CN109564772A - 生物学特征分析技术 - Google Patents
生物学特征分析技术 Download PDFInfo
- Publication number
- CN109564772A CN109564772A CN201780047270.XA CN201780047270A CN109564772A CN 109564772 A CN109564772 A CN 109564772A CN 201780047270 A CN201780047270 A CN 201780047270A CN 109564772 A CN109564772 A CN 109564772A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- group
- data acquisition
- acquisition scheme
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000004071 biological effect Effects 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 32
- 238000003745 diagnosis Methods 0.000 claims description 12
- 239000000090 biomarker Substances 0.000 claims description 10
- 230000000747 cardiac effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 206010028980 Neoplasm Diseases 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 201000011510 cancer Diseases 0.000 claims 2
- 238000012360 testing method Methods 0.000 description 8
- 230000002308 calcification Effects 0.000 description 7
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 4
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000016507 interphase Effects 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000012631 diagnostic technique Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 206010060820 Joint injury Diseases 0.000 description 1
- 206010061876 Obstruction Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000002607 contrast-enhanced ultrasound Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011527 multiparameter analysis Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—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)
- Public Health (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
Abstract
本公开涉及一种用于评估生物学特征的方法，所述方法包括呈现图形用户界面，所述图形用户界面允许用户选择定义患者群组的一个或多个特性的患者群组信息并且允许用户从多种分析技术中选择分析技术，其中，所述分析技术对来自第一数据采集模式和第二数据采集模式两者的患者数据进行操作以生成导出变量。所述方法还包括允许用户定义所述导出变量的阈值，以针对患者群组的每个患者定义高于所述阈值的第一患者组和低于所述阈值的第二患者组。
Description
相关申请的交叉引用
本申请要求于2016年7月29日提交的美国专利申请号15/224,364的优先权，所述美国专利申请通过引用以其全文结合在此。
背景技术
本文所公开的主题涉及对生物学特征或生物学数据的分析，并且具体地涉及用于生物学数据的多参数分析的框架。
