列表示临床阶段的时间序列(说明性表示42中的“阶段1”和“阶段2”)，其中，一个或多个属性分配给每个临床阶段，使得分配到临床阶段的每个属性的属性值在临床阶段期间生成。说明性表示42是针对真阳性(TP)部分，并且有向图终止于结果T＝t。在有向图中，每个属性由一个或多个属性值节点表示，每个属性值节点表示混淆矩阵30的选定部分中具有相应的属性值的患者分数，并且有向图的边由流连接线表示，每条流连接线的在所定义的序列中的两个相邻属性之间延伸，并且将相邻属性中的一个的的属性值节点与相邻属性中的另一个的属性值节点相连接。每条流连接线的宽度(或其他图形表示，例如暗度或亮度)表示混淆矩阵30的具有由流连接线连接的各个属性值节点表示的两个属性值的选定部分的患者分数。
用户输入设备6、8可以由用户用于选择有向图的节点或流连接线，例如通过使用鼠标8点击它以控制屏幕上的鼠标指针，或使用键盘6的“tab”键通过在不同的节点和流连接线之间进行切换并且在期望的节点或流连接线被突出显示时按下“回车”键。响应于该选择，显示关于患者群组44的信息。患者群组44被定义为混淆矩阵30的所述选定部分的由用户选择的节点或流连接线表示的患者分数。以类似的方式，用户可以选择所显示的有向图的两个或更多个节点，并且然后将患者群组44定义为混淆矩阵30的所述选定部分中由所选择的两个或更多个节点表示的患者的组合分数。如果选择流连接线，则对应于流连接线的群组44是由相邻属性的联合统计定义的患者组，例如具有流连接线起始处的属性值节点的属性值节点的和流连接线末端处的的属性值节点的属性值两者的患者分数。应该理解，可以使用各种类型的统计来表示患者分数，例如分数、百分比、总计数等等。
继续参考图2，描述了一些说明性的有向图可视化。在混淆矩阵30的特定预测部分上，患者流是根据发现的模式的时间(阶段)导向的患者属性值路径。根据临床分析任务，属性被预先定义或配置，以使它们属于不同的时间阶段。例如，PCI患者的临床工作流可以被分为6个阶段，包括手术前和手术后阶段。对于其他疾病，临床工作流将与此处的示例不同。模式发现可视分析设备提供了属性编辑工具(未示出)，用户可以经由该工具编辑特定临床任务的临床阶段的数量/排序，并将患者属性分配到临床阶段。为了生成患者流，计算所有针对可视化所选的部分的独特属性值组合，并将相应的记录进行分组和排列，用户可以选择两个时间排序属性之间的任何连接来生成群组患者44，所述群组患者44之内包括患者。
使用以下标记。预测目标是T＝t，其中，T是目标属性并且t是目标属性值。定义临床阶段的时间序列S＝{s1,s2,…,sk}，其中，k是临床阶段的数量。每个临床阶段都有分配给它的一个或多个属性，其中，阳性预测模式20的所有w属性22被分配给临床阶段。w属性被表示为A1，...，Aw，其中，这是有序的序列。节点的属性值Ai被表示为ai1，ai2等等。二元属性只有两个允许值，即二元属性Ai只能假定记为ai1的第一个值或记为ai2的第二值。
在图2中，使用以下标记。对于表示属性A1的值a11的属性值节点，属性值节点被标记为(A1＝)a11。表示属性A1的值a12的属性值节点被标记(A1＝)a12。表示属性A1的值a13的属性值节点被标记(A1＝)a13。表示属性A2的值a21的属性值节点被标记(A2＝)a21。表示属性A2的值a22的属性值节点被标记(A2＝)a22。表示属性A2的值a23的(空)属性值节点a23(其不由选定部分的任何患者表示)被标记为(A2＝)a23。表示属性A3的值a31的属性值节点的被标记为(A3＝)a31。最后，表示属性A3的值a32的属性值节点的被标记(A3＝)a32。在图2中，流连接线被标记为流连接线46(并非所有的流连接线都被如此标记以避免附图的过度混乱)。
如果临床阶段被分配有两个或更多属性，则阶段内这些属性的排序可以任意选择以产生定义的序列。这反映了通常情况下，实验室测试或生成患者属性的其他活动通常安排在临床阶段而没有特定的序列，例如基于所需装备和人员的可用性。在有向图中，流从较早的临床阶段到较晚的临床阶段，并且在说明性的图2中，终止于表示预测T＝t的终端节点。由于图2表示预测模式20预测的真阳性部分T＝t，在该说明性示例中，所有患者都属于该最终节点T＝t。每个属性值节点存储具有该属性的对应的属性值的所选部分的患者的统计(即患者分数)。在二元属性的情况下，确切地有两个属性值节点，例如，对于有可能的值“正常”或“异常”的属性Ai的实验室测试结果，具有针对Ai＝正常一个属性节点值和针对Ai＝异常的另一个属性节点。
在一些实施例中，所述有向图的所述属性值节点关于相应的属性值是否与所述预测模式匹配而被颜色编码。在说明性的图2中，这通过使用斜阴影(例如对应于绿色)来示意性地指示，以指示与匹配预测模式20的属性值相对应的属性值节点，并且使用垂直阴影(例如，对应于红色)来指示与不匹配预测模式20的自属性值相对就的属性值节点。缺少的属性值被图解地示出为不带阴影，例如可能表示黯淡的颜色。在图2的说明性有向图中，没有任何流动的节点(A3＝a23)被示出为没有阴影，但是任选地可以完全省略。也可以任选地显示/隐藏百分比值。
与流连接线相对应的患者分数是具有在流连接线的开始和结束处的两个属性值的患者群组。当悬停时，患者分数可以与边一起显示，并且变得可点击以供用户检索相应的患者群组。流连接线可以使用与起始和结束属性值节点相同的颜色着色，并且当两个连接的属性值节点具有不同的颜色时具有适当的颜色阴影或颜色过渡。
