CN110100286A - 用于患者历史敏感的结构化发现对象推荐的系统和方法 - Google Patents
用于患者历史敏感的结构化发现对象推荐的系统和方法 Download PDFInfo
- Publication number
- CN110100286A CN110100286A CN201780079754.2A CN201780079754A CN110100286A CN 110100286 A CN110100286 A CN 110100286A CN 201780079754 A CN201780079754 A CN 201780079754A CN 110100286 A CN110100286 A CN 110100286A
- Authority
- CN
- China
- Prior art keywords
- discovery
- patient
- timeline
- sfo
- recommended
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000035945 sensitivity Effects 0.000 title description 3
- 239000000284 extract Substances 0.000 claims abstract description 16
- 230000001052 transient effect Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 210000004209 hair Anatomy 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 4
- 206010016654 Fibrosis Diseases 0.000 description 2
- 208000002151 Pleural effusion Diseases 0.000 description 2
- 230000007882 cirrhosis Effects 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001256 tonic effect Effects 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
用于生成结构化发现对象(“SFO”)描述推荐的系统和方法。所述系统和方法被配置为：提取针对患者的多个第一发现，将所述第一发现组装为针对所述患者的时间线，提取针对患者群体的多个第二发现，确定针对所述患者群体的时间线的集合，以及确定针对在时间线的所述集合中的所述第二发现中的每个的、发生发现的条件概率。此外，所述系统和方法被配置为至少部分地基于针对所述第一发现的所述条件概率显示针对所述患者时间线中的所述第一发现中的每个的SFO描述推荐。
Description
背景技术
推荐引擎便于简单直观的人机交互。放射科医师通常对感兴趣的对象进行注释作为放射学解讯工作流程的一部分，以识别关键发现和随诊推荐。已经认识到放射图像发现的注释将有助于增加放射学解读的价值，因为它允许图像语义的结构化持续和下游利用的再次使用。诸如美国专利申请No.62/364937中公开的那些条件概率实现的方法可以用于基于先前注释和上下文提示以及合适的用户交互设备有效地建议结构化多值注释。从图像解读环境和/或辅助引擎(例如图像处理引擎)获得上下文提示。可以根据所采用的用户交互设备微调上述方法中描述的算法。
虽然这些方法比传统的基于字符串的方法有了很大的改进(基于字符串的方法不能用于注释放射学的发现，因为字符串对于再次使用不够精细)，但这些方法仍然存在一定的缺陷。特别地，通过对患者群体之间的关系建模，所述方法仅提取基本关系并且实际上可能失去当前患者被注释的上下文。由于采用结构化的报告解决方案的不断增加，并且针对如何在工作流中实现快速的结构化报告的方法不断涌现，在上述方法中的途径中一个显著的挑战是如何对当前上下文进行正确的建模来保证系统针对当前患者在适当的时间向放射科医师提供提示最合适的结构化发现描述。
如上所述，由于个体患者与在结构化发现对象的大的数据库中建模的“普通患者”不能很好地对应，因此本公开旨在通过公开一种利用放射学报告的大型语料库结合个体患者的历史数据来向注释放射科医师推荐更准确的结构化发现对象描述的系统和方法来解决该问题。也就是说，本公开所推荐的描述更适合于在注释时的个体患者的当前状态。
发明内容