临床医生和研究人员使用可以提供各种患者参数的数据的多种分析模式。例如，某些成像技术依赖于具有特定结合性质的信号发生器来分析可能与特定临床结果相关联的生物标记的存在和/或浓度。其他诊断成像技术可以包括：超声成像、磁共振(MR)成像、常规射线照相术、计算机断层扫描(CT)成像等。这些技术可以用于检测肿瘤、出血、动脉瘤、病变、阻塞、感染、关节损伤，并且评估解剖学特征。
在蛋白质或核酸生物标记分析的情况下，可以通过使用具有期望生物标记的结合性质的适当信号发生器并且评估表现期望生物标记的共同强度和/或共同定位的数据来平行分析与临床状态关联的两种或更多种不同生物标记的共同表现。如果观察到生物标记的共同表现，则临床医生可以将所述信息用作临床状态诊断的一部分。
然而，尽管在特定分析模式内关联数据可能相对简单，例如，将表现水平或定位进行比较，但是跨分析模式的数据关联可能更具挑战性，特别是当使用在不同时间点处收集的回顾性数据(即，纵向研究)时。进一步地，某些数据可以在体内收集或分析，而其他类型的数据基于离体收集或分析。另外，取决于分析模式，由特定模式生成的信息可以不被存储为原始数据，而是可以作为进而基于特征的组合的索引或其他参数值被处理和提供。
发明内容
在一个实施例中，提供了一种用于评估生物学特征的计算机实现的方法。所述方法包括以下步骤：在显示设备上呈现图形用户界面；在所述图形用户界面上呈现群组选择组件，所述群组选择组件允许用户选择定义患者群组的一个或多个特性的患者群组信息；在所述图形用户界面上呈现参数定义组件，所述参数定义组件允许用户从多种分析技术中选择分析技术，其中，所述分析技术对来自多种数据采集模式的患者数据中的主要变量进行操作以生成导出变量，所述多种数据采集模式包括至少第一数据采集模式和第二数据采集模式；对于具有所述患者群组的所述特性的患者，访问来自至少所述第一数据采集模式和所述第二数据采集模式的患者数据；在所述图形用户界面上呈现阈值组件，所述阈值组件允许用户定义所述导出变量的阈值以定义包括感兴趣的成像特征的一个或多个主要变量；接收用于选择与多个生物标记有关的所述一个或多个主要变量的用户输入，所述主要变量具有来自至少所述第一数据采集模式和所述第二数据采集模式的可用数据；在所述图形用户界面上对所述多个生物标记进行可视化；使用所述分析技术针对所述患者群组中具有来自至少所述第一数据采集模式和所述第二数据采集模式的第一主要变量和第二主要变量的所述可用数据的每个患者来确定所述感兴趣的成像特征的所述导出变量，其中，所述分析技术针对每个患者对所述第一主要变量和所述第二主要变量进行操作以生成所述导出变量；以及基于所述导出变量来显示所述患者群组的患者的统计信息，其中，所述统计信息将所述患者群组分成具有高于所述阈值的所定义变量的第一组患者、以及具有低于所述阈值的所定义变量的第二组。
在另一实施例中，提供了一种方法，所述方法包括以下步骤：在显示设备上呈现图形用户界面；在所述图形用户界面上呈现参数定义组件，所述参数定义组件允许用户从多种分析技术中选择分析技术，其中，所述分析技术对根据至少第一数据采集模式所确定的第一主要变量和根据至少第二数据采集模式所确定的第二主要变量进行操作，以根据所述第一主要变量和所述第二主要变量来生成个体患者的导出变量；对于患者群组的患者，访问来自至少所述第一成像模式和所述第二成像模式的患者数据；使用所述分析技术针对所述患者群组中具有来自所述第一成像模式和所述第二成像模式的所述第一主要变量和所述第二主要变量的可用数据的每个患者来确定所述导出变量；以及确定所述导出变量的阈值，所述阈值将所述患者分成第一组患者和与所述第一组不重叠的第二组患者。
在另一实施例中，提供了一种用于评估生物学特征的系统，所述系统包括：图像采集电路系统，被配置成获取多个患者的图像数据；存储器电路系统，存储所述多个患者的附加数据；用户界面电路系统，被配置成接收一个或多个用户输入；处理电路系统，被配置成：接收所述图像数据并从所述存储器中访问所述附加数据，并且使用所述图像数据和所述附加数据来生成具有根据用户输入所定义的阈值的导出变量；并且当所定义的阈值将所述多个患者分成两个或更多个组时，提供表明所述导出变量有效的指示，其中，所述两个或更多个组中的每一个组与单独的诊断或病症相关联。
附图说明
当参照附图阅读以下具体实施方式时，将更好地理解本发明的这些和其他特征、方面和优点，贯穿附图，相同的标记表示相同的部分，在附图中：
图1是根据本说明书的各方面的用于生物学特征分析的系统的图解图示；
图2是根据本说明书的各方面的生物学特征分析方法的流程图；
图3是根据本说明书的各方面的促进用户选择患者数据以定义感兴趣特征的图形用户界面的图示；
图4是根据本说明书的各方面的促进用户选择变量和操作以定义感兴趣特征的图形用户界面的图示；并且
图5是根据本说明书的各方面的用于识别新的感兴趣生物学特征的方法的流程图。
具体实施方式