在这种方法中，用户可以识别具有有意义特征的特殊流用于临床研究或随访以提高护理质量。用户可以点击任何流连接线来研究相应的患者。
在另一个实施例中，用户还可以选择多个属性值节点，并且然后可以根据检索生成患者群组。两个选定属性值节点的群组是具有各个属性的两个属性值的患者的集合。更一般地说，两个或多个选定属性值节点的群组是属于所有选定节点的患者分数的交集。(请注意，如果选择了同一属性的两个属性值节点，则该群体是空的，因为患者对于给定属性始终具有单个属性值)。
在图2的说明性实例中并且考虑表1，其中A1＝PCI历史，A2＝CRP并且A3＝血红蛋白，“阶段1”临床阶段具有两个指定的属性：PCI历史和CRP，而“阶段2”临床阶段有一个指定的属性：血红蛋白。在这个例子中，患者流根据以下路径：阶段1→阶段2→目标(出血)。时间排序的属性是PCI历史/CRP/血红蛋白。在同一临床阶段内没有区分属性序列的依据(例如，在本例中，属于第1阶段的属性PCI历史和CRP)，因此在阶段1中选择PCI→CRP的任意排序。通过这个时间序列，可以生成患者流。
对于表1的说明性六位患者，在TP部分(模式匹配＝阳性，实际出血＝是)下，根据数据仅有一种独特组合：针对PCI历史/CRP/血红蛋白为/异常/异常，患者ID＝1和ID＝5。这两个患者流通过PCI历史＝是，CRP＝异常，并且然后血红蛋白到终点目标出血＝是。
另一方面，在TN部分中(模式不匹配＝阴性，实际出血＝否)，有2条路径：否/正常/正常(ID 3,6)以及是/正常/正常(ID 4)。这些路径用于生成图(或图示的实施例)，使得用户可以例如从PCI历史＝否→CRP＝阶段1中正常(其中，目标出血＝否)中容易地选择患者。
总结完整模式的所有路径，可以具有所有完整长度群组的患者群体察看，用于综合群组研究目的。对于模式中与所有属性的特定属性-值组合的每条唯一路径，生成患者群组，并示出其统计信息(例如个案数量，匹配百分比和特定的不匹配属性值)，以使得用户能够分析特征(沿着阶段的时间线)用于群组选择。用户可以选择这样的群组并且链接到患者信息数据库10以采取进一步的行动。在另一个实施例中，用户也可以选择多个完整群组。
参考图3和4，并且再次使用用于PCI任务的配置，将所有属性和类别映射到临床阶段的非交叠序列有序集合。在患者流中，属性根据阶段序列进行分组，例如阶段1＝入院；阶段2＝第一诊断，等等。属于同一阶段的属性，因此没有序列信息，可以任意排序。根据混淆矩阵30的选定部分，患者如何通过不同阶段到终点以及预测目标值，由图3和4的有向图表示(其中，图3示出了有向图最左边的部分并且图4示出了有向图的最右部分，滑动使用水平滚动条50来完成)。
有向图的每一列代表一个属性，其中，属性的属性值节点垂直地堆叠。在该例中，属性节点被示为按照它们的患者分数按部分定尺寸的框。底部标有“？”的框示出缺少属性值的部分。尽管未示出，但是可以根据属性值是否与预测模式20匹配来对框(属性值节点)进行颜色编码。例如，匹配的属性值可以被着色为绿色，而不匹配的属性值可以被着色为红色。表示属性缺失的患者的任选节点(即，特定患者没有针对该属性的值)被着色，例如以灰色。在此颜色方案中，按照阶段序列从一个框(属性值节点)流向另一个框的流连接线的着色如下：匹配→匹配：绿色；不匹配→不匹配：红色；不匹配→匹配：红色过渡到绿色；或匹配→不匹配：绿色过渡到红色。延伸到到或来自具有“？”的框的任何流连接线(缺失)被忽略或被着色为灰色。此外，这仅仅是说明性的配色方案，并且可以采用其他配色方案，和/或可以采用其他图形编码，诸如不同类型的阴影线或阴影。
在显示的有向图中，患者计数和与特定属性值节点或流连接线相关联的信息可以通过将鼠标指针悬停在节点或流连接线上和/或通过使用说明性鼠标8或触摸屏或其他用户输入设备点击节点或流连接线，来实现弹出窗口等。此信息适针对节点或流连接线所表示的群组。可以从患者数据表14或从CVIS 10自身中检索组群中的患者的更具体的患者信息。
还预预期提供额外的分析视图，例如混淆矩阵30的一部分的所有患者的表格视图，其具有对应于患者的表格行，对应于属性的表格列以及包含患者/属性表格坐标的属性值与的表格单元，其中，表格单元如刚描述地被颜色编码以指示每个是否匹配预测模式20。在这样的视图中，可以将具有相同属性值的患者组合成标记为“群组”的单个表格行，其可以被鼠标点击或以其他方式选择以扩展“群组”列以显示属于该群组的患者列表。
参照图5，描述了使用图1的模式发现可视分析设备适当地执行的说明性模式发现可视分析方法。在操作70中，患者属性合成器12例如通过将实验室结果转换成二进制正常/异常值或其他数据预处理来生成患者数据表14。例如，操作70可以通过合适的数据挖掘算法来执行，该数据挖掘算法从CVIS 10中提取相关的患者属性。详细的预处理取决于源患者信息如何存储在CVIS 10中并且取决于属性值的选择。如前所述，在一些实施例中，所有属性被转换成二元属性，其优点包括将有向图中每个属性的属性值节点的数量减少到两个(或者如果显示缺失值节点，则减少三个)。这样的转换还可以产生临床医生容易解释的属性值(例如，“正常”或“异常”比一些定量测试结果值更容易解释)，并且简化了预测模式20的计算实现。然而，也可以设想一个属性能够假定三个或更多(非缺失)值。一个非二元的示例是图2的属性A1，其可以假定集合{a11,a12,a13}的值；而每个属性A2和该示例的A3是二元属性。