在一个示例性实施例中，提供了一种用于生成结构化查找对象(“SFO”)描述推荐的系统。所述系统包括处理器和显示器。所述处理器被配置为：提取针对患者的多个第一发现，将所述第一发现组装(assembly)为针对患者的时间线，提取针对患者群体的多个第二发现，确定针对所述患者群体的时间线的集合，以及确定针对时间线的所述集合中的所述第二发现中的每个的、发生发现的条件概率。所述显示器至少部分地基于针对所述第一发现的所述条件概率显示针对所述患者时间线中的所述第一发现中的每个的SFO描述推荐。
在另一个示例性实施例中，描述了一种用于生成结构化查找对象(“SFO”)描述推荐的方法。所述方法描述了：提取针对患者的多个第一发现，将所述第一发现组装为针对所述患者的时间线，提取针对患者群体的多个第二发现，确定针对所述患者群体的时间线的集合，以及确定在时间线的所述集合中的所述第二发现中的每个的、发生发现的条件概率。所述方法还描述了至少部分地基于针对所述第一发现的所述条件概率显示针对所述患者时间线中的所述第一发现中的每个的SFO描述推荐。
在另一示例性实施例中，描述了一种其上存储有可执行程序的非瞬态计算机可读存储介质。所述程序在运行时指示处理器执行动作，所述动作包括：提取针对患者的多个第一发现，将所述第一发现组装为针对患者的时间线，提取针对患者群体的多个第二发现，确定针对所述患者群体的时间线的集合，以及确定针对时间线的所述集合中的所述第二发现中的每个的、发生发现的条件概率。所述程序还指示显示器至少部分地基于针对所述第一发现的所述条件概率来显示针对所述患者时间线中的所述第一发现中的每个的SFO描述推荐。
附图说明
图1示出了根据示例性实施例的系统的示意图。
图2示出了根据示例性实施例的用户交互显示。
图3显示了根据示例性实施例的针对肝硬化的发现的条件概率。
图4示出了根据示例性实施例的方法的流程图。
图5示出了根据示例性实施例的流程图。
具体实施方式
参考以下描述和附图可以进一步理解示例性实施例，其中，相似的元件用相同的附图标记表示。示例性实施例涉及用于基于来自多个患者的医学记录和来自医学记录被注释的患者的数据向用户提供基于概率的上下文推荐的系统和方法。特别地，示例性实施例向用户推荐将在下面讨论的结构化发现对象(SFO)描述，其更好地与在注释时患者的当前状态相关。
用户可以是负责注释医学记录的人，例如放射科医师、放射科医师或任何其他人员的团队、医学专业人员或有资格从图片存档及通信系统(PACS)或成像系统工作站读取成像扫描的团队。医学记录可能包括源文件，如放射学报告、医学图像、成像扫描、临床报告、实验室报告等。
PACS是辐助放射科医师履行职责并允许他们能够跟上不断增加的工作量的工作站。特别是，PACS采用直观的图形用户接口，其提供对患者的放射学历史的访问，包括诊断报告、检查记录、临床历史和成像扫描。此外，PACS具有若干简化和加速工作流程的功能。这些功能对于提高放射科医师的生产率至关重要。
示例性实施例可以应用于涉及成像检查中的注释观察结果的任何应用中。例如，示例性实施例可以由诸如Royal Philips Invivo DynaLync(用于与肺癌筛查相关联的患者数据的综合管理的工作流程解决方案)和IntelliSpace PACS放射学的系统利用。
因此，可以看出示例性实施例解决了根源在计算机技术的问题。具体地，在能够将医学记录存储在计算设备的存储器中并将与医学记录相关联的数据存储在计算设备中之前，不存在结构化报告的问题。此外，示例性实施例通过提供基于患者的医学历史推荐合适的结构化发现对象描述的系统来解决实现快速结构化报告的问题。此外，示例性实施例显著提高了医学专业人员，特别是放射科医师的生产率和效率。如上所述并将在下面进一步讨论，由于放射科医师工作量的不断增加，对于医学机构和患者等而言，对放射科医师的生产率和效率的改进是至关重要的。
参考以下描述和附图可以进一步理解示例性实施例，其中，相似的元件用相同的附图标记表示。
如图1中所示，根据本公开的示例性实施例的系统100用于执行以上描述的示例性功能。系统100包括处理器102、用户接口104、显示器106和存储器108。系统100的每个部件可以包括各种硬件实现方式。例如，处理器102可以是硬件部件，其包括解读和执行馈送到系统100的电信号所必需的电路。处理器102的示例包括中央处理单元(CPU)、控制单元、微处理器等。所述电路可以实现为集成电路、专用集成电路(ASIC)等。用户接口104可以是，例如，键盘、鼠标、键盘、触摸屏等。显示器106可以是液晶显示(LCD)设备、发光二极管(LED)显示器、有机LED(OLED)显示器、等离子显示器面板(PDP)等。本领域技术人员将理解，用户接口104和显示器106的功能可以在单个硬件部件中实现。例如，触摸屏设备可用于实现显示器106和用户接口104两者。存储器108可以是任何类型的半导体存储器，包括易失性和非易失性存储器。非易失性存储器的示例包括闪存、只读存储器(ROM)、可编程ROM(PROM)、可擦除PROM(EPROM)和电可擦除PROM(EEPROM)。易失性存储器的示例包括动态随机存取存储器(DRAM)和快速CPU高速缓冲存储器，其通常是静态随机存取存储器(SRAM)。
