CN109979587A

CN109979587A - 患者健康护理交互设备及其实施方法

Info

Publication number: CN109979587A
Application number: CN201811600089.XA
Authority: CN
Inventors: S·提; A·古古拉穆迪
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2017-12-27
Filing date: 2018-12-26
Publication date: 2019-07-05
Also published as: US20190198169A1; US10957451B2

Abstract

公开了用于改进对医学治疗的选择的方法、装置和系统。一种示例装置包括：用户界面，用于接收患者的健康信息；以及数据分析仪，用于访问存储在数据库中的历史患者信息，并且基于对存储在数据库中的历史患者信息与所述患者的所述健康信息的比较来确定病症。所述示例装置包括：机器学习引擎，用于推荐治疗计划，所述机器学习引擎包括：数据分析算法服务器，用于确定所述治疗计划针对所述病症的成功率；以及模型生成器，用于生成患者模型，其中，所述患者模型预测所述治疗计划的效果。所述示例装置包括：通信接口，用于促进安排与临床医生的预约。所述示例装置包括：所述用户界面用于接收来自所述患者的指示所述治疗计划有效性的健康跟踪信息，并且对所述健康跟踪信息进行存储。

Description

患者健康护理交互设备及其实施方法

技术领域

本公开总体上涉及一种健康护理交互设备，并且更具体地涉及用于患者健康护理交互设备的方法和装置以及用于实施所述患者健康护理交互设备的方法。

背景技术

患者在被诊断为患有某种病症之后由临床医生来规定治疗。在一些示例中，治疗需要由医学专业人士通过若干次医院就诊来施予。例如，一些病症需要医学治疗延续几个月。经常，治疗选择是由临床医生基于他们的经验来进行的。

附图说明

图1展示了可以在其中实施本文公开的示例的示例系统。

图2展示了患者数字孪生体的示例实施方式。

图3展示了患者数字孪生体与用于实现患者治疗效果的先进协调技术之间的示例关系。

图4A和图4B展示了诸如提供给图3的示例中的数字孪生体/形成其一部分的行为选择与环境决定因素或社交决定因素的示例模型。

图5是可以用于实施患者数字孪生体的示例深度学习神经网络的表示。

图6A、6B、6C、6D、6E和6F是指示示例病症治疗成功率和分析数据的示例图形。

图7是在图1的系统中实施的示例患者健康护理交互设备的框图。

图8是图1和图7的示例患者健康护理交互设备的示例数据结构。

图9是图1和图7的示例患者健康护理交互设备的示例用户界面。

图10是图1和图7的患者健康护理交互设备的示例操作的示例流程图。

图11是表示图1和/或图7的患者健康护理交互设备的实施方式的流程图。

图12是表示可由图1和/或图7的患者健康护理交互设备执行以便对所述患者健康护理交互设备进行操作的机器可读指令的流程图。

图13是表示可由图1和/或图7的患者健康护理交互设备执行以便选择治疗计划的机器可读指令的流程图。

图14是表示可由图1和/或图7的患者健康护理交互设备执行以便与过去患者进行通信的机器可读指令的流程图。

图15A、15B、15C、15D是表示可由图1和/或图7的患者健康护理交互设备执行以便确定分析数据的机器可读指令的流程图。

图16是表示可由图1和/或图7的患者健康护理交互设备执行以便基于成功率来推荐治疗计划的机器可读指令的流程图。

图17是表示可由图1和/或图7的患者健康护理交互设备执行以便基于临床医生成功率来选择临床医生的机器可读指令的流程图。

图18是表示可由图1和/或图7的患者健康护理交互设备执行以便自动或手动选择因素确定的机器可读指令的流程图。

图19是表示可由图1和/或图7的患者健康护理交互设备执行以便以子间隔来评估患者或治疗成功的机器可读指令的流程图。

图20是示例处理器平台结构的框图，所述处理器平台结构用于执行图12、图13、图14、图15A、图15B、图15C、图15D、图16、图17、图18和/或图19的示例计算机可读指令，和/或用于实施图1和/或图7的患者健康护理交互设备。

这些附图并非是按比例绘制的。

发明内容

公开了用于对病症治疗计划的改进选择的方法、装置、系统和制品。

某些示例提供了一种用于选择医学治疗的装置，所述装置包括：用户界面，用于接收患者的健康信息，所述健康信息包括病症的症状。所述示例系统另外包括：数据分析仪，用于访问存储在过去患者数据库中的历史患者信息，并且基于对存储在过去患者数据库中的历史患者信息与所述患者的所述健康信息的比较来确定病症。所述示例装置还包括：机器学习引擎，用于推荐要由所述用户界面呈现的至少一项治疗计划，所述机器学习引擎包括：数据分析算法服务器，用于确定所述至少一项治疗计划针对所述病症的成功率，所述成功率基于所述患者的所述健康信息以及历史健康信息；以及模型生成器，用于生成患者模型，其中，所述患者模型基于所述成功率来预测在所述治疗计划的持续时间内所述至少一项治疗计划的效果以及所述病症的症状。所述示例装置另外包括：通信接口，用于在所述患者经由所述用户界面选择所述治疗计划之后促进安排与临床医生的预约。所述示例装置另外包括：所述用户界面用于接收来自所述患者的指示治疗计划有效性的健康跟踪信息，并且将所述健康跟踪信息存储在患者数据库中。

某些示例提供了一种用于选择医学治疗的计算机实现的方法，所述方法包括：经由用户界面来接收患者的健康信息，所述健康信息包括病症的症状。所述示例计算机实施方法还包括：经由数据分析仪来访问存储在过去患者数据库中的历史患者信息。所述示例计算机实施方法另外包括：经由数据分析仪基于对存储在过去患者数据库中的历史患者信息与所述患者的所述健康信息的比较来确定病症。所述示例计算机实施方法还包括：通过以下操作来推荐要由所述用户界面呈现的至少一项治疗计划：经由数据分析算法服务器来确定所述至少一项治疗计划针对所述病症的成功率，所述成功率基于所述患者的所述健康信息以及历史健康信息；并且经由模型生成器来生成患者模型，其中，所述患者模型基于所述成功率来预测在所述治疗计划的持续时间内所述至少一项治疗计划的效果以及所述病症的症状。所述示例计算机实施方法另外包括：在所述患者经由所述用户界面选择所述治疗计划之后，经由通信接口来安排与临床医生的预约。所述示例计算机实施方法还包括：经由所述用户界面来接收来自所述患者的指示治疗计划有效性的健康跟踪信息，并且将所述健康跟踪信息存储在患者数据库中。

某些示例提供了一种非暂态计算机可读存储介质，包括用于选择医学治疗的计算机可读指令，所述指令当被执行时使处理器至少接收患者的健康信息，所述健康信息包括病症的症状。所述示例指令当被执行时使所述至少一个处理器访问存储在过去患者数据库中的历史患者信息。所述示例指令当被执行时使所述至少一个处理器基于对存储在过去患者数据库中的历史患者信息与所述患者的所述健康信息的比较来确定病症。所述示例指令当被执行时使所述至少一个处理器基于进一步使所述处理器进行以下操作的所述指令来推荐要由用户界面呈现的至少一项治疗计划：确定所述至少一项治疗计划针对所述病症的成功率，所述成功率基于所述患者的所述健康信息以及历史健康信息；并且生成患者模型，其中，所述患者模型基于所述成功率来预测在所述治疗计划的持续时间内所述至少一项治疗计划的效果以及所述病症的症状。所述示例指令当被执行时使所述至少一个处理器在所述患者经由所述用户界面选择所述治疗计划之后促进安排与临床医生的预约。所述示例指令当被执行时使所述至少一个处理器接收来自所述患者的指示治疗计划有效性的健康跟踪信息，并且将所述健康跟踪信息存储在患者数据库中。

具体实施方式

人们定期地关心他们的健康并且会利用用于访问关于病症、医生和治疗的信息的技术。然而，这种信息经常可能是难以访问或者是不准确的。在一些示例中，自诊断是不正确的，而在其他示例中，治疗对人的健康无效或者甚至有害。另外，人们可能向具有与当前影响患者的病症不一致的专业的临床医生(例如，医生、注册护士、医师助手、护士、药剂师等)进行咨询。

在一些示例中，患者经常被临床医生诊断为患有某种病症。一些病症可能需要延伸的治疗计划。患者的临床医生可以针对病症来推荐治疗计划，但是所述治疗计划可能例如不是可用于所述病症的最佳治疗计划或者对于所述患者而言是过度繁重的。临床医生可能并不熟悉所述病症或者缺乏关于可能对所述患者更好的新治疗计划的经验。在这样的示例中，所述患者并未接受到对于其诊断出的病症的最佳健康护理。

对于一些病症的治疗可能会需要数月和多次医院就诊。其他治疗可能会需要施予对施予持续时间产生不良副作用的药物。因此，一些治疗计划未被完成，因为患者太难以完成治疗计划，并且患者的健康受到临时副作用的不良影响。

例如，如果患者被诊断为患有视网膜血管炎，则临床医生可能开具类固醇来治疗疾病。尝试所述治疗的患者发现病症恶化了。然后，患者可能寻找第二个临床医生，所述临床医生开具将要利用激光治疗施予的不同类固醇。患者可能发现治疗部分地成功，但在朋友的建议下找到专门从事顺势疗法治疗的临床医生。患者发现在顺势疗法治疗之后疾病被完全治愈。在典型的医疗中心中，并未记录这三种治疗计划的成功率，并且每个临床医生都会继续施予其治疗计划。另外，未来患者可能被施予这些具有低成功率的治疗计划。

根据本公开，基于患者信息和诊断出的病症而向患者和临床医生提供有关于治疗计划成功率的信息。在一些示例中，还向患者提供临床医生治疗某种病症的成功率。另外，患者可以与过去患者讨论所述治疗计划以便最好地了解给定的治疗计划的预期结果。因此，帮助患者选择临床医生和治疗计划并告知所述患者与所述治疗计划相关联的困难帮助改进正在针对病症而被治疗的患者的总体成功率。

例如，在被诊断为患有某种病症之后，患者的信息被输入到患者健康护理交互设备中。信息可以包括年龄、种族、性别、病史和病症诊断。患者健康护理交互设备通过患者健康护理交互设备模型来处理患者信息并且为患者提供成功率。在一些示例中，成功率被显示为具有三条轴线(例如，三维(3D))。在其他示例中，患者健康护理交互设备可以生成患者的数字“孪生体(twin)”，以便基于相似患者的历史数据来预测若干种可能治疗计划的治疗效果，包括成功率和并发症。另外地或可替代地，在一些示例中，可以在虚拟环境或增强现实环境中显示成功率和/或数字孪生体。

数字孪生体是对患者的采用关于物理系统的数字信息构造形式的数字表示(例如，数字模型、数字“影子”等)。即，数字信息可以被实施为物理设备/系统/与所述物理设备/系统相关联和/或嵌入在其内的个人和信息的“孪生体”。数字孪生体通过物理系统的生命周期而与物理系统联系在一起。在某些示例中，数字孪生体包括真实空间中的物理对象、此物理对象的存在于虚拟空间中的数字孪生体、以及将物理对象与其数字孪生体联系在一起的信息。数字孪生体存在于与真实空间相对应的虚拟空间中，并且包括数据流从真实空间到虚拟空间的链接以及信息流从虚拟空间到真实空间和虚拟子空间的联系。例如，数字孪生体可以预测刺激对真实空间中的物理对象的真实效果。

在一些示例中，患者被给予联系当前或先前经受相似推荐治疗的其他患者的选项。通过能够匿名地联系过去患者，当前患者可以更好地了解经受治疗所带来的副作用、成功、并发症等。了解治疗有助于患者选择最适合其生活的治疗或者更好地为治疗计划做准备。另外地或可替代地，尽管具有副作用或并发症，但是过去患者可以对通过治疗计划的益处进行评价，从而鼓励当前患者经受诸如化疗、大面积手术等困难治疗计划。

在治疗病症期间或之后，患者治疗数据被输入到系统中。在治疗期间，可以使用诸如Apple Healthkit^TM、Google Fit^TM、Microsoft HealthVault^TM等各种健康跟踪器系统来输入患者治疗数据。由这些活动和健康跟踪系统提供的治疗数据被用于在治疗之前、治疗期间和治疗之后为患者健康护理交互设备提供对患者健康的日常度量。另外，可以在医疗中心就诊期间收集更详细的患者信息，包括血液测试、尿液分析、神经检查等，并且将这些信息输入到患者健康治疗系统数据库中。在一些示例中，数据还包括医疗中心就诊次数和就诊持续时间、对临床医生或治疗的满意度以及治疗的总体成功。通过将此信息提供给数据孪生体模型，患者健康护理交互设备可以提供更准确且更新的治疗信息。

