CN109427420B - 诊断有效性工具 - Google Patents

Abstract

公开了一种用于根据关于患者的已知发现的集合来评估一个或多个诊断试验或附加发现的诊断有效性的系统。该系统包括：包含软件应用的计算设备，该软件应用由健康护理提供者用于查看患者的病史并输入关于患者的状况或症状的发现；存储经验证的概率健康模型的系统，该模型包括从汇集的电子病历或其它医疗知识源获知的医疗知识数据库；以及基于医疗知识的推理引擎，其对患者的病史和发现以及经验证的概率健康模型进行操作。引擎确定患者的最可能疾病的集合、建议鉴别最可能疾病的集合的一个或多个试验或附加发现的集合，并生成指示所述一个或多个试验或附加发现的诊断有效性或相关性的标记。

Description

诊断有效性工具

技术领域

本公开涉及用于提高诊断和治疗决策制定的效率和有效性的系统和方法。

背景技术

当患者带着主诉到达时，诊断过程就开始了。在看到患者之前，医生首先在患者的病历中搜索患者病史中的相关发现。根据这些发现，他创建鉴别诊断，一个基于每种疾病流行程度排序的广泛诊断列表。对于为发现而进行试验(询问问题、进行检查规程、订购诊断试验等)的决定是基于以下内容的：

■该发现在鉴别排序最高的诊断方面的有效性(取决于发现对于每种疾病的阳性和阴性似然比(LR))；

■该发现排除紧急疾病的能力(例如，虽然罕见，但是胸痛患者应当用心电图排除心肌梗死)；以及

■获得该发现的成本(医源性风险、资源可用性、及时性等)。

医生在患者病史的背景下解释每个新获取的发现，这改变了每种可能诊断的概率。这个过程发生在每个临床决定之后。一旦有足够的发现来支持确定性的诊断(具有低概率替代方案的高概率诊断)，就做出诊断并开始治疗。

由于各种原因，上述过程可以是低效的并且不是成本有效的。一方面，医生可能没有时间在病历中搜索患者病史中的所有相关发现，特别是在患者具有广泛或复杂的病史的情况下。此外，医生可能难以客观地解释每个诊断的发现的相关性。难以快速做出成本有效的、基于证据的决定，尤其是在患者具有复杂的病史或不能轻而易举地获得关于不同潜在试验的成本的信息的情况下。此外，医生常常没有时间记录关于发生的诊断过程的高质量记录，尤其是在繁忙的临床实践或医院情况下。

在为患者提供护理时，医生和保险公司努力在高质量健康护理(healthcare)和资源的经济使用之间找到平衡点。提供者和支付者常常对患者的护理意见不一，因为医生不了解资源的市场、成本和可用性，而支付者缺乏医生的经验和患者介绍的详细信息。沟通是个缓慢而复杂的过程，通常需要医生向患者的保险公司请求授权进行试验。这种系统在提供者和支付者之间创建了对抗关系，同时完全将患者排除在讨论之外。

据信，没有一种单一的技术能够充分解决上述所有问题。决策模型(使用贝叶斯定理)用于临床医疗，但在实践中，它们仅作为客观性的心理框架(mental framework)。在有客观数据的情况下，只要患者属于临床试验中研究的人群，就可以通过试验的灵敏度和特异度来支持为患者订购试验的决定。健康保险公司具有用于授权报销的裁决过程。他们通过其成本确定医生订购的研究是否合理。决定是基于委员会创建的静态规则或指南的。

编码词汇表用于存储、检索、研究和共享患者数据(即，HL7/FHIR、ICD、UMLS、SNOMED和许多其它的)。一些数据库已经使用这些词汇表来描述症状和疾病之间的关系(疾病数据库)，这些关系为在线分类(triage)和症状检查提供动力。Symcat和IsabelHealthcare使用概率模型来确定接下来要问的问题，但不包括临床决策的关键组成部分(体检结果、实验室值、成像报告等)，从而使得这些工具在患者教育之外是无用的。

临床决策支持(CDS)系统是医生可用的一大类简单工具，通常与EMR集成。其中一些工具使用患者病历中的信息。一些示例包括：

■癌症筛查提醒：医生的仪表板上有基于据年龄和性别应当进行筛查的患者名单。

■提醒可能的药物相互作用：例如，当医生为服用华法林的患者订购喹诺酮时会出现提醒。

■临床路径：哮喘管理指南出现在有哮喘病史的患者的图表中。

CDS工具通常被实现为针对特定度量的点修复，如合规率或接近未命中事件的数量。因此，它们看起来像监管任务，因为它们没有与医生的工作流程/诊断过程集成。虽然CDS工具可以改进度量，但它们的有效性是有限的，因为它们只是基于静态证据来简单地强制执行规则。

药物重整(medication reconciliation)是用于通过比较患者报告正在服用的药物与医生已经订购的药物来创建和维护准确的药物列表的过程。药物重整集成在大多数电子病历(EMR)中。该技术限于药物，不具有预测性，并且未与诊断过程集成。