在操作72中，应用预测引擎24来为患者数据表14中的患者生成预测的目标属性值。在操作74中，患者被分组到混淆矩阵30的至少一个选定部分中。在操作76中，参数化预测模式20的w属性的有向图42被显示在计算机2的显示部件4上，以临床阶段的时间序列排列，任选地具有彩色编码的属性值以指示它们是否满足预测模式。在操作80中，一个或多个节点和/或流连接线的用户选择经由用户输入设备6、8而被接收。在操作82中，显示关于由所选择的(一个或多个)节点和/或流连接线定义的群组的信息，并且任选地对群组执行其他操作，诸如提供属于所述群组的患者的列表。如果选择两个或更多个节点，则患者群组适当地是所选节点的患者分数的交集，由于交集包含那些具有与所选属性值节点相对应的所有属性值的患者。由流连接线定义的群组是由流连接线连接的两个属性值节点的患者分数的交集。
有向图42也可以用于执行其他分析操作。例如，它可以用于研究对目标预测模式20的可能调整。作为说明，在操作86中，用户选择对预测模式20的更新。作为一个示例，考虑一个显示真阳性部分的有向图。如果用户注意到患者的大的部分针对某个属性An的值那与模式不匹配，则这可能指示该属性对T＝t不是很有预测性。在这种情况下，用户可以在操作86中选择选择属性An连同从预测模式20删除属性An的指令。作为响应，计算机2从预测模式删除该属性An以产生经更新(和经简化)的预测模式20，并且流程返回到操作72以再生成没有该属性的有向图An。然后用户可以查看得到的有向图来评估移除An对预测性能的影响。
在需要在处置的早期阶段进行评价的任务的情况下，这种属性的去除特别有价值。例如，在试图生成患者群组以与当前临床患者进行比较时，尽可能多地从当前临床患者尚未到达的后期临床阶段中移除节点将是有用的。以这种方式，用户可以在这些后期阶段识别最关键的属性，以便基于对可比群组的分析更好地关注临床患者的后续治疗。
类似地，用户可以将属性添加到预测模式(从而增加w)，或者改变预测模式中的属性的匹配值等，并且使用图1的设备交互地查看这些改变对预测模式的性能的影响。可以交互地研究的另一项调整是调整匹配阈值e。一般来说，增加e将减少匹配预测模式20的患者数量，同时减少e会增加匹配患者的数量。
返回参考图1，各计算块12、24、40可以通过对计算机2者合适的编程来实现。此外，所公开的模式发现可视分析技术可以由存储有指令的非瞬态介质来实现，所述指令可由电子处理器(例如，计算机2)运行以执行所公开的分析。通过非限制性示例的方式，非瞬态存储介质可以包括磁盘或其他磁存储介质，光盘或其他光学存储介质，固态驱动器，闪存驱动器或其他电子存储介质，其各种组合，等等。
己经参考优选的实施例已描述了本发明。本领域技术人员通过阅读和理解前述的详细描述，可以想到各种修改和变型。目的是，本发明被理解为包括所有这样的修改和变型，只要它们落了权利要求书或其等价方案的范围之内。

Claims (28)

1.一种模式发现可视分析设备，包括：
患者信息数据库(10)；
计算机(2)，其包括显示部件(4)，所述计算机被编程为执行包括以下步骤的方法：
根据包含在患者信息数据库中的患者信息来生成患者数据表(14)，所述患者数据表针对所述患者数据表中的每个患者列出针对属性集合的属性值；
针对所述患者数据表中的每个患者，使用所述属性集合中的w属性(22)的属性值的预测模式(20)，生成所述属性集合中的目标属性T的目标值t的阳性预测或阴性预测，如果所述患者数据表中的一患者的所述w属性的至少阈值分数e(26)与所述预测模式匹配，则针对所述患者的所述预测为阳性预测，并且否则为阴性预测；
根据对所述目标属性T的所述目标值t的阳性预测或阴性预测以及所述患者数据表中所述目标属性T的实际值，将所述患者数据表中的患者分组到混淆矩阵(30)的至少一个选定部分，所述混淆矩阵包括真阳性部分、假阳性部分、真阴性部分和假阴性部分；并且
在所述计算机的所述显示部件上，在所述w属性中的属性的每属性的基础上显示所述混淆矩阵的所述选定部分的患者统计的表示(42)。
2.根据权利要求1所述的模式发现可视分析设备，其中，所述显示包括：
显示所述w属性(22)的有向图的至少一部分(42)，在所述有向图中，
(i)所述w属性按照定义的序列排列，并且
(ii)每个属性由一个或多个属性值节点(a11、a12、a13、a21、...)表示，每个属性值节点表示所述混淆矩阵(30)的所述选定部分中具有对应的属性值的患者分数，并且
(iii)所述有向图的边包括流连接线(46)，每条流连接线在定义的序列中的两个相邻属性之间延伸，并且将所述相邻属性中的一个的属性值节点与所述相邻属性中的另一个的属性值节点相连接。
3.根据权利要求2所述的模式发现可视分析设备，其中，每条流连接线(46)具有一宽度，所述宽度表示所述混淆矩阵(30)的所述选定部分中具有由通过流连接线连接的相应属性值节点表示的两个属性值的患者分数。
4.根据权利要求2-3中的任一项所述的模式发现可视分析设备，其中，所述w属性(22)的所述定义的序列表示临床阶段的时间序列，其中，将一个或多个属性分配给每个临床阶段，并且分配给临床阶段的每个属性的属性值是在该临床阶段期间生成的。
5.根据权利要求2-4中的任一项所述的模式发现可视分析设备，其中，所述计算机还包括：
至少一个用户输入设备(6、8)，其能够选择所述有向图的节点或流连接线；
其中，所述方法还包括通过显示关于患者群组(44)的信息来对经由所述至少一个用户输入设备对所述有向图(42)的节点或流连接线的选择做出响应，所述患者群组被定义为所述混淆矩阵(30)的所述选定部分中由所选择的节点或流连接线表示的患者分数。