基于定期更新的患者信息来使用数字孪生体模型为患者和/或临床医生提供了关于针对给定病症诊断的各种治疗计划的成功、副作用和并发症的准确信息。通过改进对最新信息的访问，临床医生能够更好地开具最适合患者的治疗计划，并且患者可以被告知所述治疗计划的成功率且注意到可能的副作用和并发症。通过此信息，患者可以接受到更好的健康护理并在治疗成功的希望下忍受某些治疗计划的困难。

图1展示了可以在其中实施本文公开的示例患者健康护理交互设备102的示例环境100。在图1的所展示示例中，环境100包括患者104和临床医生106。在其他示例中，环境100包括多于一个患者104以及多于一个临床医生106。另外，在图1的所展示示例中，临床医生106和患者104两者都在与患者健康护理交互设备102进行交互，然而，在其他示例中，临床医生106代表患者104来与患者健康护理交互设备102进行交互。

在一些示例中，患者104与患者健康护理交互设备102进行交互，以便输入包括病症症状在内的健康信息110。例如，除了病症症状之外，健康信息110还可以包括性别、身高、体重、烟草使用、酒精消耗、饮食、锻炼、过敏、病史、胆固醇、静息心率等。在一些示例中，基于健康信息110，患者健康护理交互设备102建议可能的病症诊断。在其他示例中，临床医生106评审健康信息以便对患者104进行诊断。

在患者健康护理交互设备102提供由临床医生106确认过的病症诊断或者临床医生106将病症诊断输入到患者健康护理交互设备102中之后，患者健康护理交互设备102生成分析数据以及用于确定所述病症的治疗计划成功率的模型。根据本公开，所述模型是患者104的基于所提供健康信息110的数字孪生体。在其他示例中，所述模型可以是卷积神经网络(CNN)或其他人工智能系统。

患者104的由患者健康护理交互设备102生成的示例数字孪生体基于由患者104提供的分析数据和健康信息110以及关于对诊断出的病症的治疗的历史数据120。在一些示例中，历史数据120可以包括过去患者健康信息122、先前患者的治疗成功率124、以及先前患者的证言(testimonial)126。例如，数字孪生体可以被生成用于模仿患者104的身高、体重和其他健康信息110，但是主要基于具有相似健康信息的过去患者并且在较小程度上基于具有不同健康信息的过去患者来确定来自患者104的治疗反应。例如，吸烟会影响短期吸入皮质类固醇的使用。因此，如果患者104吸烟，则他们的数字孪生体应该指示与非吸烟者相比降低的对吸入皮质类固醇使用的反应，甚至当吸入皮质类固醇是对于非吸烟者的最佳治疗计划时也是如此。在其他示例中，男性和女性对药物的代谢不同，并且他们的治疗计划可能根据开具的剂量而不同。因此，患者健康护理交互设备102将过去患者健康信息122与患者104的健康信息110进行比较，以生成分析数据并且生成可以如同患者104会响应于所选择治疗那样响应于数字治疗的数字孪生体。

在一些示例中，患者104经由诸如Apple Healthkit^TM、GoogleFit^TM、MicrosoftHealthVault^TM等健康跟踪器来更新他们的健康信息。例如，这些健康跟踪器可以在治疗期间提供患者104的健康信息和活动信息，并且相应地更新健康信息110。因此，临床医生106可以访问休息或活动所花费的时间、治疗期间的每日体重增加和体重减轻、静息心率等。在一些示例中，此信息可以用于跟踪治疗计划有效性和/或任何副作用。例如，健康跟踪信息可以指示休息是否提高了治疗的有效性，或者治疗是否可能导致体重减轻。此信息在为患者104选择治疗计划时可能是非常重要的。

图2展示了真实空间215中的患者104向虚拟空间235中的数字孪生体230提供数据220。数字孪生体230和/或其虚拟空间235将信息240提供回至真实空间215。数字孪生体230和/或虚拟空间235还可以向一个或多个虚拟子空间250、252、254提供信息。如图2的示例中所示出的，虚拟空间235可以包括一个或多个虚拟子空间250、252、254和/或与其相关联，所述一个或多个虚拟子空间可以用于对数字孪生体230和/或数字“子孪生体”建模子系统的一个或多个部分/总体数字孪生体230的子部分进行建模。

连接至物理对象(例如，患者104)的传感器可以收集数据并将所收集数据220中继到数字孪生体230(例如，经由自报告、使用诸如图片存档及通信系统(PACS)、放射信息系统(RIS)、电子病历系统(EMR)、实验室信息系统(LIS)、心血管信息系统(CVIS)、医院信息系统(HIS)、和/或其组合等临床或其他健康信息系统)。例如，数字孪生体230与患者104之间的交互可以帮助改进针对患者104的诊断、治疗、健康维护等。对患者104的受益于实时或基本上实时(例如，考虑数据传输、处理、和/或存储延迟)的准确数字描述230允许系统以病症、身体功能、和/或其他疾病、病症等的形式来预测“失败”。

在某些示例中，所获得的覆盖有传感器数据、实验室结果等的图像可以当健康护理执业医师正在检查、治疗和/或以其他方式照顾患者104时用于增强现实(AR)应用。例如，使用AR，数字孪生体230遵循患者对与健康护理执业医师的交互的响应。

因此，代替通用模型，数字孪生体230是反映患者104以及他或她的相关联规范、病症等的基于物理、基于解剖学、和/或基于生物学的实际模型的集合。在某些示例中，患者104的三维(3D)预测建模为患者104创建数字孪生体230。数字孪生体230可以用于基于从某个来源(例如，从患者104、执业医师、健康信息系统、传感器等)动态提供的输入数据220来查看患者104的状态。

在某些示例中，患者104的数字孪生体230可以用于对患者104的监测、诊断和预诊断。使用传感器数据结合历史信息，可以利用数字孪生体230来对患者104的当前病症和/或可能的未来病症进行识别、预测、监测等。可以经由数字孪生体230来监测原因、升级、改进等。使用数字孪生体230，可以对患者210的身体行为进行模拟和可视化以便进行诊断、治疗、监测、维护等。

与计算机相反，人类不会以顺序的逐步过程来处理信息。相反，人们试图对问题进行概念化并理解其背景。尽管人可以查看报告、表格等中的数据，但是当人在视觉上评审问题并试图找到其解决方案时是最有效的。然而，通常，当人在视觉上处理信息、以字母数字形式记录信息、并且然后尝试在视觉上对信息进行重新概念化时，信息丢失，并且随时间推移而使问题解决过程效率低得多。

然而，使用数字孪生体230允许人和/或系统查看并评估对情况的可视化(例如，患者104以及相关联的患者问题等)而无需转换成数据并返回。通过与实际患者104共同视角的数字孪生体230，可以动态地且实时地(或者考虑数据处理、传输和/或存储延迟，基本上实时地)一起查看物理信息和虚拟信息。代替阅读报告，健康护理执业医师可以查看数字孪生体230并使用其进行模拟以评估患者104的病症、进展、可能的治疗等。在某些示例中，可以在数字孪生体230中对特征、病症、趋势、指标、特性等进行标注和/或以其他方式标记，以允许执业医师快速且容易地查看指定的参数、值、趋势、警报等。

数字孪生体230还可以用于进行比较(例如，与患者104，与“正常”、标准或参考患者，一组临床标准/临床症状等)。在某些示例中，患者104的数字孪生体230可以用于对此患者的理想值状态或“黄金标准”值状态、围绕这个值的误差容许量或标准偏差(例如，与黄金标准值的正和/或负偏差等)、实际值、实际值的趋势等进行测量和可视化。实际值或实际值的趋势与黄金标准之差(例如，落在可接受偏差之外)可以被可视化为字母数字值、颜色指示、图案等。

此外，患者104的数字孪生体230可以促进患者104的朋友、家人、护理提供者等之间的协作。使用数字孪生体230，可以在包括护理提供者、家人、朋友等在内的多个人之间共享(例如，根据护理计划等)对患者104和他/她的健康的概念化。例如，人们不需要与患者104、彼此等处于同一位置，并且仍然可以查看同一数字孪生体230、与其进行的交互并从其中得出结论。

因此，数字孪生体230可以被定义为从微观层面(例如，心脏、肺部、脚部、前交叉韧带(ACL)、脑卒中史等)到宏观层面(例如，整体剖析、整体观、骨骼系统、神经系统、血管系统等)来描述(例如，全面描述)患者104的一组虚拟信息构造。在某些示例中，数字孪生体230可以是参考数字孪生体(例如，数字孪生体原型等)和/或数字孪生体实例。参考数字孪生体表示患者104或特定类型/类别的患者104的原型模型或“黄金标准”模型，而一个或多个参考数字孪生体表示特定患者104。因此，儿童患者104的数字孪生体230可以被实施为根据某些标准或“典型”儿童特性而组织的儿童参考数字孪生体，其中特定数字孪生体实例表示特定儿童患者104。在某些示例中，可以将多个数字孪生体实例聚合成数字孪生体聚合体(例如，用于表示共享共同参考数字孪生体的多个儿童患者的累积或组合等)。例如，数字孪生体聚合体可以用于识别由儿童数字孪生体实例表示的儿童之间的差异、相似性、趋势等。

在某些示例中，数字孪生体230(和/或多个数字孪生体实例等)在其中进行操作的虚拟空间235被称为数字孪生体环境。虚拟空间235提供集成的、基于多域物理学和/或基于生物学的应用空间，以在其中操作数字孪生体230。例如，可以在虚拟空间235中对数字孪生体230进行分析，以预测患者104的未来行为、病症、进展等。还可以在虚拟空间235中对数字孪生体230进行询问或查询，以检索和/或分析当前信息240、过去历史；预测对刺激的真实效果等。

在某些示例中，可以将虚拟空间235划分为多个虚拟空间250、252、254。每个虚拟空间250、252、254可以对数字孪生体230的不同数字孪生体实例和/或组成部分进行建模，和/或每个虚拟空间250、252、254可以用于执行对同一数字孪生体230的不同分析、模拟等。使用多个虚拟空间250、252、254，可以以多种方式低成本且有效地测试数字孪生体230，同时保护患者104的安全性。例如，然后，健康护理提供者可以了解患者104如何在各种情况下对各种治疗作出反应。

图3展示了患者数字孪生体230与用于实现患者治疗效果的先进协调技术之间的示例关系。患者数字孪生体230可以用于利用人工智能(例如，机器学习、深度学习等)和数字化医学知识来应用与患者相关的异质数据以实现健康治疗效果。如图3的示例中所示出的，患者数字孪生体230可以用于驱动应用知识310、护理访问320、成本330、个人选择340、社交决定因素/环境350等。例如，驱动应用知识310可以包括来自包括规则、指南、医学科学、分子科学、医学期刊等在内的来源的信息。另外，示例护理访问320可以包括关于诊所访问、医院访问、医疗技术访问等的信息。在一些示例中，关于成本330的信息是基于医院或医疗设施、药物、医疗技术使用等的已知成本来确定的。通常，驱动应用知识310、护理访问320、以及成本330的信息不是由患者104提供的。然而，行为选择340和环境350包括特定于患者104的信息。图4和图5提供了关于图3的示例患者数字孪生体230的行为选择340和环境350中的每一项的进一步细节。

图4A展示了诸如提供给图3的示例中的数字孪生体/形成其一部分的行为选择的示例模型。如图4A的示例中所示出的，关于行为选择的信息340包括饮食405、锻炼410、酒精415、烟草420、药品425、性行为430、极限运动435、卫生440等。行为信息405、410、415、420、425、430、435、440可以由图1的患者104、图1的临床医生106、其他健康护理执业医师、教练、社会工作者、家人、朋友等来提供。另外，行为信息405、410、415、420、425、430、435、440可以由医疗设备、监测设备、生物特征传感器、位置传感器、通信系统、协作系统等来提供。例如，包括Apple Healthkit^TM、Google Fit^TM、Microsoft HealthVault^TM以及类似的健康和活动跟踪器在内的设备可以将活动和患者生命体征与数字孪生体230同步。例如，可以在所述患者的数字孪生体230中反映在患者104体内所观察的和/或关于所述患者记载的行为选择340，并且可以经由数字孪生体230来对某些行为405、410、415、420、425、430、435、440的规则、后果和/或其他治疗效果进行建模。