可以以软件、工具和人员的形式获得文件帮助。EMR使用宏来扩展频繁输入的短语或段落的文本。表格也可以插入到自由文本注释中或自定义到模板中。Canvas Medical具有如词自动完成(word-autocompletion)和关键字到ICD10转换(keyword-to-ICD10conversion)的工具。文件工具因持续“注释膨胀”(note bloat)而受到批评。这些工具旨在提高文件的质量和效率，但却掩盖了相关数据。虽然已经努力从自由文本中提取相关的发现，但结果已经是变化的，并且今天没有得到广泛使用。

发明内容

公开了一种系统和方法，用于根据关于患者的已知发现的集合预先评估诊断试验、新发现或干预(即，治疗)的医疗有效性，并将结果呈现给健康护理提供者、健康护理支付者(例如，保险公司)和/或患者。本公开还涉及系统的组件方面和组合。

在一个实施例中，系统为包含软件应用的计算设备生成数据，该软件应用由健康护理提供者用于帮助查看患者的病史并输入关于患者的状况或症状的新发现。

该系统包括经验证的概率模型，该模型通过汇集的电子病历和其它医疗知识源(诸如医学期刊文章或专家用户输入)来获知。该系统还包括基于医疗知识的推理引擎(处理单元和相关联的程序设计)，其使用患者的已知发现(即，病史和新发现，如果有的话)和模型来确定最可能疾病的集合。该引擎还建议鉴别最可能疾病的集合一个或多个试验或新发现的集合(其呈现)，并且例如使用贝叶斯推断生成指示一个或多个发现或试验的诊断有效性的标记(indicia)(例如，文本、得分、概率或统计数据等)。

由引擎建议的一个或多个试验或发现的集合以及相关联的标记可以被发送到计算设备并呈现给用户，例如健康护理提供者、患者或支付者。这些结果和标记可以在计算设备上呈现，以帮助健康护理提供者选择要追求的附加试验或发现。可替代地，结果可以在支付者界面上呈现，例如支付者使用的计算机或工作站。支付者可以基于标记做出报销(例如，承保和/或授权)决定。

附图说明

图1是包括本公开的特征的系统的框图。

图2是面向电子设备(工作站、平板计算机、智能电话等)的界面的健康护理提供者的图示，其示出了当前发现的显示，以及向提供者建议的附加发现或试验，以使工作朝向诊断。

图3是诊断模型资源管理器(Diagnostics Model Explorer)的图示，其提供由图1的推理引擎产生的附加发现或相关试验的建议的可视化、相关性得分形式的标记、以及具有概率得分的建议诊断。

图4是在医生已经选择了附加发现之后的诊断模型资源管理器的图示，其示出了建议的附加发现的新排序和建议的诊断的新排序。

图5是面向电子设备的界面的健康护理提供者的图示，其示出了患者的当前已知且相关的发现的列表、最可能的疾病和可能性得分的列表、以及具有相关标记的建议的新发现或试验。

图6示出了在医生已经选择了图6中列出的建议的新试验之一之后图5的界面；该显示以增量概率和成本数据的形式示出了建议的新试验和标记的细节。

图7示出了健康护理支付工作站的界面，其示出了患者数据、发现和包括成本和增量概率的提出的试验的显示，以帮助做出报销决定。可以在用于患者的基于web的界面上提供类似的显示，以帮助他们做出决定。

图8示出了电子设备上的显示，其示出了针对患者的已知发现、诊断和提出的治疗以及针对每种提出的治疗的标记，包括诸如生存数据、成本数据、副作用等的事项，以帮助提供者和患者做出治疗决定；这些信息也可以显示在支付者的工作站上，以帮助做出报销和承保决定。

图9是图1的推理引擎如何工作的示例的图示。

图10是图1的推理引擎如何优先考虑鉴别两个不同诊断的发现的示例的图示。

图11是推理引擎如何解释疾病严重性并且将划入或排除严重和紧急疾病的发现优先于针对非紧急疾病的发现的图示。

图12是推理引擎如何考虑疾病的普遍性以对潜在诊断进行排序或评分的图示；与非常罕见的疾病相比，它寻求鉴别更常见疾病的发现。

图13是推理引擎如何根据多个发现确定疾病可能性的图示。

具体实施方式

图1涉及用于根据关于患者的已知发现的集合评估一个或多个试验或附加发现的诊断有效性的系统10。在所示的实施例中，该系统是更大临床决策系统的一部分或嵌入其中，该更大临床决策系统包括帮助健康护理提供者获得患者的诊断和治疗选择的设备和软件组件。

该系统为包含软件应用的计算设备12(其可以采用平板电脑、智能电话或台式计算机或工作站的形式)生成数据，该软件应用被健康护理提供者用于查看患者的病史并输入关于患者的病情或症状的发现。这个设备12和应用将在图2-8和随后的讨论中更详细地描述。

可以被配置为具有辅助存储器的计算机或计算机复合体的系统14存储经验证的概率健康模型16和从汇集的电子病历或其它医疗知识源获知的医疗知识的数据库18。汇集的电子病历可以来自一个机构或多个机构，也可以来自借助于由箭头20指示的数据流反馈到系统中的电子病历。在知识库是基于汇集的健康记录的情况下，数据被患者去识别(de-identified)，以便符合HIPAA被执行下有限数据集的公开和使用的所有要求。在必要时，从每个机构获得道德审查和机构审查委员会豁免。患者数据不链接到任何Google用户数据。此外，汇集的电子健康记录存储在沙盒(sandboxing)基础设施中，根据法规、数据许可和/或数据使用协议，沙盒保持每个EHR数据集彼此分离。每个沙盒中的数据都是加密的；所有数据访问都在个人级别上进行控制、记录和审计。