本文提供了用于评估患者数据以确定用于评估患者病症的有用参数的技术的实施方式。临床医生通常使用各种测试模式或成像模式来获得关于患者的信息以诊断或预测临床状态的风险、关于具体治疗的成功做出预测、或评估医疗干预的结果。应用来自测试模式的结果可以是相对简单的，比如，针对前列腺特异性抗原(PSA)的血液测试，由此，患者血液中的浓度高于一定值指示发生前列腺癌的特定风险。当考虑诸如年龄等附加因素时，评估的复杂性可能增大，由此，较年轻患者的特定PSA值与较老患者中的相同PSA值相比与更高的风险相关联。因此，改进的分析可能涉及基于年龄的变换，而不是简单的阈值分析。
随着医疗技术的发展，临床医生可以访问越来越多的数据量，但可能不能够在不同的数据集之间形成有意义的联系，所述数据集具体地来自不同模式的数据(例如，成像数据和血液测试数据)和/或在不同的时间点处获取的数据。虽然某些研究者可能在另一个参数的背景下对特定临床参数进行研究，但此类研究通常涉及大量的患者群组，并且如果患者不适合所定义的群组或者不具有在研究中所定义的可用数据，则此类研究可能是不相关的。
本文提供了用于在患者数据集内产生感兴趣特征的技术。感兴趣特征可以表示新的测试或诊断技术，所述新的测试或诊断技术促进以独立于测试模式的方式对可用的患者数据进行评估并且可以用于识别具有临床意义的新参数。例如，来自一个或多个患者的数据可以被用作所述技术的输入。在一种实施方式中，所述技术提供用户可修改的分析框架，所述分析框架促进对用于识别诸如感兴趣的生物学特征等生物参数的患者数据的各种相关性进行评估。所述技术不仅允许用户选择感兴趣的输入(例如，数据类型、患者特性)，而且还允许用户选择所应用的分析并且允许用户选择阈值或范围目标。进一步地，所述技术促进对参数中的参数进行识别和操纵。也就是说，如果特定参数值被用作第一级输入，则可以通过对一个或多个输入参数进行的变换或其他操纵来生成第二级输出。
将用户可选择的阈值应用于导出变量以将患者分成两个或更多个组。基于对这两个或更多个组中的患者的临床特性的分析，确定使用感兴趣的候选特征(例如，被应用于导出变量的阈值)的质量。例如，如果使用感兴趣的特征根据对疾病的特定诊断(第一组)和没有所述对疾病的特定诊断(第二组)来分离患者，则所述感兴趣的特征被评估为对于诊断其参数数据可用但未确诊所述疾病的患者是有用的。除了第二级参数之外，本发明的技术在特定实施方式中还生成第三级或更高级别的参数中的参数。也就是说，在将第一导出变量和第二导出变量用作输入时，生成第三级导出变量输出。作为到感兴趣特征的输入的所生成导出变量可以用于在患者数据中进行有意义的关联以促进对现有数据的分析。此外，这类特征可以用于为缺乏特定成像模式或其他输入数据但具有可以允许经由如本文提供的一个或多个特征进行分析的其他类型的输入数据的患者生成诊断。
图1是可以结合所公开的技术使用的用于生物学特征分析的系统10的框图。所述系统包括分析设备12，所述分析设备包括显示器14和I/O电路系统16，以便允许用户与经由显示器14呈现的图形用户界面进行交互。分析设备12还包括处理电路系统18和存储器电路系统20，所述存储器电路系统存储可由处理电路系统18执行的指令。分析设备12可以从一种或多种数据采集模式30接收存储在存储器电路系统20中的数据22。数据采集模式30可以包括：磁共振成像系统、超声成像系统、对比增强超声成像系统、光学成像系统、X射线成像系统、计算机断层扫描成像系统、正电子发射断层扫描成像系统等等。数据采集模式30还可以包括患者监测设备或血液实验室值数据采集设备。所接收的数据与一个或多个个体患者及其相应的患者信息相关联，所述患者信息诸如年龄、性别、身体特性(身高、体重)、病史和治疗史等。
在操作中，分析设备12可以执行如图2的流程图中所示的方法50的一个或多个步骤或者与执行所述步骤的操作员结合使用。操作员可以通过与专门编程的计算机的图形用户界面进行交互来开始对感兴趣的导出变量进行评估，所述专门编程的计算机被编程为允许用户定义对来自患者群组的患者数据执行的分析技术或操作(框52)。所述操作可以是对患者数据或对从患者数据中导出的参数进行操作的统计操作或数学运算。为此，一旦用户定义了操作，就访问患者数据(框54)，并且对患者数据执行操作以确定导出变量(框56)。如果患者群组具有明确定义的特性，则可以对导出参数进行评估以判定基于所述特性将患者分成组的导出变量的阈值是否存在(框58)。如果存在，则导出变量及其相关联阈值产生感兴趣的特征或感兴趣的参数。在一个实施例中，分析设备可以对所有所确定的所定义变量(例如，最小值、最大值、均值、直方图)执行聚合操作，并显示结果以提供关于患者群组的附加信息。