图4B展示了诸如提供给图3的示例中的数字孪生体/形成其一部分的环境因素或社交决定因素的示例模型。如图4B的示例中所示出的，关于环境因素350的信息可以包括家庭450、空气455、水460、宠物465、化学品470、家人475等。因此，可以经由患者104的数字孪生体230来为患者对一个或多个社交/环境因素350进行建模。例如，在某些示例中，社区资源、医疗设备、监测设备、生物特征传感器、地理数据、位置传感器、通信系统、协作系统等可以用于测量和/或以其他方式捕获社交/环境信息350，所述信息将经由患者数字孪生体230而被建模。例如，社交/环境因素450、455、460、465、470、475可以影响患者104的行为、健康、恢复、对协议的遵守等，并且这类因素450、455、460、465、470、475可以由数字孪生体230进行建模。

图5是可以用于实施患者数字孪生体的示例深度学习神经网络的表示。示例神经网络500包括层520、540、560和580。层520和540与神经连接530相连接。层540和560与神经连接550相连接。层560和580与神经连接570相连接。数据经由输入端512、514、516从输入层520向前流到输出层580并流到输出端590。

在图5的示例中，层520是包括多个节点522、524、526的输入层。层540和560是隐藏层，并且在图5的示例中包括节点542、544、546、548、562、564、566、568。神经网络500可以包括与所示出的相比更多或更少的隐藏层540和560。层580是输出层，并且在图5的示例中包括具有输出端590的节点582。每个输入端512至516与输入层520的节点522至526相对应，并且输入层520的每个节点522至526具有至隐藏层540的每个节点542至548的连接530。隐藏层540的每个节点542至548具有至隐藏层560的每个节点562至568的连接550。隐藏层560的每个节点562至568具有至输出层580的连接570。输出层580具有用于提供来自示例神经网络500的输出的输出端590。

连接530、550和570的某些示例连接532、552、572可以被赋予增加的权重，而其他示例连接534、554、574则可以在神经网络500中被赋予较小的权重。例如，通过经由输入端512至516接收输入数据来激活输入节点522至526。分别通过经由连接530和550通过网络500的向前数据流来激活隐藏层540和560的节点542至548和562至568。在经由连接570发送在隐藏层540和560中进行处理的数据之后，激活输出层580的节点582。当输出层580的输出节点582被激活时，节点582基于在神经网络500的隐藏层540和560中完成的处理来输出适当的值。

图6A是指示由图1的患者健康护理交互设备102生成的示例病症治疗成功率602的示例曲线图600。在图6A的所展示示例中，曲线图600具有三种治疗604。在其他示例中，曲线图600可以包括附加治疗604或治疗604的组合。另外，在第三轴线606上，示例曲线图600指示开具治疗604中的任何治疗的临床医生数量。在其他示例中，第三轴线606可以指示被开具有所有临床医生的数据可用的治疗604中的任何治疗的患者数量。另外地或可替代地，对于一些病症，第三轴线606可以指示被开具有单个临床医生的治疗中的任何治疗的患者数量。

根据本公开，成功率602是基于例如针对相同或相似问题对医疗中心的就诊次数、医疗中心就诊的持续时间、副作用的程度、病症的持续时间、治疗效果等来计算的。在其他示例中，图1的患者健康护理交互设备102还可以生成指示针对给定治疗的并发症可能性的并发症曲线图。

如图6A的示例中所展示的，成功率是基于过去患者信息来计算的。例如，成功率是基于以下三个因素来计算的：(1)临床医生治疗的总体经验除以就诊次数、(2)针对相似或相同病症的复诊次数、以及(3)针对相似或相同病症对不同医疗中心的就诊次数。在一些示例中，可以优先对这三个因素进行加权(例如，被乘数)。例如，单个患者的总体就诊经验(OVE)可以计算为：OVE＝20＝(40(第一次就诊)+20(第二次就诊)+10(第三次就诊)+10(第四次就诊))/4。在其他示例中，可以基于不同的因素和方程来计算成功率。可以将所计算的成功率和/或OVE应用于机器学习引擎，以改进对第二位患者或后续患者的推荐。

例如，可以对第一位患者的经验进行捕获、分析、和建模/量化，使得第二位患者可以利用第一位患者的经验(并且第一位患者可以在未来就诊中受益于过去的经验等)。可以根据表示特征优先级的多个商或因子来确定成功率，这些商或因子包括：x1(如由医生的患者指示的此医生的治疗的总体经验)、x2(患者针对相同/相似问题到同一健康护理机构的复诊次数)、x3(患者针对相同/相似的问题到不同的健康护理机构的就诊)等。因此，成功率可以计算为：

成功率＝x1/就诊次数+x2-x3(方程1)。

因此，可以根据患者治疗效果以及多个患者随时间推移的反馈来评估健康护理执业医师的治疗的总体经验。

作为示例，可以根据以下特征集来计算第一位患者的成功率：

医生1(仅类固醇)：10(第1次就诊)-50(第2次就诊)+30(第3次就诊)-30(第4次就诊)＝-40

医生2(类固醇+激光)：-40(第1次就诊)+40(第2次就诊)+40(第3次就诊)+0(第4次就诊)+0(第5次就诊)+0(第6次就诊)＝40

医生3(顺势疗法)：40(第1次就诊)+20(第2次就诊)+10(第3次就诊)+10(第4次就诊+0(第5次就诊))＝80

可以呈现诸如图6A的三维(3D)图的分析结果，以实现和/或以其他方式促进对健康护理执业医师针对治疗的确定。在某些示例中，可以选择多个临床医生来治疗患者的病症，并且所选择的临床医生可以组合来自多个之前临床医生的治疗方法。例如，根据图6A，医生可以选择使用顺势疗法来减轻炎症，并且选择使用激光来避免包括由于使用类固醇引起的当前并发症。因此，例如，尽管当前的医疗实践和技术并不支持这种成功率评估以及治疗技术的组合，但是某些示例提供了技术改进来实现这种处理和组合。

因此，可以对患者经验进行建模(例如，使用患者数字孪生体、人工神经网络、和/或其他机器学习构造等)以生成使得患者能够在较早的时间点做出更好的决定以得到更好治疗的成功率因子。可以使用多个特征集来生成成功率因子。用户可交互界面可以显示并促进与分析结果的交互。使用连接性协议(例如，安全的基于Web的接口等)避免了安全漏洞并保护患者信息，同时提供用于促进对话和信息交换的技术。

在某些示例中，如果多个之前患者可用于进行讨论和/或其他分析，则可以对这些可用患者及其相关联成功率进行处理以判定哪个(哪些)之前患者最好连接至当前患者/提供者。在某些示例中，从多个成功率因子中选择成功率因子触发了对满足此成功率因子和/或成功率因子范围的之前经历列表的显示以及与所述列表的交互。

例如，如果John、Mark和Justin可用于协作，则对他们的对应成功率进行比较。John的成功率为就诊1*10+就诊2*-20+就诊3*40+就诊4*60；Mark的成功率为就诊1*10+就诊2*-5+就诊3*10+就诊4*10；并且Justin的成功率为就诊1*10+就诊2*-5+就诊3*10+就诊4*10+就诊5*60；例如，基于成功率分析，John经由连接性协议与当前患者/提供者进行连接，以进行讨论以及后续治疗方案和成功率分析。

另外地或可替代地，这些曲线图是交互式的。在一些示例中，曲线图600包括交互式按钮和/或其他指标608a、608b、608c，以允许用户与所述曲线图进行交互。例如，如果用户选择交互式按钮608a，则可以向所述用户提供关于类固醇治疗计划的附加信息；关于先前患者(例如，上述John、Mark和Justin)的成功率的信息；以及关于开具所述治疗的临床医生的信息。在其他示例中，交互式按钮608a可以呈现附加分析数据，诸如下面进一步详细描述的图6B、图6C和图6D中呈现的数据。

图6B包括指示治疗计划在时间段614内的示例治疗成功612的示例曲线图610。例如，曲线图610在治疗过程期间跟踪患者616a、616b、616c、616d的成功率。在一些示例中，成功率是基于由健康跟踪器提供的健康信息来测量的。在图6B的所展示示例中，包括了总体成功率618以生成患者616a、616b、616c、616d的平均成功率。

在图6B的所展示示例中，第一位患者616a经历了较短时间段614的成功治疗。然而，第三位患者616c接受了较长的治疗计划持续时间。图6B还示出了第四位患者616d在治疗开始时经历了较高成功率，但是成功率在时间段614内下降了。在图6B的所展示示例中，用户可以看到，对于示例治疗计划，总体成功率618是有效的，但是可能在延长的时间段614内产生减少的回报。

图6C包括对时间段624内的成功率622进行比较以获得更精细的数据的示例曲线图620。例如，所展示的曲线图620对由不同临床医生施予的相同治疗计划的成功率622进行比较。在其他示例中，曲线图620可以对由同一临床医生施予的不同治疗计划、或由不同临床医生施予的不同治疗计划进行比较。

在图6C的所展示示例中，由第一位临床医生施予的第一治疗计划的第一数据626a在时间段624内比由第二位临床医生施予的第一治疗计划的第二数据626b更成功。然而，曲线图620还指示第二数据626b在治疗早期具有更高的成功率。例如，数据626a、626b的成功率622之差可能是所开具的不同剂量的结果。因此，用户可以选择第一位临床医生来施予第一治疗计划以获得更好的长期结果，或者用户可以选择第二位临床医生来施予第一治疗计划以获得更快的短期结果以及稍微不那么成功的长期结果。

图6D包括基于健康因素636a、636b、636c来对治疗计划在时间段634内的成功率632进行比较的示例曲线图630。在图6D的所展示示例中，健康因素636a、636b、636c包括先前吸烟636a(例如，先前的吸烟者)、当前吸烟636b(例如，当前吸烟者)以及当前饮酒636c(例如，当前饮酒者)。另外地或可替代地，曲线图630可以包括与所示出的相比更多或更少的健康因素。

基于图6D的示例曲线图630，具有先前吸烟健康因素636a的患者具有最高的成功率602。可替代地，如图6D的示例中所展示的，具有当前吸烟健康因素636b的患者具有延迟且较低的成功率602。因此，可以鼓励具有当前吸烟健康因素636b的患者戒烟以提高治疗计划的成功率632。

如图6B、图6C和图6D中所展示的，图6A的交互式按钮和/或其他指标608a、608b、608c可以用于显示关于所选治疗计划的附加信息。另外地或可替代地，可以生成其他曲线图以告知用户所选治疗计划的成功率。在其他示例中，可以生成曲线图610、620、630以显示治疗计划的并发症率而不是成功率。

图6E是时间段644内的治疗成功率642的示例曲线图640。例如，曲线图640包括具有不同成功率642且跨越不同时间段644的治疗计划646a、646b、646c。在一些示例中，曲线图640可以包括更多或更少的治疗计划。另外，治疗计划646a、646b、646c分别包括交互式按钮和/或其他指标648a、648b、648c。例如，交互式按钮648a、648b、648c呈现关于治疗计划646a、646b、646c的附加信息，并且与图6A的交互式按钮608a、608b、608c相类似。在一些示例中，曲线图640可以代替图6A的曲线图600或呈现在其旁边。

在图6E的所展示示例中，第一治疗计划646a具有较长的治疗时间段644以及中等的成功治疗成功率642。可替代地，与第一治疗计划646a相比，示例第二治疗计划646b具有较短的治疗时间段644以及更高的治疗成功率642。因此，由于第二治疗计划646b的较高成功率642以及较短治疗时间段644，患者健康护理交互设备102的用户可以选择第二治疗计划。

图6F展示了用于显示治疗方法654的与对应临床医生656相对应的成功率652的另外示例成功率曲线图650。在一些示例中，可以对曲线图650进行旋转，以便从不同的角度查看曲线图650。另外地或可替代地，曲线图650可以代替图6A的曲线图600呈现或呈现在其旁边。在一些示例中，治疗成功数据658包括交互式按钮和/或其他指标660。与图6E的交互式按钮648a、648b、648c和/或图6A的交互式按钮608a、608b、608c相类似，交互式按钮660可以用于提供关于治疗计划的附加数据。