经验证的概率健康模型和医疗知识库包括搜索和查询应用编程接口(API)22，如下面将解释的。

系统10还包括基于医疗知识的推理引擎24(处理器和相关联的程序设计)，其根据患者的病史和发现(由设备直接提供或者来自病历数据库26)和经验证的概率健康模型16进行操作。该引擎被编程以执行若干任务，包括：(1)确定患者的最可能疾病的集合，(2)建议鉴别最可能疾病的集合的一个或多个试验或附加发现的集合，以及(3)生成指示一个或多个试验或附加发现的有效性或相关性的标记，诸如统计数据、文本或其它。下面将更详细地描述这些方面。反映这些任务的结果的数据被从引擎发送到电子设备12，以帮助健康护理提供者更高效地管理和规划患者的护理。

例如，电子设备12包括界面40，用于向健康护理提供者呈现关于以下至少一个的信息：(i)患者的最可能疾病的集合，(ii)鉴别最可能疾病的集合的一个或多个试验或附加发现的集合，(iii)指示一个或多个试验或附加发现的有效性或相关性的标记，或(iv)由推理引擎做出的建议的可视化。在一个实施例中，上述的一些或全部显示在界面上，例如，在具有用于在显示的各种特征之间进行切换的合适控件或工具的一系列屏幕显示中。以下将描述示例。

在一个实施例中，存在驻留在支付者网络(未示出)上的计算机工作站30，该计算机工作站30包括从引擎接收关于提出的附加发现或试验和标记(例如，成本和相关性得分)的数据的应用。该应用被配置为促进关于一个或多个试验的报销或授权决定。例如，位于工作站的支付者的雇员查看提出的(一个或多个)附加试验和相关联的标记，并查询驻留在支付者网络上、包括在标记中或从数据库32获得的成本数据，并做出关于提出的(一个或多个)附加试验的报销或承保(coverage)决定。

此外，该系统还支持基于web的患者界面50，其向患者提供他们可以从他们自己的电子设备(诸如智能电话或PC)访问的诊断有效性信息。与提供者设备12的情况一样，该界面提供以下当中至少一个的显示：(i)患者的最可能疾病的集合以及(ii)鉴别最可能疾病的集合的一个或多个试验或附加发现的集合，(iii)指示一个或多个试验的有效性或相关性的标记，或(iv)由推理引擎做出的建议的可视化。这些特征允许患者关于提供者可能推荐的提出的试验做出明智的决定。

如上面所指出的，为了使推理引擎执行其任务，包括确定患者的最可能疾病的集合、建议鉴别最可能疾病的集合的一个或多个试验或附加发现的集合、以及生成指示一个或多个试验或附加发现的有效性或相关性的标记(诸如统计数据、文本或其它)，其使用知识库18和经验证的概率健康模型16。知识库18包括以指示医疗发现(即，关于患者状况的事实，诸如试验结果、症状等)和诊断之间的关系的数据的形式的、经验证的(即，经证明或确立的)医疗知识。医疗知识可以以保留如框100中所指示的这些关系的数据结构格式被存储。具体地，发现或治疗具有一个或多个属性104。例如，诸如“腹痛”的发现属性可以具有“成本”为零的属性，因为该发现可以通过对患者的访谈来做出，而不需要昂贵的试验。诸如“骨矿物质密度损失”之类的发现可以具有2000美元的属性，因为为了得到这样的发现，需要进行DEXA(双能X线吸收测定法)扫描，其具有比如2000美元的平均成本。

医疗知识包括发现102和诊断108之间的有效性关系(106)。例如，腹痛的发现对朝着“胃肠炎”的诊断具有0.7的灵敏度和0.6的特异度。诊断108具有属性110，其可以是例如严重性、频率(即，给定群体中疾病的常见或罕见)或与其它疾病的关系。例如，“胃肠炎”诊断在1-10的标度上的严重性＝2。

图1的系统优选地被配置为随着越来越多的患者被图1的系统处理而随时间扩增或增加知识库18。在这方面，存在用作查看原始信息并将其转换为对知识库有用的格式的解释器(interpreter)的计算机120。解释器生成可以应用于知识库18的有用数据和更新。例如，解释器访问文件源112，例如科学论文、期刊、临床指南、疾病控制中心公告等，并将其中包含的经验证的知识信息格式化为与上述格式100一致的格式，并将附加医疗知识提供给知识库18。具体地，解释器120构建医疗发现和诊断之间的关系、关系的有效性得分以及发现和诊断的属性。这可以手动完成(通过专家审查去识别的患者健康记录、医学期刊等)或使用机器学习模型。此外，如由专家用户输入124所指示的，可以向合格的、受过训练的医务人员提供简单的工具来构建发现和诊断之间的关系，并将属性指派给发现和诊断，并且这种数据由解释器120格式化并供给知识库18。此外，可以将应用数据(例如，病历26和支付数据32)提供给解释器120并且添加到知识库，例如，作为发现或诊断或新关系的属性以及发现和诊断的属性。本质上，在推荐附加发现、附加试验、建议的诊断以及伴随提出的附加试验或发现生成有用和准确的标记方面，通过由箭头20指示的系统的数据流随时间改进了知识库18以及引擎24的性能。