本文提供的患者数据分析技术可以在允许用户访问和定义期望分析技术的图形用户界面上实施。图3是示例图形用户界面显示100，其可以通过分析设备12来实施以允许用户交互并选择感兴趣的变量。在一个示例中，处于发现模式的用户希望根据患者数据中的现有变量来定义新的感兴趣的导出参数。在这种示例中，用户访问来自可用患者库的患者数据。患者库可以是与用户的设施相关联的患者或已同意允许将数据用于调查的患者。取决于感兴趣的导出变量的临床应用，用户选择具有诸如年龄、性别等特定特性的患者群组以便进行分析。
在另一实施例中，患者群组可以由可用的感兴趣主要变量来定义。例如，如果用户希望生成结合特定主要变量的导出变量，则第一选择可以是具有与感兴趣的主要变量相关联的数据的患者。在特定示例中，用户选择具有可用ECG数据的患者作为患者群组。如图4所示，图形用户界面屏幕还可以允许选择主要变量。在ECG数据的示例中，用户可以选择诸如PR间期、QRS持续时间、QT间期、RR间期、脉搏率、平均心电轴等ECG相关联变量作为主要变量。然后，用户选择感兴趣的第二主要变量(并且在某些实施例中，第三、第四、第五等)以便进行下游操作。在ECG数据的示例中，用户可能对心脏事件感兴趣。因此，第二主要变量可以是C反应蛋白实验室值。在另一实施例中，第二主要变量是根据心脏CT扫描所确定的钙化评分。在又另一实施例中，主要变量包括体素强度值或从其导出的参数。在又另一实施例中，主要变量包括表观扩散系数(ADC)、脑血容量(CBV)、或者标准摄取值(SUV)。
每个主要变量与特定时间点或时间窗口相关联。例如，时间点可以与同所定义的基线有关的时间(例如，第一次化学疗法治疗的日期)相关联，使得所述时间点被表示为t+或t-时间。时间可以是绝对时间、相对时间或经过时间。用户可以将主要变量定义为从特定时间点开始或与另一个主要变量的时间点有关。
患者数据可以包括由不同类型的数据采集模式生成的主要变量。例如，患者的脉搏率或心率可变性可以由ECG、血压监测设备和脉搏血氧饱和度监测器来确定。如本文所提供的，用户可以指定感兴趣的变量应该与所定义的数据采集模式相关联。可替代地，用户可以指示对主要变量的来源(比如，ECG数据)的偏好，并且当来自优选来源的数据不可用时，允许使用如根据其他数据采集模式所确定的变量。用户还可以设置判定是否使用了特定患者的数据的数据质量过滤器或容差水平。
在某些实施方式中，患者数据(例如，图1的患者数据22)在后处理时提供，并且其中，已经计算出主要变量。以这种方式，分析设备(例如，图1的分析设备12)可以不包括用于处理多种不同数据采集模式的原始数据的功能。然而，即使对于在后处理时所接收的数据，与对来自不同类型的数据采集模式的变量或甚至来自同一模式的不同诊断测量结果进行的分析相关联的一个挑战在于所计算出的变量可能以不同的单位表示。例如，葡萄糖筛查结果以毫克每分升(mg/dL)或毫摩尔每升(mmol/L)表示。本发明的技术可以包括主要变量归一化步骤，以便在执行任何操作之前将特定主要变量的可用患者数据自动归一化到相同的单位。在另一个实施例中，本发明的技术还可以包括在不存在期望的主要变量的情况下从可用数据集中导出此类变量。例如，针对具有R-R值的ECG数据集，可以基于所述R-R值来导出心率。
一旦选择了两个或更多个主要变量，用户就可以与图形用户界面交互以选择要执行的操作以生成导出变量。在一个实施例中，用户手动地定义数学运算。在另一实施例中，可以从菜单中选择某些操作。例如，可选操作可以包括线性运算、二次运算、对数运算和指数运算。进一步地，用户可以定义在此阶段对主要变量进行的一个或多个数学运算。一个或多个数学运算产生进而可以用于分离群组内的患者的导出变量。例如，导出变量可以用作评分，其中，一个或多个阈值基于其导出变量值将具有主要变量的患者分成组。阈值也是用户定义的，从而允许用户判定改变阈值是否会产生改善的预测结果。
为了识别或评估感兴趣的候选特征，在选择操作并确定一个或多个导出变量之后，用户可以通过比较被分成组的患者来评估导出变量和用户选择的阈值的预测意义。可以对回顾性患者数据执行这种评估。例如，针对希望评估心肌梗塞的预测变量的用户，评估可以涉及判定在一定时间范围内低于阈值的患者是否都是心肌梗塞阴性并且高于阈值的患者是否都是心肌梗塞阳性(或反之亦然)。可以向上或向下调整阈值以判定这种改变是否改善了预测值。
在另一实施例中，所公开的技术可以用于判定感兴趣的特征是否比现有预测参数更具预测性。例如，患者数据可以被评估以获得钙化评分，并且通过如本文所提供的用户导出变量来单独评估。基于对钙化评分是否准确预测五年内心肌梗塞发生率的分析，可以直接将导出变量的预测值与钙化评分进行比较。如果钙化评分错失了评分为零但在所讨论的时间窗口内仍有心脏事件的任何患者(例如，如果钙化评分提供假阴性)，则可以通过提供较少假阴性的措施将感兴趣的特征评估为更具预测性。如果钙化评分提供任何假阳性，则可以通过提供较少假阴性的措施将感兴趣的特征评估为更具预测性。因此，可以相对于现有参数来评估感兴趣的特征的灵敏度和特异性。如果感兴趣的特征更具特异性和/或更敏感，则导出变量可以是临床试验或其他研究的候选项。