6.根据权利要求5所述的模式发现可视分析设备，其中，所述至少一个用户输入设备(6、8)能够选择所述有向图(42)的两个或更多个节点，并且所述方法还包括通过显示关于患者群组(44)的信息来对经由所述至少一个用户输入设备对所述有向图的两个或更多个节点的选择做出响应，所述患者群组被定义为所述混淆矩阵(30)的所述选定部分中由所选择的两个或更多个节点表示的患者分数的交集。
7.根据权利要求2-6中的任一项所述的模式发现可视分析设备，其中，所述有向图的所述属性值节点关于对应的属性值是否与所述预测模式匹配而被颜色编码。
8.根据权利要求7所述的模式发现可视分析设备，其中，所述有向图的所述流连接线在每一端被颜色编码以与在该端连接的所述属性值节点的颜色编码匹配。
9.根据权利要求2-8中的任一项所述的模式发现可视分析设备，其中，在所述有向图中，至少一个属性由另外的属性节点来表示，所述另外的属性节点表示所述混淆矩阵的所述选定部分中在所述患者数据表中没有针对对应的属性的属性值的患者分数。
10.根据权利要求2-9中的任一项所述的模式发现可视分析设备，其中，所述混淆矩阵的所述选定部分是真阳性部分和真阴性部分中的一个，并且所述有向图还包括被放置在所述有向图中所述定义的序列的末端的终端节点，所述终端节点表示目标属性T的属性值t。
11.根据权利要求1所述的模式发现可视分析设备，其中，所述显示包括：
针对所述w属性的每个显示的属性，显示所述混淆矩阵的所述选定部分中的所述属性的属性值统计的表示。
12.根据权利要求11所述的模式发现可视分析设备，其中，所述显示包括：
按所述w属性的定义的序列排列显示针对所述w属性(22)中的显示的属性值统计的表示；并且
显示在所述定义的序列的相邻属性之间流连接线(46)，其中，每条流连接线表示所述相邻属性的联合统计。
13.根据权利要求12所述的模式发现可视分析设备，其中，
针对每个显示的属性的属性值统计的表示包括针对所述显示的属性的每个属性值的节点(a11、a12、a13、a21、...)，所述节点表示所述混淆矩阵(30)的所述选定部分中具有该属性的患者的统计结果；并且
每条流连接线(46)连接相应的相邻属性的节点并且表示所述混淆矩阵的所述选定部分中具有由通过所述流连接线连接的相应的节点表示的两个属性值的患者的统计结果。
14.根据权利要求12-13中的任一项所述的模式发现可视分析设备，其中，所述w属性的所述定义的序列表示临床阶段的时间序列，其中，分配给每个临床阶段的一个或多个属性是在该临床阶段期间生成的。
15.根据权利要求1-14中的任一项所述的模式发现可视分析设备，其中，所述阈值分数e(26)小于1。
16.根据权利要求1-15中的任一项所述的模式发现可视分析设备，其中，所述患者数据表(14)的所述生成包括将所述属性值生成为二元值，使得所述属性集合中的每个属性确切地具有两个可允许的值。
17.根据权利要求16所述的模式发现可视分析设备，其中，表示临床测试的每个属性的值在所述患者数据表(14)中被列出为指示针对所述临床测试的正常测试结果或异常测试结果的二元值。
18.一种计算机实现的模式发现可视分析方法，包括：
对于群体中的每个患者，使用计算机(2)生成针对目标属性T的目标值t的阳性预测或阴性预测，所述计算机被编程为将w属性(22)的预测模式(20)与所述患者的对应属性值进行比较；
使用所述计算机，根据针对所述目标属性T的所述目标值t的所述阳性预测或阴性预测以及所述患者的所述目标属性T的实际值，将所述群体中的患者分组到混淆矩阵(30)的至少一个选定部分，所述混淆矩阵包括真阳性部分、假阳性部分、真阴性部分和假阴性部分；并且
在所述计算机的显示部件(4)上显示所述混淆矩阵中具有所述w属性中的、由属性值节点(a11、a12、a13、a21、...)表示的属性的选定部分的统计的表示，每个属性值节点表示所述选定部分中具有对应的属性值的患者分数。
19.根据权利要求18所述的计算机实现的模式发现可视分析方法，其中，所述显示包括：
显示属性值节点(a11、a12、a13、a21、...)，所述属性值节点被颜色编码以指示每个属性值节点的属性值是否与所述预测模式(20)匹配。
20.根据权利要求18-19中的任一项所述的计算机实现的模式发现可视分析方法，其中，所述显示包括：
显示所述w属性(22)的所述有向图的至少一部分(42)，其中，所述w属性以定义的序列排序，并且所述有向图的边包括流连接线(46)，每条流连接线(46)在定义的序列中的两个相邻属性之间延伸，并且将所述相邻属性中的一个的属性值节点与所述相邻属性中的另一个的属性值节点相连接。
21.根据权利要求20所述的计算机实现的模式发现可视分析方法，其中，每条流连接线(46)图形地表示具有由通过流连接线连接的各自属性值节点表示的两个属性值的、选定部分的患者分数。
22.根据权利要求20-21中的任一项所述的计算机实现的模式发现可视分析方法，其中，所述w属性的所述定义的序列表示具有分配给每个临床阶段的一个或多个属性的临床阶段的时间序列。
23.根据权利要求20-22中的任一项所述的计算机实现的模式发现可视分析方法，还包括：
经由所述计算机(2)的至少一个用户输入设备(6、8)接收对所述有向图(42)的节点或流连接线的选择；并且
显示由所选择的节点或流连接线表示的关于患者群组(44)的信息，所述患者群组被定义为所述混淆矩阵(30)的所述选定部分的患者分数。
24.根据权利要求23所述的计算机实现的模式发现可视分析方法，其中，