电子设备10的用户界面40(图2)

考虑到以上描述，请注意图2，图2是图1的电子设备12(例如，平板计算机)的提供者界面40的图示。界面40被设计为通过诊断过程帮助医生并在过程发生时记录过程，并提供用于评估所提出的附加发现或试验的医疗有效性的工具。界面40允许医生通过由医疗知识库18和推理引擎24提供的帮助来查看患者的病史并输入新的发现。

界面40具有用于显示医生可以收集的关于患者的三种类型信息的区域：1)已知发现，在区域200中示出，2)在区域202中提出的新发现，包括提出的新试验204，以及3)鉴别诊断，未在图2中显示，但可通过适当的菜单选择获得并且在图3、4、5和6中示出。在已知发现部分200中，系统根据患者的病史建议医生用一次轻击确认或否认的相关事实。在新发现部分202中，系统建议未知的发现，并且可以由医生(通过询问、检查或者下订单(placing anorder)并获得结果)确认或否认。在鉴别诊断部分中，系统示出具有给定的已知发现和新发现的鉴别诊断，按概率排序。参见图3、4、5和6。

在确认或否认区域200或202中的发现之后，刷新鉴别诊断。建议可以取决于鉴别诊断的概率而改变。医生可以继续确认/否认发现，或者手动添加新发现以更接近明确诊断。

例如，医生看到具有主诉“乳房肿块”的患者。他将看到先前已经记录的相关发现202，诸如“乳腺癌家族史”。医生可以用一次轻击确认这一发现并将其记录。这将增加乳腺癌的可能性，因而在鉴别诊断中将其排序更高。在新发现部分202中，医生看到建议的事实以确认或拒绝：“反复发作”和“不动”。他问患者她的肿块是否反复发作，她否认了这一点。然后，他执行体检，发现肿块是不动的。这两个发现用一次轻击记录，这增加了乳腺癌的可能性，因而将其置于鉴别诊断部分中的最高位置。接下来，系统在专门用于提出的新试验的新发现部分(图2中的区域204)中建议使用“诊断乳房X线照片”。轻击它来下单。

图3示出了设备12的界面40可以如何显示提出的诊断的一个示例。在一个实施例中，设备包括图1的显示器上的工具或图标，当其被激活时，向健康护理提供者显示我们称之为“诊断模型资源管理器”的信息。诊断模型资源管理器可视化由推理引擎做出的建议，包括提出的新发现和建议的诊断。诊断模型资源管理器在最左边的列302中示出已知发现，在第二列304中示出对于新发现的建议，在第三列306中示出提出的新发现的相关性得分(即，“标记”)，以及在第四列中示出鉴别诊断。第五列示出了在列308中的建议诊断正确的似然性得分(几率)。

在显示器顶部的文本和数字数据下方是树312，其示出了相关发现或症状的序列以及将该序列链接到诊断(树的最低层)的概率数据。在这种情况下，最成本有效的发现是咽炎，列在树的顶部。但是，医生不需要获得这一发现来进行。例如，医生可以选择“排尿困难”(第一分支，右)，并且它变成“已知发现”。

如前面所指示的，当做出新的发现时，如本例中“排尿困难”的新发现，诊断模型资源管理器被更新。参见图4，“排尿困难”现在在第一列302中被列为已知的新发现。鉴别诊断被刷新，将尿路感染置于建议诊断的第308列的顶部。决策树也被重新计算，将“下腹痛”作为获得的下一个最佳发现，如列304的顶部所指示的，因为它具有如第三列306所指示的最高相关性得分。同样，诊断树312被更新。

图5示出了电子设备的界面40的显示的另一种布置，其中该设备在一个屏幕中包括已知发现500的显示、最可能诊断502的显示、用于这些诊断的可能性数据504以及在一列506中建议的新发现或试验的显示和对于每个提出的附加试验或发现的相关联标记508(诸如例如相关性得分、成本或发现的其它属性)。在图5中，提供者可以点击“建议的新发现或试验”图标510，并且出现图6的显示。在这种情况下，建议进行两项新的试验–CT扫描和超声检查。对于每个新试验，标记包括“增量概率(delta probability)”和成本。增量概率反映诊断准确性的置信度取决于特定试验的结果而增加。当然，设备12的用户界面的设计细节不是特别重要，并且提供本公开的示例是出于说明而非限制的目的。