在图6F的所展示示例中，曲线图650呈现了对于特定临床医生670和特定治疗计划672的治疗成功数据658。例如，治疗成功数据674呈现了对于特定临床医生670和特定治疗计划672的成功数据。因此，在图6F的示例中，治疗成功数据674可以与治疗成功数据658的其余部分区分开。另外地或可替代地，可以生成其他图形显示以表达治疗成功数据658。

图7是患者健康护理交互设备102的示例实施方式的框图。在一些示例中，患者健康护理交互设备102被实施为其自己的系统，然而，在其他示例中，患者健康护理交互设备102与其他诊断、治疗和医疗调度系统结合实施。

在图7的所展示示例中，患者健康护理交互设备102包括用户界面710。示例用户界面710可以经由web浏览器、计算机应用或移动应用来与图1的示例患者104和/或图1的示例临床医生106进行交互。例如，用户界面可以是图形用户界面(GUI)或基于文本的用户界面(TUI)。示例患者健康护理交互设备102经由用户界面710来接收患者信息。

在一些示例中，用户界面710所接收的患者信息被存储在患者数据库720中。在一些示例中，患者数据库720包括图1的健康信息110。另外地或可替代地，患者数据库720存储图1的示例患者104的护理访问320、个人选择340和环境350信息。在其他示例中，患者信息在被存储到示例患者数据库720中之前由数据分析仪730和/或数据分析算法服务器752进行处理。

示例患者健康护理交互设备102指导患者数据库720向数据分析仪730发送患者信息。数据分析仪730对包括过去患者数据库742和临床医生数据744的历史数据数据库740进行访问，以使包括诸如患者健康的心理或生理变化等症状在内的健康信息与过去患者互相关。在一些示例中，历史数据数据库740与图1的示例历史数据120相对应，并且过去患者数据库742与图1的示例过去患者健康信息122相对应。在一些示例中，在治疗计划完成或经过足够的时间之后，存储在患者数据库720中的信息被传送到历史数据数据库740。当学习关于患者生理和/或心理疾病、治疗/药物信息、基于时间的治疗后症状信息、治疗反馈等的信息时，可以缩小和/或以其他方式修改选择、下一步动作和/或交互。

在一些示例中，数据分析仪740分别基于年龄、性别、个人选择340、环境350和其他相关因素的相似性或不相似性将患者信息与过去患者信息相关联或解除关联。另外地或可替代地，数据分析仪可以将患者与较高的总体就诊经验和/或成功率相关联，以提高患者连接性和成功。在一些示例中，除非由临床医生包括在患者信息内，否则数据分析仪740可以通过将当前症状与历史症状进行比较来基于过去患者信息生成病症诊断。

示例数据分析仪730将患者信息连同相关联的过去患者信息一起发送至机器学习引擎750。机器学习引擎包括数据分析算法服务器752和模型生成器754。根据本公开，示例机器学习引擎750使用数据分析算法服务器752和模型生成器754来经由用户界面710推荐几项(例如，三项、六项等)、但至少一项可能的治疗计划。另外地或可替代地，模型生成器754促进生成对治疗计划的附加详细分析并呈现所述附加信息。例如，如果模型生成器754确定患者当前吸烟，但非吸烟者具有增大的成功率，则模型生成器754可以提供此附加信息以提高治疗计划成功的机会。

机器学习引擎750的示例数据分析算法服务器752生成预测的治疗成功率、并发症率以及临床医生成功率。例如，数据分析算法服务器752生成包括成功率曲线图600(图6)在内的各种分析数据。数据分析算法服务器752处理患者数据和历史患者数据，以便以子间隔计算治疗计划的成功率。基于子间隔的成功率，数据分析算法服务器752可以应用算法(例如，线性梯度下降、线性回归等)来预测治疗计划过程期间的成功率。

另外，示例模型生成器754接收来自机器学习引擎750的患者健康信息和过去患者健康信息。模型生成器754还接收来自数据分析算法服务器752的各种分析数据，包括在治疗计划过程期间的预测成功率。基于所提供的信息，示例模型生成器754创建数字孪生体，诸如图2的虚拟空间235中的数字孪生体230。示例模型生成器754基于病症诊断以及由数据分析仪730分析的患者信息来生成数字孪生体。在一些示例中，模型生成器754使用过去患者信息来预测病症和各种治疗对数字孪生体的影响。

在一些示例中，由模型生成器754生成并且基于数据分析算法服务器752的计算结果和预测的数字孪生体可以预测：病症将对身体产生的影响；治疗的副作用(例如，恶心、嗜睡、头晕等)；治疗的持续时间等。例如，数字孪生体可以基于治疗计划过程期间的预测成功率来随时间推移预测这些影响。示例数字孪生体可以针对给定治疗预测会对患者产生什么症状和副作用(例如，在治疗的第一周，身体疼痛、恶心、头痛、疲倦是预期的症状，并且头晕是预期的治疗副作用)，并预测何时症状和副作用应该不会再影响患者(例如，在治疗的第三周，恶心和疲倦应该不再是症状)。

另外地或可替代地，数据分析算法服务器752包括神经网络756，和/或模型生成器754包括神经网络758。在一些示例中，神经网络756、758与图5的神经网络500相对应。在这样的示例中，神经网络756的输出层将是由数据分析算法服务器752计算的成功率，并且神经网络758的输出层将是示例数字孪生体。例如，神经网络756接收来自数据分析仪730的输入数据。示例神经网络756可以由于向连接(例如，图5的连接532、552、572)提供权重而经受训练，并且随时间推移而改进治疗计划推荐。另外地或可替代地，可以以完全相同的或相似的方式来训练神经网络758。

在示例机器学习引擎750连结(例如，组合、关联、联系等)来自数据分析算法服务器752的分析数据以及来自模型生成器754的数字孪生体之后，示例机器学习引擎750可以将分析数据和数字孪生体发送至用户界面710。例如，分析数据和数字孪生体可以与图1的患者104和/或临床医生106进行交互并由其操纵。在一些示例中，患者可以为机器学习引擎750选择不同的健康因素以设置优先级(在图18中进一步详细描述)。在其他示例中，患者可以选择治疗计划的子集来进行评估，或者患者可以选择治疗计划时间的子间隔来进行分析(在图19中进一步详细描述)。在一些示例中，示例患者104和/或临床医生106可以与数据和数字孪生体进行交互，以检查可能的治疗计划的副作用和治疗成功。

在一些示例中，用户界面710包括至过去患者证言的链接，诸如图1的先前患者126的证言。图1的示例患者104可以阅读这种关于病症和治疗成功的影响的推荐。在一些示例中，患者健康护理交互设备102可以促进经由通信接口760与过去患者的匿名通信。例如，通信接口760可以包括对话框或者经由用户界面710促进匿名电话呼叫。因此，患者可以学习关于可能治疗选项的难以在历史数据数据库740中进行量化的信息。

另外，患者信息可以从健康跟踪器或活动跟踪器、或从由临床医生在后续医疗中心就诊时收集的信息上传到患者数据库720。此患者信息可以跟踪治疗计划有效性和/或病症症状的影响或治疗副作用影响。在一些示例中，在病症受到适当地治疗之后，包括由健康跟踪器上传的患者信息在内的患者信息被传送到历史数据数据库740。在其他示例中，病症可能是不可治愈的，并且治疗计划可能仅缓解病症症状。在这样的示例中，在已经收集到足够量的数据(例如，一个月的数据、四个月的数据、一年的数据等)之后，包括由健康跟踪器上传的患者信息在内的患者信息被传送到历史数据数据库740。

示例患者健康护理交互设备102还包括通信接口760。在一些示例中，通信接口760提供患者与过去患者之间的匿名通信。例如，通信接口760可以在屏幕上生成不包括任何个人信息的对话框。在其他示例中，通信接口760可以用于患者与临床医生进行彼此联系。另外地或可替代地，通信接口760可以用于帮助安排与临床医生或后续治疗施予的预约。

图8是图1和图7的示例患者健康护理交互设备102的示例数据结构800。在图8的所展示示例中，数据结构800是基于经由用户界面802接收并由数据分析仪804和数据分析算法服务器804处理的患者信息来生成的。另外地或可替代地，可以以其他方式来处理患者信息，诸如图7的模型生成器754。

用户界面802接收由示例数据分析仪804处理的患者信息。示例用户界面802可以与图7的用户界面710相对应，并且数据分析仪804可以与图7的数据分析仪730相对应。数据分析仪804分析并处理数据分析算法服务器806的患者数据。

在一些示例中，数据分析仪804和数据分析算法服务器806两者都可以将处理后的患者信息发送至患者数据库808。在一些示例中，患者数据库808与图7的患者数据库720相对应。示例患者数据库808可以存储诸如患者1 810A、患者2 810B、和患者N 810N等多位患者的患者信息。在图8的所展示示例中，仅示出了针对患者1 810A所存储的数据，然而，在其他示例中，患者2 810B的数据和患者N 810N的数据是相同或基本相似的。

患者1 810A的示例数据被存储为患者数据820。示例患者数据820包括：患者ID822(例如，PUID)，包括各种患者标识符；健康信息824，包括患者身高、体重和生命体征；以及病症状态826。在其他示例中，患者数据820可以包括更多或更少的信息字段。另外地或可替代地，健康信息824包括图4的行为选择340以及图5的环境350。

患者数据820的示例病症状态826包括治疗数据830。示例治疗数据830包括基于图3知识310的病症信息832、治疗计划选择834、临床医生选择836(例如，由CUID标识)、以及当前成功率838。在一些示例中，治疗数据830可以包括更多或更少的信息字段。示例治疗计划选择包括预定的医疗操作、所开具的处方、药物剂量等。示例当前成功率838包括治疗改进因素数据840。示例治疗改进数据840包括：就诊ID 842，包括各种就诊标识符(例如，医疗中心ID、预约时间、就诊持续时间等)；以及成功率844。在一些示例中，成功率844基于患者反馈、患者生命体征的改善、临床医生对病症治疗的信心、实验室测试结果、和/或其他改进度量。对示例成功率844的计算可以根据病症而不同。例如，对于癌症，可以客观地基于癌细胞数量来计算成功率，而哮喘则可以主观地基于医疗中心就诊之间的患者舒适度来计算。

图9是图1和图7的示例患者健康护理交互设备102的示例用户界面710。示例用户界面710可以包括经由移动设备应用、web浏览器或计算机程序显示的图形用户界面(GUI)。示例用户界面710包括访问界面910。示例访问界面910可以通过注册过程来引导患者或临床医生(例如，用户)和/或准许用户登录或登出图7的患者健康护理交互设备102。在一些示例中，在用户已经注册之后，它们被请求经由数据输入端920来提供患者信息。例如，经由数据输入端920接收的患者信息可以包括联系信息、人口统计信息等。在一些示例中，患者被提供以患者通用ID(PUID)。示例PUID可以由患者健康护理交互设备用来将附加信息与同一患者相关联。在其他示例中，数据输入端920由用户访问，以便更新患者信息或者提供新的或附加的信息。

另外地或可替代地，当临床医生使用界面时，临床医生登录并提供各种临床医生信息。例如，临床医生可以提供他们的教育、专业、认证、资格等。示例临床医生还可提供他们的联系信息、医院关联以及工作场所地址。在一些示例中，临床医生被提供以临床医生通用ID(CUID)。示例CUID可以由患者健康护理交互设备用来将附加信息与同一临床医生相关联。在其他示例中，数据输入端920由临床医生访问，以便更新临床医生信息或者提供新的或附加的信息。当提供关于临床医生的信息(例如，资格和/或专业信息、位置、医院特权、治疗信息、药物信息，所治疗的患者信息等)时，可以对临床医生和/或其他健康护理执业医师进行分类、建模和/或以其他方式进行处理，以评估临床医生何地以及何时适合特定患者和/或患者类型的治疗、后续检查等。

因此，患者可以利用界面710以及驱动多种技术计算和相关工作流程的相关联后端机器智能。例如，患者可以搜索疾病和治疗信息、利用治疗有效率(例如，在某个时间点、在一段时间内、具有并发症等)等来识别治疗选项、确定提供者、挖掘之前的患者经验、并且甚至与(多位)之前的患者进行协作以便经由界面710了解更多信息。可以经由界面710提供临床医生信息和/或其他执业医师信息，包括临床医生简档、文章、证言、健康趋势等，并且可以联系临床医生以经由例如界面710和其他进行通信。针对特定患者、相关患者、其他之前患者等进行比较，可以经由界面710与患者生命体征、病史等相比来挖掘健康趋势。例如，可以基于一个或多个所测量用户的当前和/或之前的生命体征来提供见解。