所述选择是对所述有向图的两个或更多个节点(42)的选择；并且
所述患者群组(44)被定义为所述混淆矩阵(30)的所述选定部分中由所选择的两个或更多个节点表示的患者分数的交集。
25.根据权利要求18-24中的任一项所述的计算机实现的模式发现可视分析方法，其中，所述w属性(22)是二元属性，每个二元属性确切地具有两个可允许的值。
26.一种存储有指令的非瞬态存储介质，所述指令能够由具有显示部件(4)的计算机(2)运行以执行模式发现可视分析方法，所述方法包括：
对于群体中的每个患者，通过将通过w属性(22)参数化的模型(20)应用到针对所述w属性的患者的属性值，来生成针对目标属性T的目标值t的阳性预测或阴性预测；
根据对所述目标属性T的所述目标值t的阳性预测或阴性预测以及所述患者的所述目标属性T的实际值，将所述群体中的患者分组到混淆矩阵(30)的至少一个选定部分，所述混淆矩阵包括真阳性部分、假阳性部分、真阴性部分和假阴性部分；并且
在所述计算机的所述显示部件上显示所述w属性的有向图的至少一部分(42)，其中，
所述w属性按照定义的序列排列，
每个属性由属性值节点(a11、a12、a13、a21、...)表示，所述属性值节点表示由所述患者的所述属性假定的属性值，并且
所述有向图的边包括流连接线(46)，每条流连接线(46)在定义的序列中的两个相邻属性之间延伸，并且连接相邻属性中的一个的属性值节点与相邻属性中的另一个的属性值节点。
27.根据权利要求26所述的非瞬态存储介质，其中，每条流连接线(46)图形地表示所述选定部分中具有由通过流连接线连接的各个属性值节点表示的两个属性值的患者分数。
28.根据权利要求26-27中的任一项所述的非瞬态存储介质，其中，所述模式发现可视分析方法还包括：
经由所述计算机(2)的至少一个用户输入设备(6、8)接收对所述有向图(42)的一个或多个节点和/或流连接线的选择；以及
显示由所选择的一个或多个节点和/或流连接线表示的关于患者群组(44)的信息，所述患者群组被定义为所述混淆矩阵(30)的所述选定部分的患者分数。
CN201680063258.3A 2015-10-27 2016-10-19 用于分析临床数据特征生成患者群组的模式发现可视分析系统 Active CN109074871B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562246675P 2015-10-27 2015-10-27
US62/246,675 2015-10-27
CN2015099836 2015-12-30
CNPCT/CN2015/099836 2015-12-30
PCT/IB2016/056267 WO2017072628A1 (en) 2015-10-27 2016-10-19 Pattern discovery visual analytics system to analyze characteristics of clinical data and generate patient cohorts

Publications (2)

Publication Number Publication Date
CN109074871A true CN109074871A (zh) 2018-12-21
CN109074871B CN109074871B (zh) 2022-08-23

Family

ID=57227014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680063258.3A Active CN109074871B (zh) 2015-10-27 2016-10-19 用于分析临床数据特征生成患者群组的模式发现可视分析系统

Country Status (5)

Country Link
US (1) US11087860B2 (zh)
EP (1) EP3369019A1 (zh)
JP (1) JP6737884B2 (zh)
CN (1) CN109074871B (zh)
WO (1) WO2017072628A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114496299A (zh) * 2022-04-14 2022-05-13 八爪鱼人工智能科技(常熟)有限公司 一种基于深度学习的防疫信息处理方法及防疫服务系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3477659A1 (en) 2017-10-27 2019-05-01 Koninklijke Philips N.V. A method and system of intelligent numeric categorization of noisy data
US11875903B2 (en) * 2018-12-31 2024-01-16 Tempus Labs, Inc. Method and process for predicting and analyzing patient cohort response, progression, and survival