考虑以下示例：患者可以具有与主诉(即，腹痛)相关联的医疗发现的集合。根据医疗发现，推理引擎24借助于概率模型16和知识库确定最可能的疾病的集合(阑尾炎和胆囊疾病)并推断出鉴别最可能疾病的集合的两个试验的集合：1)腹部CT扫描和2)腹部超声检查。标记也由引擎生成：基于两种疾病的流行性和已知的医疗发现，患者患胆囊疾病的概率为60％，阑尾炎为40％。这种信息显示在图5的区域502和504中。显示发炎的胆囊的CT扫描将胆囊疾病正确诊断的概率提高到90％，并且将阑尾炎的概率降低至10％，从而将增量概率增加了80％。显示发炎的胆囊的腹部超声具有相同的增量概率。成本比较指示CT扫描比腹部超声昂贵10倍，但两种试验都具有相同的增量概率，即，在这种特定情况下具有相同的诊断效果。这种信息显示在设备12上，如图6所示。因此，健康护理提供者可以继续进行腹部超声检查，因为它具有与CT扫描相同的医疗有效性，但成本要低得多。

图7示出了图1的计算机终端30上的支付者界面的示例。支付者界面包括患者数据、发现和提出的试验(标识码、成本和增量概率)。在这种情况下查看成本和增量概率的支付者可能不会授权医生的CT扫描订单，而是授权腹部超声，因为它们都具有相同的有效性，但腹部超声的成本仅为CT扫描的1/10。

图8是用于患者的web界面50的图示。患者登录到他们正在使用的医院或提供者的病历系统中并导航到具有界面50的页面，该界面包括其病历的相关方面的显示，包括发现、诊断以及提出的附加试验或治疗。每个提出的附加试验或治疗都与标记(诸如成本、增量概率、生存性数据、相关性、副作用、风险等)相关联。

推理引擎24和经验证的概率模型16

如上面所指示的，推理引擎24利用存储的知识库18和经验证的概率模型16来做出诊断和附加发现的建议。知识库18中的数据可以被手动积累(例如，来自汇集的电子病历、医疗文献、教科书、专家用户输入等)或通过如上所述的系统从信息流中搜集。系统包括解释器120，以使用来自医疗文本、记录或用户输入的信息提取来扩增知识库。

概率模型14使用两个医疗概念：诊断和发现。这些概念具有对于对概念的相关性进行排序有用的属性，如严重性、告知者和方法。例如，使用昂贵方法的发现可以比使用不太昂贵方法的发现排序低。利用由图1中的框100指示的数据格式，即，发现到属性的链接、诊断到属性的链接、以及提供发现或发现的集合与诊断之间的有效性属性(灵敏度，特异度)，模型API 22(图1)支持如以下查询：“查找与概念A具有有效性关系的所有概念”、“查找概念B的所有属性”等。

在这些概念之间存在关系，诸如在诊断之间、在发现之间，如图1的框100中所指示的。诊断-发现关系具有在诊断试验后建模的两个值，灵敏度(真阳性率)和特异度(真阴性率)。由此，我们可以推导出两个合成关系，一个用于阳性发现，一个用于阴性发现。

原始关系

诊断--发现：灵敏度，特异度(specificity)

变成

诊断--阳性发现：LR+或灵敏度/(1-特异度)

诊断--阴性发现：LR-或(1-灵敏度)/特异度

(其中LR是似然比)。

通过这种知识表示，我们可以朝着鉴别诊断指导用户。与传统的基于决策树的指令不同，我们的方法不需要任何特定的输入订单，只需要已知的发现的集合。最终，“已知发现”输入可以被扩展到包括我们可能关于患者知道的任何内容和所有内容，例如f(患者)。

f(已知发现)＝潜在诊断

在给出已知发现的集合的情况下，基于诊断的验后(posttest)概率/几率对诊断排序。似然比可以从概念关系中导出，并因此用于计算验后几率。

验后几率＝似然比*验前几率

这是从贝叶斯定理得出的，该定理指出：

p(D|F)＝p(F|D)/p(F)*p(D)

使用贝叶斯推理，我们可以在添加发现时更新诊断概率；验后几率变成下一个输入的验前几率。因此，给定独立的、同样流行的发现的集合F1...Fx(即，p(F)＝1)，诊断D的验后几率为：

p(D|F1…Fx)＝p(F1|D)p(F2|D)...p(Fx|D)p(D).

g(已知发现)＝相关发现

再次参考图1，引擎24基本上如下工作。引擎查询模型16并应用算法，以便从模型16中得出推论。例如，给定患者的已知发现的集合，引擎试图回答这样的问题：“接下来应当执行哪些试验？”。为了回答这个问题，引擎可以应用以下算法：

1.查询与已知发现相关的疾病概念的模型。

2.通过考虑到疾病流行性和已知试验结果计算验前概率来对疾病概念进行评分。

3.从模型查询相关试验。

4.基于如验后概率(有效性)、成本、紧急程度、频率/罕见度和/或其它因素之类的因素对试验进行评分。然后将关于推理引擎的结果的数据呈现给健康护理提供者的电子设备12、用于患者的界面50和/或支付者计算机终端30。

图9-13将图示模型16和推理引擎24如何工作以生成诊断和发现/试验的其它示例。

在图9中是决策引擎24如何工作的示例。引擎必须推断出前(top)两种诊断(阑尾炎和憩室炎)之间最成本有效的试验。在这个实现中，成本与有效性相权衡。用于每个发现的试验首先按成本分类，然后按似然比分类。RLQ(右下腹部)可以通过访谈来确定，与确定白细胞增多所需的实验室试验相比，这是便宜的。因此，引擎推断RLQ疼痛是获得的最佳发现。