图5是从多个导出变量和对应所应用的阈值中识别感兴趣特征的方法120的流程图。所描绘的方法120是两个用户选择的主要变量——主要变量1(框122)与主要变量2(框124)——之间的交叉分析的示例。这两个主要变量都用作单独且不同操作的输入，以生成导出变量1(框126)和导出变量2(框128)。对每个导出变量应用单独的阈值。导出变量1具有所应用的第一阈值，并且仅仅其导出变量小于用户选择的阈值的患者被识别为具有感兴趣特征1(框130)。导出变量2具有所应用的第二阈值，并且仅仅其导出变量2小于第二阈值的患者被识别为具有感兴趣特征2(框132)。最终的感兴趣的特征是具有感兴趣特征1或感兴趣特征2的患者的总集(框134)。可以基于患者数据和医疗记录来评估与所识别的患者集不重叠的剩余者集，以判定感兴趣的特征是否识别出具有期望的特异性和/或敏感性的患者。
本发明的技术效果包括向用户提供使用来自多个不同来源的医疗信息来创建用于分析的新的且有意义的参数的能力。所述技术还可以用于评估现有诊断测试的有效性，并判定是否可以使用与其他变量的组合来产生更准确的预测结果。所述技术可以用于各种设置，并且可以结合或独立于数据采集模式来实施。进一步地，通过允许用户定义变量与所生成的导出变量的阈值之间的关系，可以针对可用的患者数据来定制对特定患者数据集的分析。
本书面说明书使用示例来公开本发明，包括最佳模式，同时也使得本领域任何技术人员能够实践本发明，包括制造并使用任何设备或系统以及执行所并入的任何方法。本发明可获得专利的保护范围由权利要求书来限定，并且可以包括本领域技术人员能够想到的其他示例。如果这些其他示例具有与权利要求的字面语言并非不同的结构要素，或如果它们包括具有与权利要求的字面语言非实质性差异的等同结构要素，则它们意图处于权利要求的范围内。
Claims (22)
1.一种用于评估生物学特征的计算机实现的方法，所述方法包括：
在显示设备上呈现图形用户界面；
在所述图形用户界面上呈现群组选择组件，所述群组选择组件允许用户选择定义患者群组的一个或多个特性的患者群组信息；
在所述图形用户界面上呈现参数定义组件，所述参数定义组件允许用户从多种分析技术中选择分析技术，其中，所述分析技术对来自多种数据采集模式的患者数据中的主要变量进行操作以生成导出变量，所述多种数据采集模式包括至少第一数据采集模式和第二数据采集模式；
对于具有所述患者群组的所述特性的患者，访问来自至少所述第一数据采集模式和所述第二数据采集模式的患者数据；
在所述图形用户界面上呈现阈值组件，所述阈值组件允许用户定义所述导出变量的阈值以定义包括感兴趣的成像特征的一个或多个主要变量；
接收用于选择与多个生物标记有关的所述一个或多个主要变量的用户输入，所述主要变量具有来自至少所述第一数据采集模式和所述第二数据采集模式的可用数据；
在所述图形用户界面上对所述多个生物标记进行可视化；
使用所述分析技术针对所述患者群组中具有来自至少所述第一数据采集模式和所述第二数据采集模式的第一主要变量和第二主要变量的所述可用数据的每个患者来确定所述感兴趣的成像特征的所述导出变量，其中，所述分析技术针对每个患者对所述第一主要变量和所述第二主要变量进行操作以生成所述导出变量；以及
基于所述导出变量来显示所述患者群组的患者的统计信息，其中，所述统计信息将所述患者群组分成具有高于所述阈值的所定义变量的第一组患者、以及具有低于所述阈值的所定义变量的第二组。
2.如权利要求1所述的方法，其中，所述第一数据采集模式和所述第二数据采集模式中的一者或两者是成像模式。
3.如权利要求1所述的方法，其中，所述第一数据采集模式和所述第二数据采集模式相同。
4.如权利要求1所述的方法，其中，来自所述第一数据采集模式和所述第二数据采集模式的患者数据是在不同时间点从具有可用数据的每个个体患者获取的。
5.如权利要求4所述的方法，其中，来自所述第二数据采集模式的所述患者数据是在与来自所述第一数据采集模式的所述患者数据的获取时间有关的所定义时间窗口中获取的。
6.如权利要求1所述的方法，在所述图形用户界面上呈现第二阈值组件，所述第二阈值组件允许用户针对来自所述第一数据采集模式或所述第二数据采集模式的所述患者数据来定义第二阈值。
7.如权利要求6所述的方法，其中，确定所述导出变量包括仅使用来自所述第一数据采集模式或所述第二数据采集模式的高于所述第二阈值的所述患者数据。
8.如权利要求6所述的方法，其中，确定所述导出变量包括仅使用来自所述第一数据采集模式或所述第二数据采集模式的低于所述第二阈值的所述患者数据。
9.如权利要求6所述的方法，其中，所述第二阈值定义体素值。
10.如权利要求1所述的方法，包括：在所述图形用户界面上呈现容差组件，所述容差组件允许用户定义来自所述第一成像模式或所述第二成像模式的所述患者数据的容差。