CA3125449A1 (en) 2018-12-31 2020-07-09 Tempus Labs A method and process for predicting and analyzing patient cohort response, progression, and survival
EP3905255A1 (en) * 2020-04-27 2021-11-03 Siemens Healthcare GmbH Mapping a patient to clinical trials for patient specific clinical decision support
CN113780364B (zh) * 2021-08-18 2024-08-02 西安电子科技大学 一种模型与数据联合驱动的sar图像目标识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102804192A (zh) * 2010-03-04 2012-11-28 皇家飞利浦电子股份有限公司 具有时间背景的临床决策支持系统
US20140108380A1 (en) * 2012-10-12 2014-04-17 International Business Machines Corporation Iterative Refinement of Cohorts Using Visual Exploration and Data Analytics
US20150006456A1 (en) * 2013-06-26 2015-01-01 WellDoc, Inc. Systems and methods for creating and selecting models for predicting medical conditions

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL278693A (zh) 1961-05-25
US3297907A (en) 1963-06-13 1967-01-10 Varian Associates Electron tube with collector having magnetic field associated therewith, said field causing electron dispersion throughout the collector
DE1491337A1 (de) 1963-10-07 1969-06-04 Varian Associates Dielektrischer Koerper
US3368104A (en) 1964-03-17 1968-02-06 Varian Associates Electron beam tube included depressed collector therefor
US3450930A (en) 1966-11-14 1969-06-17 Varian Associates Permanent magnet focused linear beam tube employing a compensating magnet structure between the main magnet and the beam collector
US3453483A (en) 1966-12-05 1969-07-01 Varian Associates Microwave linear beam tube employing an extended interaction resonator operating on an odd pi mode
US3644778A (en) 1969-10-23 1972-02-22 Gen Electric Reflex depressed collector
US3700963A (en) 1970-07-16 1972-10-24 Tokyo Shibaura Electric Co Microwave tube assembly
FR2234651B1 (zh) 1973-06-19 1976-11-12 Thomson Csf
GB1449745A (en) 1973-06-22 1976-09-15 Nippon Electric Co Microwave tubes
JPS5838904B2 (ja) 1974-04-20 1983-08-26 日本電気株式会社 マイクロハカン
US3936695A (en) 1974-04-26 1976-02-03 Varian Associates Electron collector having means for trapping secondary electrons in a linear beam microwave tube
US3987332A (en) 1975-10-09 1976-10-19 Varian Associates Gang tuner for multi-cavity klystron
JPS5842926B2 (ja) 1977-03-24 1983-09-22 日本電気株式会社 永久磁石形磁気回路を有するマイクロ波管
JPH0927040A (ja) * 1995-07-11 1997-01-28 Nippon Steel Corp グラフ表示装置
US6604115B1 (en) 1999-11-05 2003-08-05 Ge Marquette Medical Systems, Inc. Method and apparatus for storing data