图10图示引擎24将优先考虑鉴别疾病的发现。例如，假设CT扫描和超声(US)同样昂贵。显示阑尾结石的CT扫描强烈建议阑尾炎(LR 9.0)并且强烈不建议憩室炎(LR-8.0)。超声检查的脓肿针对阑尾炎具有LR 3.0，针对憩室炎具有3.5，这不能鉴别这些疾病。因此，引擎会推荐CT扫描优于US。

图11图示引擎24解释疾病的严重性，并优先考虑划入或排除严重和紧急疾病的发现而不是针对非紧急情况的疾病发现。在这个示例中，与肋软骨炎相比，心肌梗塞更具威胁性，因此，引擎将推荐获得EKG优于用于点压痛的触摸胸骨。

图12图示引擎24考虑鉴别中疾病的流行性(来自经验证的概率模型16)。虽然它考虑了所有疾病，但它寻求鉴别更多常见疾病的发现。例如，与广泛性焦虑和特发性震颤相比，克雅氏病(Creutzfeldt Jakob)非常罕见，因此将优先考虑鉴别更常见疾病的发现或试验。

图13图示了在收集发现时每种疾病的个体LR疾病成倍增加。如果RLQ疼痛是唯一已知的发现，那么阑尾炎的似然比是阑尾炎的流行性乘以1.5。反弹压痛的附加发现将1.5乘以3.0。类似地，阑尾结石(appendicolith)将4.5乘以8.0。这三个发现使患者阑尾炎的可能性比一般人群高36倍。

虽然所示实施例图示了用于概率模型的简单贝叶斯方法，但是可以使用文献中已知的其它类型的模型，例如在本文件的背景技术部分中描述的专利文献。

鉴于上述情况，已经公开了一种方法，用于根据关于患者的已知发现的集合来评估一个或多个诊断试验的医疗有效性，包括：

a)提供包含软件应用的计算设备12(图1)，该软件应用由健康护理提供者用于查看患者的病史并输入关于患者的状况或症状的发现(参见图2)；

b)根据汇集的电子病历或其它医疗知识源提供经验证的概率健康模型16；以及

c)使用被配置为基于医疗知识的推理引擎的计算机处理器24，其对患者的病史和发现以及经验证的概率健康模型进行操作：

(1)确定患者的最可能疾病的集合，

(2)建议鉴别最可能疾病的集合的一个或多个试验或附加发现的集合，以及

(3)生成指示所述一个或多个试验的集合或附加发现的有效性或相关性的标记。(参见图2-8)

此外，该方法可以包括步骤：将标记从引擎发送到驻留在健康护理支付者网络上的应用，该应用被配置为促进关于一个或多个试验的报销或授权决定，例如以上在图1和7的上下文中描述的。

该方法还可以包括步骤：将标记从引擎24发送到驻留在计算设备12或30上的软件应用。

在一个实施例中，计算设备12还包括界面(图2)，并且其中，该方法还包括在界面上呈现关于以下至少一个的信息的步骤：(i)患者的最可能疾病的集合以及(ii)鉴别最可能疾病的集合的一个或多个试验的集合，(iii)指示一个或多个试验有效性的标记，或(iv)推理引擎做出的建议的可视化，参见图2-8和以上描述。

如上面所解释的，该方法还可以包括步骤：向基于web的患者界面50发送，向患者提供医疗有效性信息数据，用于生成以下至少一个的显示：(i)患者的最可能疾病的集合以及(ii)鉴别最可能疾病的集合的一个或多个试验的集合，(iii)指示一个或多个试验有效性或相关性的标记，或(iv)推理引擎做出的建议的可视化，诸如图8中所示。

在另一方面，我们已经描述了以以下形式的系统：a)经验证的概率健康模型14，其包括从汇集的电子病历或其它医疗知识源获知的医疗知识的数据库18；以及b)基于医疗知识的推理引擎24，其对患者的病史和发现以及经验证的概率健康模型进行操作，以：(1)确定患者的最可能疾病的集合，(2)建议鉴别最可能疾病的集合的一个或多个试验或附加发现的集合，和(3)生成指示一个或多个试验或附加发现的有效性或相关性的标记；以及c)解释器120，将来自文件源、病历、支付数据或来自健康护理提供者的专家输入中的至少一个的原始医疗信息转换成对医疗知识数据库有用的格式，并以该格式将信息供给数据库18。所示实施例中的格式是以医疗发现和诊断之间的关系、关系的有效性得分、以及发现和诊断的属性的格式的。作为示例，发现的属性可以包括成本属性。诊断的属性可以包括严重性属性、频率属性或者一个或多个治疗属性。

在另一方面，已经描述了一种方法，用于帮助对具有诊断和包括发现的病史的患者的医疗护理作出报销或承保决定。该方法包括以下步骤：a)提供经验证的概率健康模型14，其包括从汇集的电子病历或其它医疗知识源获知的医疗知识的数据库18；b)提供基于医疗知识的推理引擎24，其对患者的病史和发现以及经验证的概率健康模型进行操作，以：(1)确定患者的潜在治疗集合，以及(2)生成指示集合中的潜在治疗的有效性或相关性的标记；c)提供解释器120，其将来自文件源、病历、支付数据或来自健康护理提供者的输入中的至少一个的原始医疗信息转换成对医疗知识数据库有用的格式，并以该格式将信息供给数据库；以及d)为面向支付者的界面生成数据(参见图1，30；图7)，用于呈现针对患者的潜在治疗的集合以及帮助面向支付者的界面的用户做出报销或承保决定的标记。