在一些示例中，在用户登录之后，用户可以使用病症搜索930来搜索病症和治疗信息。在图9的所展示示例中，病症搜索930包括分段病症治疗评估器932、总体病症治疗评估器934和治疗并发症评估器936。例如，评估器932、934、936基于包括诸如由用户提供的心理和/或生理变化等症状在内的健康信息来搜索病症。在一些示例中，评估器932、934、936仅基于治疗有效性和并发症的数据。然而，在其他示例中，评估器932、934、936包括基于已经由机器学习引擎750分析过的患者信息的预测。例如，评估器932、934、936可以包括关于治疗计划的成功或失败的建议推理的临床医生注释。

示例用户界面710另外地包括临床医生搜索940。例如，临床医生搜索940可以呈现临床医生简档942、过去患者证言944、临床医生撰写的治疗文章946。在一些示例中，临床医生搜索940中呈现的信息帮助用户为患者选择临床医生。在其他示例中，用户可以在证言搜索950中找到患者证言，所述患者证言可以包括临床医生证言和治疗证言。

例如，如果用户希望联系先前患者或临床医生，则所述用户可以分别访问先前患者联系方式960或临床医生联系方式970。例如，可以推荐具有较高成功率和/或较高总体就诊经验的过去患者作为要联系的患者。示例先前患者联系方式960可以与图7的示例通信接口760进行交互以实现双向匿名通信。然而，示例临床医生联系方式970可以与图7的示例通信接口760进行交互以实现单向匿名通信。

在一些示例中，用户界面710还可以包括健康趋势字段980。示例健康趋势字段980可以辅助用户跟踪各种健康生命体征。例如，健康趋势字段980可以包括健康跟踪器界面982、健康跟踪器分析仪984和健康跟踪器比较器986。示例健康跟踪器界面982可以允许健康跟踪器将健康跟踪和活动跟踪上传到患者健康护理交互设备102中以改进治疗评估。另外，健康趋势字段980可以经由示例健康跟踪器分析仪984和健康跟踪器比较器986来提供关于用户的健康跟踪器活动的用户反馈。例如，健康跟踪器分析仪984可以判定患者的健康趋势是否正常。在一些示例中，在类固醇治疗计划期间的体重增加(例如，增加4kg等)是正常的并且体重减轻将是异常的。在这样的示例中，从众多健康跟踪器收集的数据可以用于确定治疗副作用的常态。

虽然在图7中展示了实施图1的患者健康护理交互设备的示例方式，在图7中展示的一个或多个元件、过程和/或设备可以以任何其他方式被组合、划分、重新安排、省略、消除和/或实施。此外，示例用户界面710、示例患者数据库720、示例数据分析仪730、示例历史数据数据库740、示例过去患者数据库742、示例临床医生数据库744、示例机器学习引擎750、示例数据分析算法服务器752、示例模型生成器754、示例通信接口760、和/或更一般地图1的示例性患者健康护理交互设备102可以通过硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实施。因此，例如，示例用户界面710、示例患者数据库720、示例数据分析仪730、示例历史数据数据库740、示例机器学习引擎750、示例过去患者数据库742、示例临床医生数据库744、示例数据分析算法服务器752、示例模型生成器754、示例通信接口760、和/或更具体地示例患者健康护理交互设备102可以通过一个或更多个模拟或数字电路、逻辑电路、(多个)可编程处理器、(多个)专用集成电路(ASIC)、(多个)可编程逻辑设备(PLD)和/或(多个)现场可编程逻辑设备装置(FPLD)来实施。在阅读本专利的装置或系统权利要求项的任何项以涵盖纯软件和/或固件实施时，示例用户界面710、示例患者数据库720、示例数据分析仪730、示例历史数据数据库740、示例过去患者数据库742、示例临床医生数据库744、示例机器学习引擎750、示例数据分析算法服务器752、示例模型生成器754、示例通信接口760、和/或示例患者健康护理交互设备102中的至少一项由此明确定义为包括诸如存储器、数字多功能磁盘(DVD)、压缩磁盘(CD)、Blu-Ray磁盘等非暂态计算机可读存储设备或存储磁盘，包括软件和/或固件。更进一步地，图1的示例患者健康护理交互设备102可以包括一个或多个元件、过程和/或设备(除了或代替在图1中所展示的那些)、和/或可以包括多于所展示的元件、过程和设备中的任何一项或其全部。

图10是图1和图7的患者健康护理交互设备102的示例操作的示例流程图1000。数据流程图1000当图7的用户界面710接收到患者数据时开始。患者数据可以与图1的健康信息110或存储在图7的患者数据库720或图8的808中的信息相对应。示例用户界面710将患者数据1002发送至图7的患者数据库720，所述患者数据库将患者数据1004发送至图7的数据分析仪730。

在所展示的示例中，数据分析仪730生成经分析数据1009，并且将经分析数据1010发送至图7的示例患者数据库720、示例数据分析算法服务器752、以及图7的模型生成器754。在这样的示例中，患者数据库720存储经分析数据1010，所以所述经分析数据也可以用于未来患者。另外，数据分析算法服务器752和模型生成器754(均为图7的机器学习引擎750的一部分)对经分析数据进行处理以推荐治疗计划。

在图10的所展示示例中，数据分析算法服务器752生成分析数据1012。在一些示例中，由数据分析算法服务器752生成的分析数据1012可以包括例如总体成功率、治疗持续时间的子间隔的成功率、治疗并发症率以及与治疗相关的临床医生成功率。示例分析数据也可以被生成为3D可交互图形。

在一些示例中，当数据分析算法服务器752正在生成示例分析数据1012时，模型生成器754正在生成诸如数字孪生体等患者模型1014。在这样的示例中，数据分析算法服务器752在患者模型1014完成之前发送分析数据1016。在接收到分析数据1016时，模型生成器754将分析数据1016合并到患者模型1014中。例如，分析数据1016帮助患者模型1014预测治疗过程内的成功和并发症。

在图10的所展示示例中，当数据分析算法服务器752已经生成分析数据1016并且模型生成器754已经生成患者模型1014时，数据分析算法服务器752将分析数据作为3D可交互图形1020发送至用户界面710、并且模型生成器754将患者模型1022发送至用户界面。在一些示例中，在数据分析算法服务器752与用户界面710之间提供附加界面，和/或在模型生成器754与用户界面710之间提供附加界面。(多个)附加界面例如通过调节通过所述界面的访问、数据流和/或其他活动来提供附加安全水平，以保护过去患者的信息以及患者健康护理交互设备102的一般操作。例如，所述(多个)界面可以验证、识别、认证访问权限，和/或以其他方式检查许可、访问规则等。

图12至图15中示出了表示用于实施图1的患者健康护理交互设备的示例机器可读指令的流程图。在本示例中，机器可读指令包括用于由在诸如以下结合图20所讨论的示例处理器平台2000中示出的处理器2012等处理器来执行的程序。程序可以体现在被存储在诸如CD-ROM、软盘、硬盘驱动器、数字通用光盘(DVD)、蓝光碟或与处理器2012相关联的存储器等非暂态计算机可读存储介质上的软件中，但是整个程序和/或其部分可以可替代地由设备而不是处理器2012来执行和/或体现在固件或专用硬件中。进一步地，尽管参考在图12至图15中所展示的流程图对示例程序进行了描述，但是可以可替代地使用实施示例患者健康护理交互设备102的许多其他方法。例如，可以改变框的执行顺序和/或可以改变、消除或组合所描述的框中的一些框。另外地或可替代地，任何或所有的框都可以由被构造为执行相应操作而无需执行软件或固件的一个或多个硬件电路(例如，分立和/或集成模拟和/或数字电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、比较器、运算放大器(op-amp)、逻辑电路等)来实施。

如以上所提及的，可以使用存储在非暂态计算机和/或机器可读介质(诸如信息可被存储在其中持续任何时长(例如，持续延长时间段、永久地、短暂片刻、暂时地缓冲、和/或高速缓存信息)的硬盘驱动器、闪存、只读存储器、致密盘、数字通用盘、高速缓存、随机存取存储器和/或任何其他存储设备或存储盘)上的经编码的指令(例如，计算机和/或机器可读指令)来实施图12至图15的示例过程。如本文中所使用的，术语非暂态计算机可读介质被明确地定义为包括任何类型的计算机可读存储设备和/或存储盘并且不包括传播信号并且不包括传输介质。“包括(Including)”和“包括(comprising)”(及其所有形式和时态)在本文用作开放性术语。因此，每当权利要求列出任何形式的“包括(include)”或“包括(comprise)”(例如，包括(comprises)、包括(includes)、包括(comprising)、包括(including)等)之后的任何内容时，应当理解，可以存在附加元素、条目等而不会落在相应权利要求的范围之外。如本文中所使用的，当短语“至少”被用作权利要求前序部分中的过渡术语时，其与术语“包括(comprising)”和“包括(including)”是开放式相同的方式是开放式的。

图11是表示用于实施图1和/或图7的患者健康护理交互设备的指令1100的流程图。示例指令1100在框1102处开始。在框1102处，患者被诊断为患有某种病症。在一些示例中，患者被临床医生诊断为患有所述病症。在其他示例中，患者由患者健康护理交互设备102基于历史诊断而诊断为患有所述病症。在患者已经被诊断为患有所述病症之后，指令1100继续至框1104。

在框1104处，患者向患者健康护理交互设备102咨询推荐治疗计划。例如，患者登录患者健康护理交互设备102并提供包括症状在内的健康信息。基于所提供的健康信息和症状，患者健康护理交互设备102推荐几项(例如，一项、三项、六项等)治疗计划。在其他示例中，当患者健康护理交互设备102对患者作出诊断时，患者健康护理交互设备102已经接收到包括症状在内的健康信息，并且指令1100继续至框1106。

在框1106处，患者对由患者健康护理交互设备102推荐的治疗计划进行评估。在一些示例中，临床医生与患者一起评审推荐治疗计划。在其他示例中，患者自己评审所推荐的治疗。例如，患者健康护理交互设备102呈现四个治疗选项(例如，类固醇、激光治疗、手术和顺势疗法)。在一些示例中，患者健康护理交互设备呈现所呈现治疗选项的总体成功率。

在患者对所呈现的治疗选项进行评估时，所述患者选择治疗计划以进行更详细的评估(框1108)。患者可以基于个人标准(例如，对手术的厌恶、对顺势疗法的偏好等)来选择治疗计划而不管成功率。例如，当患者选择治疗计划以进行更详细的评估时，向所述患者呈现关于所述治疗计划的成功的更详细信息。在一些示例中，呈现了治疗持续时间内的治疗成功的曲线图、并发症随时间推移的概率的曲线图和/或患者证言。另外地或可替代地，患者数字孪生体被呈现为具有来自患者健康跟踪器的信息，以验证预期的治疗病症成功。在其他示例中，患者数字孪生体可以被呈现在过去患者数字孪生体旁边以便进行分析和比较。在这样的示例中，患者可以经由数字孪生体激活通信接口760，以便联系与过去患者数字孪生体相关联的过去患者。因此，患者可以更好地分析过去患者健康信息，并且在虚拟空间235中识别关于疾病影响的患者信息。

在框1110处，患者判定其是否确信所选治疗计划。如果患者确信所选治疗计划，则患者继续框1112的指令1100。否则，患者可以在框1114处进一步评估所选治疗计划。

在框1114处，患者可以请求与过去患者进行通信。例如，他们基于患者证言来匿名地选择过去患者。如果患者决定他们不希望请求与过去患者进行通信，则患者返回以在框1108选择由患者健康护理交互设备102推荐的不同治疗计划。否则，患者前进至框1116。

在框1116处，患者与过去患者进行通信。例如，用户界面生成对话框以便与过去患者进行匿名通信。在这样的示例中，患者可以讨论治疗的困难。在患者已经与过去患者进行通信之后，患者继续至框1118。

在框1118处，患者重新考虑其是否确信所选治疗计划。如果患者仍然不确定，则患者返回至框1108以选择不同的治疗计划，然而，如果患者确信，则患者继续至框1112。

在框1112处，患者评审与所选治疗计划相关联的临床医生并选择临床医生。例如，临床医生可能是过去患者强烈推荐的，或者临床医生可能是具有所选治疗计划的较高成功率的专科医生。在患者已经选择临床医生之后，患者可以经受治疗。在一些示例中，经由通信接口760向患者呈现对话框，以安排与临床医生的预约。在其他示例中，患者必须在没有患者健康护理交互设备102的辅助下与临床医生进行预约。