11.如权利要求10所述的方法，其中，确定所述导出变量包括仅使用来自所述第一成像模式或所述第二成像模式的高于所述容差的所述患者数据。
12.如权利要求1所述的方法，其中，所述统计信息包括表明每个所确定的导出变量与所述患者群组中处于所述第一组和所述第二组中的所述患者的所述阈值的关系的指示。
13.如权利要求1所述的方法，其中，所述分析技术包括对根据来自所述第一数据采集模式的患者数据所计算的第一中间参数和根据来自所述第二数据采集模式的患者数据所计算的第二中间参数进行操作。
14.如权利要求1所述的方法，其中，所述分析技术包括聚合统计分析，所述聚合统计分析包括根据所述导出变量确定的均值或直方图。
15.一种用于评估生物学特征的计算机实现的方法，所述方法包括：
在显示设备上呈现图形用户界面；
在所述图形用户界面上呈现参数定义组件，所述参数定义组件允许用户从多种分析技术中选择分析技术，其中，所述分析技术对根据至少第一数据采集模式所确定的第一主要变量和根据至少第二数据采集模式所确定的第二主要变量进行操作，以根据所述第一主要变量和所述第二主要变量来生成个体患者的导出变量；
对于患者群组的患者，访问来自至少所述第一成像模式和所述第二成像模式的患者数据；
使用所述分析技术针对所述患者群组中具有来自所述第一成像模式和所述第二成像模式的所述第一主要变量和所述第二主要变量的可用数据的每个患者来确定所述导出变量；以及
确定所述导出变量的阈值，所述阈值将所述患者分成第一组患者和与所述第一组不重叠的第二组患者。
16.如权利要求15所述的方法，其中，所述第一主要变量和所述第二主要变量是根据来自至少所述第一成像模式或所述第二成像模式的原始成像数据所计算的成像变量。
17.如权利要求15所述的方法，其中，所述第一组中的所述患者展现出所述第二组中的所述患者未展现出的临床状态。
18.如权利要求17所述的方法，其中，所述第一组中的所述患者具有癌症诊断而所述第二组中的所述患者不具有癌症诊断。
19.如权利要求17所述的方法，其中，所述第一组中的所述患者具有心脏诊断而所述第二组中的所述患者不具有心脏诊断。
20.一种用于评估生物学特征的系统，所述系统包括：
图像采集电路系统，被配置成获取多个患者的图像数据；
存储器电路系统，存储所述多个患者的附加数据；
用户界面电路系统，被配置成接收一个或多个用户输入；
处理电路系统，被配置成：
接收所述图像数据并从所述存储器中访问所述附加数据，并且使用所述图像数据和所述附加数据来生成具有根据用户输入所定义的阈值的导出变量；并且
当所定义的阈值将所述多个患者分成两个或更多个组时，提供表明所述导出变量有效的指示，其中，所述两个或更多个组中的每一个组与单独的诊断或病症相关联。
21.如权利要求20所述的系统，其中，所述两个或更多个组包括与阳性心脏诊断相关联的第一组和与阴性心脏诊断相关联的第二组，其中，在所述第一组中的患者不在所述第二组中。
22.如权利要求20所述的系统，其中，所述附加数据是先前基于所述图像数据确定的第一主要变量和第二主要变量，并且其中，所述处理电路系统被配置成根据所述用户输入对所述第一主要变量和所述第二主要变量进行操作，以确定所述导出变量。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/224,364 US20180032681A1 (en) | 2016-07-29 | 2016-07-29 | Biological feature analysis technique |
| US15/224,364 | 2016-07-29 | ||
| PCT/US2017/043974 WO2018022767A1 (en) | 2016-07-29 | 2017-07-26 | Biological feature analysis technique |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109564772A true CN109564772A (zh) | 2019-04-02 |
Family
ID=61009856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780047270.XA Pending CN109564772A (zh) | 2016-07-29 | 2017-07-26 | 生物学特征分析技术 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20180032681A1 (zh) |
| CN (1) | CN109564772A (zh) |