Claims (25)

1.一种用于根据关于患者的已知发现的集合来评估一个或多个诊断试验或附加发现的诊断有效性的系统，包括：

a）计算机系统，存储经验证的概率健康模型，所述模型包括从汇集的电子病历或其它医疗知识源获知的医疗知识数据库；以及

b）处理器和相关联的软件指令，其实现基于医疗知识的推理引擎，所述引擎对患者的病史和发现以及所述经验证的概率健康模型进行操作，以：（1）提供关于所述患者的已知发现的集合，其中，所述已知发现的集合由所述推理引擎使用且基于所述患者的病史生成，（2）基于对所述已知发现的集合的确认或否认，确定指示所述患者的一个或多个最可能疾病的附加发现的集合，（3）基于对所述附加发现的集合的确认或否认提供（i）鉴别所述附加发现的集合中的发现的一个或多个诊断试验的集合和（ii）指示所述一个或多个诊断试验或附加发现的诊断有效性或相关性的标记，以及（4）在健康护理提供者与所述患者交互的期间执行步骤（1）至（3），以使所述健康护理提供者能够为所述患者选择要追求的附加试验或发现。

2.如权利要求1所述的系统，还包括：

驻留在健康护理支付者网络上的应用，所述应用从引擎接收标记，所述应用被配置为促进关于所述一个或多个试验的报销或授权决定。

3.如权利要求1所述的系统，还包括：

包含软件应用的计算设备，其中软件应用由健康护理提供者用于查看患者的病史并输入关于患者的状况或症状的发现，其中所述计算设备还包括用于向健康护理提供者呈现关于以下至少一个的信息的界面：（i）所述患者的最可能疾病的集合以及（ii）鉴别所述最可能疾病集合的一个或多个试验或附加发现的集合，（iii）指示所述一个或多个试验的有效性或相关性的标记，或（iv）推理引擎做出的建议的可视化。

4.如权利要求1所述的系统，还包括：

基于web的患者界面，向患者提供诊断有效性信息，其中所述界面提供以下至少一个的显示：（i）所述患者的最可能疾病的集合，以及（ii）鉴别所述最可能疾病的集合的一个或多个试验或附加发现的集合，（iii）指示所述一个或多个试验的有效性或相关性的标记，或（iv）推理引擎做出的建议的可视化。

5.如权利要求1所述的系统，还包括：

解释器，所述解释器将来自文件源、病历、支付数据或来自健康护理提供者的输入中的至少一个的原始医疗信息转换成对所述数据库有用的格式，并且以所述格式将所述信息提供给所述数据库。

6.如权利要求5所述的系统，其中所述格式包括医疗发现和诊断之间的关系、所述关系的有效性得分、以及所述发现和所述诊断的属性。

7.如权利要求6所述的系统，其中，所述发现的属性包括成本属性，并且其中，所述诊断的属性包括严重性属性。

8.如权利要求1所述的系统，其中机器学习模型生成发现和相关联的诊断之间的一个或多个诊断-发现关系。

9.如权利要求1所述的系统，其中所述一个或多个诊断试验和所述标记是由机器学习模型生成的。

10.如权利要求1所述的系统，其中，所述操作还包括：

经由交互图形用户界面，接收所述一个或多个诊断试验中的诊断试验选择；以及

基于所述选择，更新指示所述一个或多个诊断试验的诊断有效性或相关性的所述标记。

11.如权利要求8所述的系统，其中，所述操作还包括：

基于对发现的确认或否认，迭代地更新以下项中的一个或多个：所述已知发现的集合、所述附加发现的集合、或者所述一个或多个诊断-发现关系。

12.如权利要求8所述的系统，其中所述一个或多个诊断-发现关系是基于阳性似然比和阴性似然比，其中每个似然比是基于（i）指示诊断的真阳性率的灵敏度，和（ii）指示诊断的真阴性率的特异度。

13.如权利要求12所述的系统，其中，所述操作还包括：

将所述阳性似然比确定为所述灵敏度和相对特异度的比率，其中所述相对特异度是1与特异性的差；以及

将所述阴性似然比确定为相对灵敏度和所述特异度的比率，其中所述相对灵敏度是1与灵敏度的差。

14.如权利要求1所述的系统，其中，所述操作还包括：

基于相应的成本或相应的似然比，对所述一个或多个诊断试验进行排序。

15.一种用于根据关于患者的已知发现的集合来评估一个或多个诊断试验的诊断有效性的方法，包括：

a）提供经验证的概率健康模型，所述模型从汇集的电子病历或其它医疗知识源获知；以及

b）使用被配置为基于医疗知识的推理引擎的计算机处理器，所述引擎对患者的病史和发现以及所述经验证的概率健康模型进行操作：

（1）提供关于所述患者的已知发现的集合，其中，所述已知发现的集合由所述推理引擎使用且基于所述患者的病史生成，

（2）基于对所述已知发现的集合的确认或否认，确定指示所述患者的一个或多个最可能疾病的附加发现的集合，

（3）基于对所述附加发现的集合的确认或否认提供（i）鉴别所述附加发现的集合中的发现的一个或多个诊断试验的集合和（ii）指示所述一个或多个诊断试验或附加发现的诊断有效性或相关性的标记，以及