图12是表示可由图1和/或图7的患者健康护理交互设备102执行以便对所述患者健康护理交互设备102进行操作的机器可读指令1200的流程图。示例指令1200可以至少部分地由机器可读指令来执行，所述机器可读指令由图7的患者健康护理交互设备102来执行。另外，在一些示例中，指令1200是结合图7的示例患者健康护理交互设备102来描述的，但是在一些示例中，所述指令可以适用于其他治疗诊断和治疗系统。

当图1和图7的患者健康护理交互设备102接收到患者信息时，指令1200在框1202处开始。例如，患者健康护理交互设备102经由图7的用户界面710来接收包括性别、年龄、身高、体重、烟草使用、酒精消耗、过敏、身体活动水平和症状等在内的患者信息。在一些示例中，基于从由临床医生执行的检查收集的信息经由用户界面来接收健康信息。在已经经由用户界面710接收到健康信息之后，将健康信息发送至数据分析仪730并且指令1200继续至框1204。

在框1204处，数据分析仪730可以访问包括过去患者健康信息以及过去患者的治疗成功率在内的历史患者信息。例如，数据分析仪730将患者健康信息与来自先前患者的健康信息进行比较，并选择具有相似健康信息的患者(在图18中进一步详细描述)。在一些示例中，数据分析仪730还访问诊断数据和治疗数据。在数据分析仪730已经选择了具有与所述患者最相似的健康信息的过去患者之后，指令1200继续至框1206。

在框1206处，数据分析仪730生成病症诊断。例如，数据分析仪将患者的症状与具有最相似健康信息的过去患者的症状进行比较。例如，如果患者存在视力模糊、视觉飞蚊症和暗点的症状，则数据分析仪可以找到具有这些相同症状的被诊断为患有视网膜血管炎的过去患者。另外，如果临床医生提供了诊断，则可以跳过框1206。在患者健康护理交互设备102具有诊断之后，指令1200继续至框1208。

在框1208处，数据分析算法服务器752使用包括症状的患者健康信息、以及包括诊断的过去患者信息来确定推荐治疗计划。例如，数据分析算法服务器752可以基于治疗的最高平均成功率、地理区域的健康趋势、以及来自学术期刊和学术论文的信息等来确定推荐治疗计划。在一些示例中，数据分析算法服务器752可以基于护理访问320来限制推荐治疗计划。在已经基于患者信息和历史患者信息确定了治疗治疗计划之后，指令1200继续至框1210。

机器学习引擎750基于患者健康信息和历史数据(例如，历史患者信息)来生成分析数据以及患者的数字孪生体(框1210)。例如，机器学习引擎750使用数据分析算法服务器752来生成包括可能治疗计划的各成功率和并发症率在内的分析数据。另外，机器学习引擎750使用模型生成器754以及由数据分析算法服务器752生成的分析数据来生成患者的数字模型，诸如图2的示例数字孪生体230。

在已经为患者提供了关于推荐治疗计划的分析信息之后，在框1212处，设备102基于数字孪生体模型和分析数据来促进对治疗计划及相关联临床医生的选择。以下在图13中进一步详细讨论了对治疗计划和临床医生的选择。在已经选择了治疗计划和临床医生之后，指令1200继续至框1214。

在框1214处，患者健康护理交互设备102经由用户界面710来接收患者生命体征。在一些示例中，患者健康护理交互设备102接收基于在到健康诊所或医院的附加就诊期间收集的信息的更新后生命体征。另外地或可替代地，患者健康护理交互设备102经由示例用户界面710来接收健康跟踪信息(例如，基于经由健康跟踪器收集的信息的更新后生命体征)。在这样的示例中，分析数据和数字孪生体是基于附加信息来更新的。更新后分析数据当被结合到患者模型和分析数据中时可以用于跟踪治疗的成功。在其他示例中，更新后分析数据可以用于寻找与过去患者健康信息更接近的匹配，并且还可以用于预测可能出现的并发症。

当如由患者和/或临床医生确定病症治疗完成时，在框1216，患者健康护理交互设备102将患者治疗数据发送至历史数据。例如，当治疗完成和/或病症已经过去时，数据被传送至图7的历史数据数据库740。在其他示例中，病症是慢性的、不可治愈的病症，并且在这样的示例中，数据被以规则的间隔传送。例如，此数据(尽管不指示克服了病症)可以用于安排未来的医疗中心就诊以及与慢性病相关联的症状抑制的成功。然后，在一些示例中，患者数据可用于提供未来推荐。

图13是表示可由图1和/或图7的患者健康护理交互设备执行以便促进或实现对治疗计划的选择的机器可读指令1200的流程图。示例指令1200可以至少部分地由机器可读指令来执行，所述机器可读指令由图7的患者健康护理交互设备102来执行。另外，在一些示例中，指令1200是结合图7的示例患者健康护理交互设备102来描述的，但是在一些示例中，所述指令可以适用于其他治疗诊断和治疗系统。

用于执行框1212的指令1200开始于框1302。在框1302处，用户界面710显示图2的数字孪生体230以及分析数据。在一些示例中，信息被呈现为图形显示。在其他示例中，信息是经由基于文本的用户界面来呈现的。另外地或可替代地，数字孪生体230和分析信息可以单独地或同时地呈现在同一屏幕上。

接下来，用户界面710接收评估治疗计划的请求。例如，用户界面710呈现治疗计划选项以便进行进一步评估。在一些示例中，用户界面710现在呈现治疗计划持续时间内的预测成功率和并发症。另外地或可替代地，数字孪生体被呈现为使得显示病症的不同阶段时的预测症状和副作用。

另外，患者健康护理交互设备102可以能够基于来自患者和/或临床医生的输入来操纵数据。例如，可以沿着治疗计划的子间隔查看数据。

在框1306处，可以评审或选择另一治疗计划用于进行施予。例如，患者和/或设备生成的置信水平可能对治疗计划的成功没有信心。如果患者决定和/或设备102确定评审另一治疗计划，则指令1200返回至框1304。然而，如果患者决定和/或设备102确定选择所述治疗计划用于进行施予，则指令1200继续至框1308。

在框1308处，患者健康护理交互设备102经由用户界面710来呈现所选治疗计划的临床医生成功率。在一些实例中，对临床医生施予所选治疗计划的成功率进行显示。另外地或可替代地，也可以显示其他临床医生信息，包括可用性、成本、患者证言、学历等。在已经评估了关于临床医生的信息之后，指令1200继续至框1310。

患者健康护理交互设备102接收所选临床医生决定(框1310)。在一些示例中，在患者选择临床医生之后，通信接口760辅助患者安排与所选临床医生的预约。在其示例中，用户界面710显示所选临床医生的联系方式。在框1310处，指令1200返回至图12的框1214。

图14是表示可由图1和/或图7的患者健康护理交互设备执行以便与过去患者进行通信的机器可读指令1400的流程图。例如，可以通过如以上关于图6的示例所描述的机器学习分析来确定和/或促进交互。示例指令1400可以至少部分地由机器可读指令来执行，所述机器可读指令由图7的患者健康护理交互设备102来执行。另外，在一些示例中，指令1400是结合图7的示例患者健康护理交互设备102来描述的，但是在一些示例中，所述指令可以适用于其他治疗诊断和治疗系统。

示例指令1400在框1402处开始。在框1402处，图1的患者健康护理交互设备102经由图7的用户界面710来接收联系过去患者的请求。例如，过去患者可能经受过所述治疗计划、可能具有关于治疗计划的效果或结果的证言、和/或可能具有关于由临床医生提供的护理的证言。在一些示例中，基于针对给定病症和治疗计划的较高成功率和/或总体就诊经验来向患者推荐过去患者。在患者健康护理交互设备102接收对联系过去患者的请求之后，指令1400继续至框1404。

在框1404处，通信接口760发送与过去患者进行通信的请求。在一些示例中，可以经由移动设备上的应用来传达此请求，所述应用包括短消息服务(SMS)信使、电子邮件、语音消息、推送通知或任何超文本传输协议/安全超文本传输协议(HTTP/HTTPS)支持的通信协议等。例如，消息可以是通用的、自动生成的消息。在一些示例中，如果通信请求针对的是保密电话呼叫，则过去患者可以在替代的讨论时间进行答复。在已经发送了请求之后，指令1400继续至框1406。

在框1406处，患者健康护理交互设备102等待过去患者同意通信请求。在一些示例中，通信接口760在取消所述请求之前等待较短的时间(例如，5分钟、15分钟等)。在其他示例中，通信接口760在取消所述请求之前等待较长的时间(例如，2天、1周等)。如果过去患者接受通信请求，则指令1400继续至框1408。然而，如果过去患者拒绝通信请求，则指令1400继续至框1410。

在框1408处，通信接口在过去患者与当前患者之间打开对话框。示例对话框允许在过去患者与当前患者之间进行匿名通信。例如，当前患者可以询问过去患者关于任何治疗副作用的困难，而任一患者无法将诊断与另一患者的身份联系起来，从而保留医疗隐私。在患者已经完成通信之后，指令1400继续至框1410。

在框1410处，患者健康护理交互设备102等待判定患者是否想要请求联系另一位过去患者。如果患者决定请求与另一位过去患者进行联系，则指令1400返回至框1402。否则，患者不想请求与另一位过去患者进行联系，并且指令1400结束。

图15A、15B、15C、15D是表示可由图1和图7的患者健康护理交互设备执行以便计算各种分析数据的机器可读指令1500的流程图。示例指令1500可以至少部分地由机器可读指令来执行，所述机器可读指令由图7的患者健康护理交互设备102来执行。另外，在一些示例中，指令1500是结合图7的示例患者健康护理交互设备102来描述的，但是在一些示例中，所述指令可以适用于其他治疗诊断和治疗系统。

示例指令1500在图15A中在框1502处开始。在框1502处，患者健康护理交互设备102的示例数据分析仪730将患者健康信息和历史健康信息发送至数据分析算法服务器752。根据本公开，示例数据分析算法服务器752被提供有计算分析数据所需的所有信息。在数据分析算法服务器752接收到患者健康信息和历史健康信息之后，指令1500继续至框1504。

数据分析算法服务器752基于患者健康信息和历史健康信息来计算治疗计划成功率(框1504)。例如，数据分析算法服务器752基于与患者健康信息相类似的过去患者健康信息来计算可能治疗计划的成功率。在这样的示例中，数据分析算法服务器752计算治疗计划的总体成功率。

在一些示例中，在数据分析算法服务器752计算成功率之后，指令1500前进至图15B的框1506。在框1506处，数据分析算法服务器752计算治疗计划的临床医生成功率。例如，示例临床医生成功率可以计算为成功治疗的总和除以所述治疗计划治疗的患者数量。在已经计算了临床医生的临床医生成功率之后，指令1500前进至框1508。

在框1508处，数据分析算法服务器752判定是否需要计算另一临床医生成功率。在一些示例中，数据分析算法服务器752计算可用于向患者施予所述治疗的所有临床医生的临床医生成功率。如果存在可以为其计算临床医生成功率的另一位临床医生，则指令1500返回至框1506。如果不再存在可以为其计算成功率的临床医生，则指令1500继续至框1510。

在框1510处，可以绘制临床医生成功率。在一些示例中，临床医生成功率是如图6F的示例中示出的条形图。在其他示例中，以不同的图形格式来显示临床医生成功率，诸如图6A或图6C中示出的曲线图。在已经计算了临床医生成功率之后，示例指令1500继续至框1532。

另外，在数据分析算法服务器752计算成功率之后，指令1500前进至图15C的框1512。在框1512处，数据分析算法服务器752以子时间间隔计算治疗计划的成功率。在数据分析算法服务器752已经计算了子时间间隔的成功率之后，指令1500移动至框1514。

数据分析算法服务器752判定是否存在要计算的另一子时间间隔的成功率(框1514)。如果不存在要计算成功率的其他子间隔，则示例指令1500继续至框1516。

在框1516处，数据分析算法服务器752绘制治疗计划的成功率。例如，成功率被绘制为随时间推移的线形图。另外，在绘制了治疗计划的成功率之后，数据分析算法服务器752将算法应用于所绘制的成功率以计算治疗成功率(框1518)。例如，数据分析算法服务器752可以将线性梯度下降算法应用于各子间隔的成功率，以确定当前患者治疗期间的成功率。另外地或可替代地，可以使用其他算法来预测子间隔期间以及治疗计划持续时间内的治疗成功。在数据分析算法服务器752已经将算法应用于成功率图之后，指令1500继续至框1520。