| WO (1) | WO2018022767A1 (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080082368A1 (en) * | 2005-11-30 | 2008-04-03 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational systems and methods related to nutraceuticals |
| CN101584578A (zh) * | 2008-09-10 | 2009-11-25 | 上海市肺科医院 | 一种对结节病与不典型结核病的综合评分参数的分析方法 |
| CN102652317A (zh) * | 2009-12-10 | 2012-08-29 | 皇家飞利浦电子股份有限公司 | 用于连续存储以及联合分析图像和非图像医学数据的诊断技术 |
| US20120270752A1 (en) * | 2011-04-22 | 2012-10-25 | Ge Global Research | Analyzing the expression of biomarkers in cells with moments |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7809660B2 (en) * | 2006-10-03 | 2010-10-05 | International Business Machines Corporation | System and method to optimize control cohorts using clustering algorithms |
| EP2283445A1 (en) * | 2008-05-19 | 2011-02-16 | F. Hoffmann-La Roche AG | Computer research tool for the organization, visualization and analysis of metabolic-related clinical data and method thereof |
| US8515989B2 (en) * | 2010-02-12 | 2013-08-20 | Ronald E. Fernandez | Dynamic data management system and method for collecting data from disperse sources in real-time |
| US8930223B2 (en) * | 2012-03-30 | 2015-01-06 | International Business Machines Corporation | Patient cohort matching |
-
2016
- 2016-07-29 US US15/224,364 patent/US20180032681A1/en not_active Abandoned
-
2017
- 2017-07-26 CN CN201780047270.XA patent/CN109564772A/zh active Pending
- 2017-07-26 WO PCT/US2017/043974 patent/WO2018022767A1/en active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080082368A1 (en) * | 2005-11-30 | 2008-04-03 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational systems and methods related to nutraceuticals |
| CN101584578A (zh) * | 2008-09-10 | 2009-11-25 | 上海市肺科医院 | 一种对结节病与不典型结核病的综合评分参数的分析方法 |
| CN102652317A (zh) * | 2009-12-10 | 2012-08-29 | 皇家飞利浦电子股份有限公司 | 用于连续存储以及联合分析图像和非图像医学数据的诊断技术 |
| US20120270752A1 (en) * | 2011-04-22 | 2012-10-25 | Ge Global Research | Analyzing the expression of biomarkers in cells with moments |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180032681A1 (en) | 2018-02-01 |