（4）在健康护理提供者与所述患者交互的期间执行步骤（1）至（3），以使所述健康护理提供者能够为所述患者选择要追求的附加试验或发现，

c）将关于最可能疾病的集合、所述一个或多个试验和附加发现的集合以及所述标记的数据发送到由健康护理提供者使用的计算设备。

16.如权利要求15所述的方法，还包括步骤：

将所述标记从所述引擎发送到驻留在健康护理支付者网络上的应用，所述应用被配置为促进关于所述一个或多个试验的报销或授权决定。

17.如权利要求15所述的方法，其中计算设备还包括界面，并且其中所述方法还包括以下步骤：在所述界面上呈现关于以下至少一个的信息：（i）患者的最可能疾病的集合以及（ii）鉴别最可能疾病的集合的一个或多个试验的集合，（iii）指示所述一个或多个试验的诊断有效性的标记，或（iv）推理引擎做出的建议的可视化。

18.如权利要求15所述的方法，其中，所述方法还包括步骤：

向基于web的患者界面发送，所述基于web的患者界面向患者提供诊断有效性信息数据，用于生成以下至少一个的显示：（i）患者的最可能疾病的集合以及（ii）鉴别所述最可能疾病的集合的一个或多个试验或附加发现的集合，（iii）指示所述一个或多个试验的有效性或相关性的标记，或（iv）推理引擎做出的建议的可视化。

19.一种用于根据关于患者的已知发现的集合来评估一个或多个诊断试验或附加发现的诊断有效性的系统，包括：

a）经验证的概率健康模型，包括从汇集的电子病历或其它医疗知识源获知的医疗知识数据库；以及

b）基于医疗知识的推理引擎，所述推理引擎对患者的病史和发现以及所述经验证的概率健康模型进行操作，以：（1）提供关于所述患者的已知发现的集合，其中，所述已知发现的集合由所述推理引擎使用并基于所述患者的病史生成，（2）基于对所述已知发现的集合的确认或否认，确定指示所述患者的一个或多个最可能疾病的附加发现的集合，（3）基于对所述附加发现的集合的确认或否认提供（i）鉴别所述附加发现的集合中的发现的一个或多个诊断试验的集合和（ii）指示所述一个或多个诊断试验或附加发现的诊断有效性或相关性的标记，以及（4）在健康护理提供者与所述患者交互的期间执行步骤（1）至（3），以使所述健康护理提供者能够为所述患者选择要追求的附加试验或发现；以及

c）解释器，所述解释器将来自文件源、病历、支付数据或来自专家的输入中的至少一个的原始医疗信息转换成对所述医疗知识数据库有用的格式，并且以该格式将所述信息提供给所述数据库。

20.如权利要求19所述的系统，其中所述格式包括医疗发现和诊断之间的关系、所述关系的有效性得分、以及所述发现和所述诊断的属性。

21.如权利要求20所述的系统，其中所述发现的属性包括成本属性，并且其中所述诊断的属性包括严重性属性。

22.一种用于协助对具有诊断以及包括发现的病史的患者的医疗护理做出报销决定的方法，包括以下步骤：

a）提供经验证的概率健康模型，包括从汇集的电子病历或其它医疗知识源获知的医疗知识数据库；

b）提供基于医疗知识的推理引擎，所述推理引擎对患者的病史和发现以及所述经验证的概率健康模型进行操作，以：（1）确定指示所述患者的一个或多个最可能疾病的附加发现的集合，（2）基于健康护理提供者与所述患者的交互，接收对所述附加发现的集合的确认或否认，（3）生成（i）鉴别所述附加发现的集合中的发现的一个或多个诊断试验的集合和（ii）指示所述一个或多个诊断试验或附加发现的诊断有效性或相关性的标记，以及（4）在健康护理提供者与所述患者交互的期间执行步骤（1）至（3），以使所述健康护理提供者能够为所述患者选择要追求的附加试验或发现；

c）提供解释器，所述解释器将来自文件源、病历、支付数据或来自专家的输入中的至少一个的原始医疗信息转换成对所述医疗知识数据库有用的格式，并且以该格式将所述信息提供给所述数据库；以及

d）为面向支付者的界面生成数据，用于呈现所述一个或多个附加发现和诊断试验的集合和所述标记，以帮助面向支付者的界面的用户做出报销决定。

23.如权利要求22所述的方法，其中，所述标记包括与所述一个或多个附加发现和诊断试验的集合相关联的增量概率、似然比或成本中的至少一个。

24.如权利要求22所述的方法，其中所述格式包括医疗发现和诊断之间的关系、所述关系的有效性得分、以及所述发现和所述诊断的属性。

25.如权利要求24所述的方法，其中所述发现的属性包括成本属性，并且其中所述诊断的属性包括严重性属性。

Images