在框1520处，数据分析算法服务器752判定是否要评估另一治疗计划。如果存在要评估的另一治疗计划，则指令1500返回至框1512。否则，指令1500继续至框1532。

另外，在数据分析算法服务器752计算并发症率之后，指令1500前进至图15D的框1522。在框1522处，数据分析算法服务器752以子时间间隔计算治疗计划的并发症率。在数据分析算法服务器752已经计算了子时间间隔的并发症率之后，指令1500移动至框1524。

数据分析算法服务器752判定是否存在要计算的另一子时间间隔的并发症率(框1524)。如果不存在要计算并发症率的其他子间隔，则示例指令1500继续至框1526。

在框1526处，数据分析算法服务器752绘制治疗计划的并发症率。例如，并发症率被绘制为随时间推移的线形图。另外，在绘制了治疗计划的并发症率之后，数据分析算法服务器752将算法应用于所绘制的并发症率以计算治疗计划的并发症(框1528)。例如，数据分析算法服务器752可以将线性梯度下降算法应用于各子间隔的并发症率，以确定当期患者治疗期间的并发症率。另外地或可替代地，可以使用其他算法来预测子间隔期间以及治疗计划持续时间内的治疗的并发症。在数据分析算法服务器752已经将算法应用于并发症率图之后，指令1500继续至框1532。

返回至图15A，数据分析算法服务器752判定是否存在要评估的另一治疗计划(框1532)。如果已经评估了所有治疗计划，则示例指令1500继续至框1534。否则指令1500返回至框1504以评估附加治疗计划。

在框1534处，数据分析算法服务器752选择最佳治疗计划以及相关联临床医生以进行呈现。例如，如果评估了十二项治疗计划，则仅将选择几项(例如，三项、五项等)、但至少一项治疗计划。在这样的示例中，十二项治疗计划对于患者来说将是太多的治疗计划而无法考虑，因此将选择具有最佳成功率和/或最小并发症率的治疗计划。

图16是表示可由图1和/或图7的患者健康护理交互设备102执行以生成诸如曲线图1602等分析数据以便基于成功率来推荐治疗计划的机器可读指令1600的流程图。示例指令1600可以至少部分地由机器可读指令来执行，所述机器可读指令由图7的患者健康护理交互设备102来执行。另外，在一些示例中，指令1600是结合图7的示例患者健康护理交互设备102来描述的，但是在一些示例中，所述指令可以适用于其他治疗诊断和治疗系统。

示例指令1600在框1604处开始。在框1604处，图7的数据分析算法服务器752选择诸如治疗计划1606等治疗计划以进行评估。所选治疗计划1606可以是图7的历史数据数据库740中的用于治疗诊断出的病症的治疗计划中的任一治疗计划。在数据分析算法服务器752选择治疗计划以进行评估之后，指令继续至框1608。

示例数据分析算法服务器752通过取平均以子间隔计算一定时间段内的成功率(框1608)。例如，子间隔1610示出了一定时间段(例如，3个月)内的成功率。在一些示例中，成功率是基于结合图6描述的因素和方程来计算的。在框1612处，数据分析算法服务器752绘制如示例曲线图1602中示出的成功率。在绘制了子间隔1610的成功率之后，指令继续至框1614。

在框1614处，数据分析算法服务器752判定是否存在要计算的另一子间隔。例如，子间隔1616a、1616b、1616c可以共同跨越一定时间段(例如，1周、2个月、2年等)。另外，子间隔可以单独跨越较短的时间段(例如，2天、2周、3个月等)。在一些示例中，可以存在与曲线图1602中所示出的相比更多或更少的子间隔1610、1616a、1616b、1616c。如果数据分析算法服务器确定存在要计算的附加子间隔1616a、1616b、1616c，则指令1600返回至框1608。否则，如果已经计算了所有子间隔1616a、1616b、1616c，则指令1600继续至框1618。

在框1618处，数据分析算法服务器752应用算法来计算治疗成功的预测线，诸如预测线1620。例如，数据分析算法服务器752可以应用线性梯度下降算法来计算预测线。在其他示例中，可以使用其他机器学习算法来确定预测线。在图16的所展示示例中，预测线1620指示子间隔(例如，子间隔1610、1616b等)的可能成功率。在已经计算了预测线1620之后，指令1600继续至框1622。

数据分析算法服务器752判定是否存在要评估的另一治疗(框1622)。例如，如果治疗计划1606是类固醇，则示例数据分析算法服务器752确定需要对治疗计划1624(例如，顺势疗法、激光等)进行评估。如果需要对另一治疗计划1624进行评估，则示例指令1600返回至框1604。在一些示例中，可以存在与曲线图1602中所示出的相比更多的治疗计划。如果不存在要评估的附加治疗计划，则指令1600继续至框1626。

在框1626处，数据分析算法服务器752基于成功率来推荐治疗计划。例如，数据分析算法服务器752可以推荐治疗计划1606，因为长期成功率高于治疗计划1624。在数据分析算法服务器752基于成功率推荐了治疗计划之后，指令结束。

如图16中所展示的，通过在子间隔期间治疗的患者的平均成功率来计算子间隔(例如，子间隔1610)的平均成功的计算结果1650。例如，子间隔1616b的计算结果1650包括与子间隔1610相比更少的患者。因此，例如，每个后续子间隔都是基于剩余不成功患者来计算的。

另外地或可替代地，指令1600还可以用于计算治疗计划的子间隔并发症率。在这样的示例中，并发症率是以与成功率相似或完全相同的方式来计算的，然而，曲线图测量子间隔内的治疗并发症率而非治疗成功率。

图17是表示可由图1和/或图7的患者健康护理交互设备执行以便生成可用于基于临床医生成功率来选择临床医生的曲线图1702的机器可读指令1700的流程图。示例指令1700可以至少部分地由机器可读指令来执行，所述机器可读指令由图7的患者健康护理交互设备102来执行。另外，在一些示例中，指令1700是结合图7的示例患者健康护理交互设备102来描述的，但是在一些示例中，所述指令可以适用于其他治疗诊断和治疗系统。

示例指令在框1704处开始。在框1704处，数据分析算法服务器752选择临床医生(例如，临床医生1706)以进行评估。在一些示例中，数据分析算法服务器752可以选择已经对诊断出的病症施予过治疗的任何临床医生。在其他示例中，数据分析算法服务器752基于图3的护理访问320来仅选择患者可访问的临床医生。在已经选择临床医生1706以进行评估之后，示例指令继续至框1710。

在框1710处，数据分析算法服务器752基于临床医生患者1716(例如，所治疗患者的数量)来计算治疗(例如，类固醇1714)的临床医生成功率1712。在图17的所展示示例中，临床医生1706向较大数量的临床医生患者1716施予类固醇治疗1714产生了较高的成功率1712。在数据分析算法服务器确定了治疗计划的临床医生成功率1712之后，示例指令1700继续至框1718。

在框1718处，示例数据分析算法服务器752判定是否存在要评估的另一位临床医生。如果存在要评估的附加临床医生，则示例指令1700返回至框1704。例如，数据分析算法服务器752仍然可以对向临床医生患者1724施予激光治疗1722的临床医生1720进行评估。另外地或可替代地，数据分析算法服务器752还可以对向临床医生患者1730施予顺势疗法治疗1728的临床医生1726进行评估。在这两种示例中，数据分析算法服务器计算治疗计划1728和1722的成功率1712。在一些示例中，可能存在更多或更少要评估的临床医生，或者临床医生可能施予过两项不同的治疗计划。如果已经评估了所有临床医生1706、1720、1726，则示例指令1700继续至框1732。

在框1732处，数据分析算法服务器752绘制临床医生成功率。例如，可以如曲线图1702中所示出地那样来显示临床医生成功率。在一些示例中，用于绘制成功率的计算结果1750被确定为所治疗患者的成功率总和除以所治疗患者的数量。在数据分析算法服务器752绘制临床医生成功率之后，示例指令1700结束。

在一些示例中，患者健康护理交互设备102可以是自动化过程。例如，患者健康护理交互设备102请求患者健康信息，并且生成所建议治疗计划和临床医生而无需任何进一步用户输入。在其他示例中，用户可以选择对患者健康护理交互设备102的操作进行某些手动控制。例如，用户可以判定哪些健康因素对生成数字孪生体和成功率数据更有影响。在其他示例中，用户可以选择分析数据中显示的数据的粒度。在这样的示例中，用户可以由临床医生辅助或者具有治疗相似病症的先前经验。因此，对患者健康护理交互设备102的手动控制可以提供能够改进所选治疗计划的结果的附加用户协作。

图18是表示可由图1和/或图7的患者健康护理交互设备执行以便自动或手动选择由患者健康护理交互设备102使用的因素的机器可读指令1800的流程图。示例指令1800可以至少部分地由机器可读指令来执行，所述机器可读指令由图7的患者健康护理交互设备102来执行。另外，在一些示例中，指令1800是结合图7的示例患者健康护理交互设备102来描述的，但是在一些示例中，所述指令可以适用于其他治疗诊断和治疗系统。在一些示例中，这些因素可以包括图3、图4A和图4B的数据。在其他示例中，这些因素可以另外包括专业、社会地位、地理区域、服装款式等。

示例指令1800在框1802处开始。在框1802处，患者健康护理交互设备102接收用于自动地选择因素或准许手动选择因素的决定。例如，如果患者相信其饮食应该被给予比患者健康护理交互设备102通常为其他患者提供的数据分析仪730更大的权重，则患者可以选择手动因素确定。如果患者选择手动因素确定，则指令继续至框1804。否则，选择自动因素确定，并且指令前进至框1806。

在框1806处，患者健康护理交互设备102经由用户界面710来接收患者健康信息。在框1808处，数据分析仪730接收患者健康信息，并且基于患者以及相似的患者健康信息来选择因素。在这样的示例中，数据分析仪730基于预定因素来判定哪些过去患者是最相似的。例如，数据分析仪730可以使用诸如性别、吸烟习惯、和活动水平等主要预定因素，指示这些因素是重要因素，但诸如种族、宠物和酒精消耗等其他次要预定因素是不太重要的因素。因此，在一些示例中，与均具有狗的男性和女性相比，吸烟的两个男性更有可能被数据分析仪认为是相似的，因为与共同具有相似次要预定因素的这个男性和这个女性相比，这两个吸烟的男性共同具有更多主要预定因素。在一些示例中，主要预定因素基于疾病。例如，婴儿患者或母亲的衣着款式可能影响对宝宝黄疸的治疗。在这样的示例中，与不同衣着的母亲和婴儿相比，相似衣着的母亲和婴儿被认为是更相似的。

可替代地，在框1804处，患者健康护理交互设备可以经由用户界面710来接收患者健康信息和因素确定。在这样的示例中，用户判定哪些因素是主要因素以及哪些因素是次要因素。例如，不食用任何肉类的患者可以确定素食是主要因素。在这样的示例中，所述患者与选择自动因素确定的患者相比更有可能被认为与具有相似饮食的患者相似。

在框1810处，数据分析算法服务器752基于因素确定来分析数据，并且模型生成器754基于所述数据来生成数字孪生体。例如，数据分析算法服务器752基于患者与由所述因素确定的过去患者之间的相似性来生成分析数据。另外地或可替代地，模型生成器754基于与来自与所述患者最相似的过去患者的过去患者数据相类似的患者健康信息来生成数字孪生体。例如，当患者确定素食是主要因素时，分析数据和数字孪生体与作为素食者的过去患者的过去患者数据相类似。在其他示例中，可以将更多或更少的因素确定为主要因素或次要因素。

图19是表示可由图1和/或图7的患者健康护理交互设备执行以便生成可用于选择治疗计划的临床医生成功曲线图1920和治疗成功率曲线图1930的机器可读指令1900的流程图。示例指令1900可以至少部分地由机器可读指令来执行，所述机器可读指令由图7的患者健康护理交互设备102来执行。另外，在一些示例中，指令1900是结合图7的示例患者健康护理交互设备102来描述的，但是在一些示例中，所述指令可以适用于其他治疗诊断和治疗系统。

示例指令1900在框1902处开始。在框1902处，数据分析算法服务器752对过去患者数据进行访问。例如，数据分析算法服务器752对关于过去患者治疗的总长度的数据进行访问。在框1904处，患者健康护理交互设备102接收用于选择子间隔或允许自动子间隔分析的用户选择。