| WO2018022767A1 (en) | 2018-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111447874A (zh) | 判别装置、抑郁症状的判别方法、抑郁症状的水平的判断方法、抑郁症患者的分类方法、抑郁症状的治疗效果的判断方法和脑活动训练装置 | |
| JP5553972B2 (ja) | 電子医療記録影響データ取得、処理および表示システムおよび方法 | |
| JP5785184B2 (ja) | 画像の医療データ及び非画像の医療データの両者の連続的な記憶及び統合された分析のための診断技術 | |
| CN102665565B (zh) | 医用图像处理装置 | |
| US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
| CN110292396B (zh) | 定量成像的预测使用 | |
| RU2007124523A (ru) | Способы, системы и компьютерные программные продукты для разработки и использования прогнозных моделей для прогнозирования большинства медицинских случаев, оценки стратегий вмешательства и для одновременной оценки нерегулярности биологических маркеров | |
| EP3528261A1 (en) | Prediction model for grouping hepatocellular carcinoma, prediction system thereof, and method for determining hepatocellular carcinoma group | |
| KR20210095654A (ko) | 영상을 사용하여 유방암 위험을 평가하기 위한 시스템 및 방법 | |
| US20120166211A1 (en) | Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method | |
| CN104736046A (zh) | 用于数字评估脉管系统的系统和方法 | |
| CN108366752A (zh) | 脑活动分析装置、脑活动分析方法、程序以及生物标记物装置 | |
| JP2020062369A (ja) | 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム | |
| Antila et al. | The PredictAD project: development of novel biomarkers and analysis software for early diagnosis of the Alzheimer's disease | |
| CN112669960A (zh) | 一种基于机器学习方法的肝脏纤维化预测模型的构建方法、预测系统、设备和存储介质 | |
| Laudicella et al. | Artificial neural networks in cardiovascular diseases and its potential for clinical application in molecular imaging | |
| CN115691794A (zh) | 一种神经诊断的辅助分析方法及系统 | |
| CN113077875A (zh) | Ct影像的处理方法及装置 | |
| CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
| CN109564772A (zh) | 生物学特征分析技术 | |
| JP6128383B2 (ja) | ３次元画像解析表示制御装置および方法並びにプログラム | |
| Sharma et al. | Role of Artificial Intelligence in Biomedical Imaging | |
| JP7057995B2 (ja) | 哺乳動物におけるうつ病の病態プロファイルを検出するバイオマーカーとその利用 | |
| Jegelevicius et al. | Web-based health services and clinical decision support | |
| CN118841149A (zh) | 用于确定动态检查过程的系统 |
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: 20190402 |