JP3871144B1 (ja) * 2005-11-15 2007-01-24 国立大学法人岐阜大学 診断支援装置
EP2008213A1 (en) * 2006-04-07 2008-12-31 Academisch Ziekenhuis Leiden h.o.d.n. LUMC Systems and methods for predicting an individual's risk of developing rheumatoid arthritus
US7794658B2 (en) 2007-07-25 2010-09-14 Lifescan, Inc. Open circuit delay devices, systems, and methods for analyte measurement
JP2011203976A (ja) * 2010-03-25 2011-10-13 Stargate Science Kk 診断支援装置
JP2012053716A (ja) 2010-09-01 2012-03-15 Research Institute For Diversity Ltd 思考モデルの作成方法、思考モデルの作成装置及び思考モデルの作成プログラム
JP5762154B2 (ja) * 2011-06-08 2015-08-12 三菱電機株式会社 情報処理装置及び情報処理方法及びプログラム
US8849823B2 (en) * 2011-10-20 2014-09-30 International Business Machines Corporation Interactive visualization of temporal event data and correlated outcomes
EP2780884A4 (en) 2011-11-14 2016-02-17 Lawrence A Lynn PATHOPHYSIOLOGICAL STORM TRACKER
US20130144679A1 (en) * 2011-12-02 2013-06-06 The Boeing Company Simulation and Visualization for Project Planning and Management
DE202013012876U1 (de) 2012-03-23 2021-04-14 Etiometry Llc Systeme für den Übergang der Patientenversorgung von signalbasierter Überwachung zu risikobasierter Überwachung
US9817949B2 (en) * 2013-02-07 2017-11-14 Christian Poulin Text based prediction of psychological cohorts
US20140257045A1 (en) * 2013-03-08 2014-09-11 International Business Machines Corporation Hierarchical exploration of longitudinal medical events
JP6214316B2 (ja) 2013-10-09 2017-10-18 キヤノン株式会社 像ブレ補正装置、レンズ装置、撮像装置、像ブレ補正装置の制御方法、プログラム、および、記憶媒体
US11302425B2 (en) * 2013-12-24 2022-04-12 Sony Corporation Test server, communication terminal, test system, and test method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102804192A (zh) * 2010-03-04 2012-11-28 皇家飞利浦电子股份有限公司 具有时间背景的临床决策支持系统
US20140108380A1 (en) * 2012-10-12 2014-04-17 International Business Machines Corporation Iterative Refinement of Cohorts Using Visual Exploration and Data Analytics
US20150006456A1 (en) * 2013-06-26 2015-01-01 WellDoc, Inc. Systems and methods for creating and selecting models for predicting medical conditions

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114496299A (zh) * 2022-04-14 2022-05-13 八爪鱼人工智能科技(常熟)有限公司 一种基于深度学习的防疫信息处理方法及防疫服务系统
CN114496299B (zh) * 2022-04-14 2022-06-21 八爪鱼人工智能科技(常熟)有限公司 一种基于深度学习的防疫信息处理方法及防疫服务系统