例如，在框1906处，数据分析算法服务器752基于自动规则来确定用于进行分析的子间隔长度。在这样的示例中，数据分析算法服务器752可以基于预定规则来确定子间隔的长度，诸如，以1周的子间隔来测量流感。在其他示例中，诸如骨折等病症可以具有用于测量1个月的子间隔的预定规则。另外地或可替代地，可以按天、多个周、多个月和/或多年来测量子间隔。

在其他示例中，在框1908处，数据分析算法服务器752接收来自用户的用于进行分析的子间隔长度。例如，如果患者想要更具体的时间段分析，则所述患者可以以更短的间隔来分析治疗成功率。这种手动控制可以帮助患者确定即将到来的特殊事件的预期病症，或者只是提供预期治疗成功的更详细进展。

在框1910处，数据分析算法服务器752计算过去患者的总间隔时段。例如，总间隔是从第一次治疗到治疗计划完成的时间段。在框1912处，数据分析算法服务器752基于总间隔时段来计算子间隔。例如，如果总间隔时段是一年并且子间隔是四个月，则总间隔时段将被划分为三个子间隔。在其他示例中，如果总间隔是五个月，则总间隔时段将仅被划分为两个子间隔(例如，一个四个月的间隔和一个单个月的间隔等)。

在框1914处，用户界面710利用子间隔来呈现过去患者数据。例如，如示例曲线图1920和1930中所示出的，成功率被划分为子间隔。在一些示例中，用户界面710可以允许患者选择子间隔进行放大并且进行更详细的分析。因此，患者可以基于其所选治疗计划来确定其未来日期的预期病症。

图20是示例处理器平台2000的框图，所述处理器平台能够执行图12至图15的指令以便实施图7的装置。处理器平台2000可以是例如服务器、个人计算机、移动设备(例如手机、智能电话、平板计算机(诸如iPad^TM))、个人数字助理(PDA)、互联网设施、DVD播放器、CD播放器、数字视频记录器、蓝光播放器、游戏机、个人视频记录器、机顶盒或任何其他类型的计算设备。

所展示的示例的处理器平台2000包括处理器2012。所展示的示例的处理器2012是硬件。例如，处理器2012可由来自任何所期望的家族或制造商的一个或多个集成电路、逻辑电路、微处理器或控制器来实施。硬件处理器可以是基于半导体的(例如，基于硅的)设备。在本示例中，处理器2012实施示例数据分析仪730、示例机器学习引擎750、示例数据分析算法服务器752、和示例模型生成器754。

所展示的示例的处理器2012包括本地存储器2013(例如，高速缓存)。所展示的示例的处理器2012经由总线2018与包括易失性存储器2014和非易失性存储器2016在内的主存储器进行通信。易失性存储器2014可以由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或任何其他类型的随机存取存储器设备来实施。非易失性存储器2016可以通过闪存和/或任何其他所期望的类型的存储器设备来实施。由存储器控制器来控制对主存储器2014、2016的访问。

所展示的示例的处理器平台2000还包括接口电路2020。接口电路2020可以由任何类型的接口标准(诸如以太网接口、通用串行总线(USB)和/或PCI快速接口)来实施。

在所展示的示例中，一个或多个输入设备2022连接至接口电路2020。(多个)输入设备2022准许用户将数据和/或命令输入到处理器2012中。所述(多个)输入设备可以由例如音频传感器、麦克风、照相机(静态或视频)、键盘、按钮、鼠标、触摸屏、跟踪垫、轨迹球、隔离点和/或语音识别系统来实施。

一个或多个输出设备2024也连接至所展示的示例的接口电路2020。输出设备1024可以例如由显示设备(例如，发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触觉输出设备、打印机和/或扬声器)实施。所展示的示例的接口电路2020因此通常包括图形驱动卡、图形驱动芯片和/或图形驱动处理器。

所展示的示例的接口电路2020还包括诸如发射器、接收器、收发器、调制解调器和/或网络接口卡等通信设备以便经由网络2026(例如，以太网连接、数字用户线(DSL)、电话线、同轴电缆、蜂窝电话系统等)促进与外部机器(例如，任何种类的计算设备)的数据交换。在本示例中，接口电路2020实施示例用户界面710和通信接口760。

所展示的示例的处理器平台2000还包括用于存储软件和/或数据的一个或多个大容量存储设备2028。这种大容量存储设备2028的示例包括软盘驱动器、硬盘驱动器、致密盘驱动器、蓝光盘驱动器、RAID系统和数字多功能盘(DVD)驱动器。

图12至图15的经编码指令2032可以存储在大容量存储设备2028中、易失性存储器2014中、非易失性存储器2016中、和/或可移除有形计算机可读存储介质(比如CD或DVD)上。在一些示例中，大容量存储还包括示例患者数据库720、示例历史数据数据库740、示例过去患者数据库742、和示例临床医生数据库744。

根据前述内容，将理解的是，已经公开了患者健康护理交互设备改进针对诊断出的病症的治疗计划的选择以及所选治疗计划的成功的示例方法、装置和制品。便携式患者健康护理交互设备改进了健康护理与动态的、移动的、交互式网络的技术递送以及健康护理知识、最佳实践、患者数据更新和患者治疗的连接。实施为台式计算机、膝上型计算机、平板计算机、智能电话、智能手表、可穿戴传感器等的患者健康护理交互设备提供技术上改进的健康护理监测器和健康护理向导，以引导患者和/或提供者进行数据更新、数据传输、通信、自动化(例如，人工智能)临床医生决定支持、患者建模、数据分析和协议改进，这是当人类单独尝试时无法获得和/或不切实际的。某些示例带来了技术改进，从而为健康护理信息提供比可搜索资源显著更多的东西，并且某些示例在技术上改进了数据递送、数据存储、数据分析以及计算机驱动的确定和行动。

例如，患者健康护理交互设备基于患者所就诊的临床医生的有限经验来建议可能还没有以其他方式向所述患者推荐的治疗计划。另外，患者健康护理交互设备向经受治疗的患者提供信息。在一些示例中，治疗计划的困难和治疗的成功的信息可以鼓励患者在成功的希望下经受治疗的困难。另外，患者健康护理交互设备帮助告知患者相似患者历史上失败过的治疗计划。

虽然本文中已经公开了某些示例方法、装置和制品，但是本专利的覆盖范围不限于此。相反，本专利覆盖完全落入本专利的权利要求的范围内的所有方法、装置和制品。

Claims

1.一种用于选择医学治疗的装置，所述装置包括：

用户界面，用于接收患者的健康信息，所述健康信息包括病症的症状；

数据分析仪，用于：

访问存储在过去患者数据库中的历史患者信息；并且

基于对存储在所述过去患者数据库中的所述历史患者信息与所述患者的所述健康信息的比较来确定病症；

机器学习引擎，用于推荐要由所述用户界面呈现的至少一项治疗计划，所述机器学习引擎包括：

数据分析算法服务器，用于确定所述至少一项治疗计划针对所述病症的成功率，所述成功率基于所述患者的所述健康信息以及历史健康信息；以及

模型生成器，用于生成患者模型，其中，所述患者模型基于所述成功率来预测在所述治疗计划的持续时间内所述至少一项治疗计划的效果以及所述病症的症状；

通信接口，用于在所述患者经由所述用户界面选择所述治疗计划之后促进安排与临床医生的预约；以及

所述用户界面用于接收来自所述患者的指示治疗计划有效性的健康跟踪信息，并且将所述健康跟踪信息存储在患者数据库中。

2.如权利要求1所述的装置，其中，所述用户界面用于呈现所述成功率和所述患者模型。

3.如权利要求1所述的装置，其中，所述患者模型是所述患者的数字孪生体，其中，所述数字孪生体能够在虚拟空间中模拟对所述患者的真实效果。

4.如权利要求1所述的装置，其中，所述历史患者信息包括历史健康信息、历史症状和历史诊断。

5.如权利要求1所述的装置，进一步包括：

所述数据分析仪用于将临床医生与历史健康信息相关联；以及

所述数据分析算法服务器用于确定所述至少一项治疗计划的临床医生成功率。

6.如权利要求1所述的装置，进一步包括：用于实现所述患者与过去患者之间的通信的通信接口，其中，所述过去患者接受过所述至少一项治疗计划。

7.如权利要求1所述的装置，其中，当由施予治疗的临床医生确定所述治疗完成时，所述健康信息要被传送到所述过去患者数据库。

8.如权利要求1所述的装置，其中，所述模型生成器用于基于所述健康跟踪信息来更新所述患者模型。

9.一种用于经由患者健康护理交互设备来选择医学治疗的计算机实现的方法，所述方法包括：

经由用户界面来接收患者的健康信息，所述健康信息包括病症的症状；

经由数据分析仪来访问存储在过去患者数据库中的历史患者信息；

经由所述数据分析仪基于对存储在所述过去患者数据库中的所述历史患者信息与所述患者的所述健康信息的比较来确定病症；

通过以下操作来推荐要由所述用户界面呈现的至少一项治疗计

划：

经由数据分析算法服务器来确定所述至少一项治疗计划针对所述病症的成功率，所述成功率基于所述患者的所述健康信息以及历史健康信息；以及

经由模型生成器来生成患者模型，其中，所述患者模型基于所述成功率来预测在所述治疗计划的持续时间内所述至少一项治疗计划的效果以及所述病症的症状；

在所述患者经由所述用户界面选择所述治疗计划之后，经由通信接口来安排与临床医生的预约；以及

经由用户界面来接收来自所述患者的指示治疗计划有效性的健康跟踪信息，并且将所述健康跟踪信息存储在患者数据库中。

10.如权利要求9所述的方法，进一步包括：经由所述用户界面来呈现所述成功率和所述患者模型。

11.如权利要求9所述的方法，其中，所述患者模型是所述患者的数字孪生体，并且其中，所述数字孪生体能够在虚拟空间中模拟对所述患者的真实效果。

12.如权利要求9所述的方法，其中，所述历史患者信息包括历史健康信息、历史症状和历史诊断。

13.如权利要求9所述的方法，进一步包括：

经由所述数据分析仪来将临床医生与历史健康信息相关联；以及

经由所述数据分析算法服务器来确定所述至少一项治疗计划的临床医生成功率。

14.如权利要求9所述的方法，进一步包括：经由所述通信接口来实现所述患者与过去患者之间的通信，其中，所述过去患者接受过所述至少一项治疗计划。

15.如权利要求9所述的方法，进一步包括：当由施予治疗的临床医生确定所述治疗完成时，将所述健康信息传送到所述过去患者数据库。

16.一种非暂态计算机可读存储介质，包括用于选择医学治疗的计算机可读指令，所述指令当被执行时使处理器至少进行以下操作：

接收患者的健康信息，所述健康信息包括病症的症状；

访问存储在过去患者数据库中的历史患者信息；

基于进一步使所述处理器进行以下操作的所述指令来推荐要由用户界面呈现的至少一项治疗计划：

确定所述至少一项治疗计划针对所述病症的成功率，所述成功率基于所述患者的所述健康信息以及历史健康信息；以及

生成患者模型，其中，所述患者模型基于所述成功率来预测在所述治疗计划的持续时间内所述至少一项治疗计划的效果以及所述病症的症状；

在所述患者经由所述用户界面选择所述治疗计划之后促进安排与临床医生的预约；以及

接收来自所述患者的指示治疗计划有效性的健康跟踪信息，并且将所述健康跟踪信息存储在患者数据库中。

17.如权利要求16所述的非暂态计算机可读存储介质，其中，所述指令进一步使所述处理器经由所述用户界面来呈现所述成功率和所述患者模型。

18.如权利要求16所述的非暂态计算机可读存储介质，其中，所述患者模型是所述患者的数字孪生体，并且其中，所述数字孪生体能够在虚拟空间中模拟对所述患者的真实效果。

19.如权利要求16所述的非暂态计算机可读存储介质，其中，所述历史患者信息包括所述历史健康信息、历史症状和历史诊断。

20.如权利要求16所述的非暂态计算机可读存储介质，进一步包括当被执行时使所述处理器进行以下操作的指令：

将临床医生与所述历史健康信息相关联；以及

确定所述至少一项治疗计划的临床医生成功率。

21.如权利要求16所述的非暂态计算机可读存储介质，进一步包括当被执行时使所述处理器进行以下操作的指令：当由施予治疗的临床医生确定所述治疗完成时，将所述健康信息传送到所述过去患者数据库。