Also Published As

Publication number Publication date
US20180300454A1 (en) 2018-10-18
JP2018535488A (ja) 2018-11-29
WO2017072628A1 (en) 2017-05-04
JP6737884B2 (ja) 2020-08-12
US11087860B2 (en) 2021-08-10
EP3369019A1 (en) 2018-09-05
CN109074871B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
Dingen et al. RegressionExplorer: Interactive exploration of logistic regression models with subgroup analysis
CN109074871A (zh) 用于分析临床数据特征生成患者群组的模式发现可视分析系统
Zhang et al. Iterative cohort analysis and exploration
US11295867B2 (en) Generating and applying subject event timelines
Krause et al. Supporting iterative cohort construction with visual temporal queries
Wongsuphasawat et al. Outflow: Visualizing patient flow by symptoms and outcome
CN110415831A (zh) 一种医疗大数据云服务分析平台
JP5474937B2 (ja) 医療障害パターン検索エンジン
US20140257045A1 (en) Hierarchical exploration of longitudinal medical events
JP2012509707A (ja) 患者安全プロセッサ
Tao et al. Towards event sequence representation, reasoning and visualization for EHR data
Bernard et al. A visual active learning system for the assessment of patient well-being in prostate cancer research
CN104573306A (zh) 用于临床情节的可视化分析的方法和系统
CN114121295A (zh) 一种知识图谱驱动的肝癌诊疗方案推荐系统的构建方法
Widanagamaachchi et al. Interactive visualization and exploration of patient progression in a hospital setting
Bannach et al. Visual analytics for radiomics: Combining medical imaging with patient data for clinical research
Banham et al. xPM: Enhancing exogenous data visibility
Duan et al. Knowledge graph analysis of artificial intelligence application research in nursing field based on visualization technology
CN113297853A (zh) 一种电子病历的质控方法、装置、电子设备及存储介质
Hsieh et al. The transformation of surgery patient care with a clinical research information system
Chetta et al. Augmenting EHR interfaces for enhanced nurse communication and decision making
Mandell et al. Development of a visualization tool for healthcare decision-making using electronic medical records: A systems approach to viewing a patient record
Tripathi et al. Exploring Object Centric Process Mining with MIMIC IV: Unlocking Insights in Healthcare
Hsu et al. A case-based retrieval system using natural language processing and population-based visualization
CN112289394B (zh) 病种库病例订阅方法及装置、存储介质、终端

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