存储器108包括数据库120。数据库120可以存储患者的医学记录、SFO和时间发现关系。如上所述，医学记录可以包括源文件，例如放射学报告、成像扫描、医学图像、临床报告、实验室报告等。本领域技术人员将理解源文件可以是书面、口头的或者两者的结合。此外，数据库120可以存储患者的电子病历(EMR)问题列表和进行研究的原因。时间发现关系可以由时间发现关系引擎112提供。时间发现关系引擎112将在下面讨论。
SFO可以包括键值对的集合{(k1,v1),…,(kn,vn)}，其中，键kn表示可以从被注释的医学记录中观察到的量，并且值vn表示可以从注释的医学记录中观察到的图像可观察量的值。在示例性实施例中，SFO可以以简化形式表示，即作为键值对的值{v1，...，vn}，即“毛刺”和“结节”。对应的键值对可以是{(毛刺，是)，(位置，左下页)，(外观，结节)}。
创建和修改SFO的示例如图2所示。特别地，图2示出了用户如何通过各种用户交互来创建和修改“毛刺状左下叶结节”的SFO。例如，为了删除“毛刺”的键值对，用户可以例如使用可通过鼠标移动的屏幕指针点击用户想要移除的键值对(例如“毛刺”)中的“x”，例如根据图2所示。在另一个示例中，键值对“毛刺”的值的修改可以由用户将屏幕上的指针悬停在表示键值对“毛刺”的框上来执行。然后，显示器106可以显示替代值，其可以通过例如可能性来排名。这种可能性可以通过概率推荐算法来确定。如图2所示，可以提出“非毛刺”的替代值。
在最后的示例中，可以通过用户将屏幕上的指针悬停在添加符号上来执行向SFO添加键值对。显示器106可以显示最有可能补充SFO的多个键的视觉表示。如图2所示，用户可以选择优选键，例如“类型”，并且可能出现具有最可能值“固态”的新框，得到SFO包括新的键值对{类型，固态}。
SFO可以与上下文信息一起存储在数据库120中。这样的上下文信息可以从各种来源获得，包括但不限于医学记录的元数据、从医学报告的图像分析获得的图像分析信息、使得用户能够查看医学图像的图像查看器应用、以及系统100的记录信息。图像分析信息的具体示例是所选体素的解剖标签，或通过图像分析分配给每个体素的解剖位置上的概率分布。另一个具体示例是系统100可以“监听”图像查看器应用程序的应用程序编程接口(API)，例如，如图片存档及通信系统(PACS)查看环境所提供的，以获得检测到的用户发起的事件形式的上下文信息。
SFO的其他示例，创建SFO，修改SFO以及将SFO存储在数据库120上可以在专利申请No.62/258750和美国专利申请No.62/364937中找到。因此，美国专利申请No.62/258750和美国专利申请No.62/364937通过引用在此整体并入本文。
在示例性实施例中，患者可以链接到患者标识符。患者标识符可以是用于识别患者的任何类型的识别码，例如医学记录号(MRN)或患者标识符。患者标识符也可以存储在数据库120中。可以以允许患者特定查询的方式构造数据库120(例如，以结构化格式)。还应该理解，数据库120可以表示分布在整个系统100或其他互连系统中的一系列数据库或其他类型的存储机制。
处理器102可以用引擎实现，包括例如患者发现上下文引擎111，时间发现关系引擎112和推荐引擎113。下面将更详细地描述这些引擎中的每一个。本领域技术人员将理解，引擎111-113可以由处理器102实现为例如由处理器102执行的代码行，实现为由处理器102执行的固件，实现为作为专用集成电路(ASIC)的处理器102的功能，等等。
患者发现上下文引擎111提取已经针对患者发生的发现。可以从数据库120中提取结果。例如，可以从患者的医学记录中提取发现。调查结果可能进一步编码，或发现可以是SFO。如果对结果进行编码，则每个发现可以与将该发现与预定代码相关联的特定代码相关联。在示例性实施例中，可以通过利用针对患者的所有放射学报告的概念提取自然语言处理(“NPL”)流水线来进行提取。本领域技术人员将理解，放射学报告可以是任何指定类型，并且提取可以在范围上受限。例如，提取可能受到时间段(例如，前两年)、特定日期等的限制。在另一示例性实施例中，概念提取NPL流水线可以是医学语言提取和编码系统(MedLEE)或国家生物医学本体中心(NCBO)注释器。
患者发现上下文引擎111进一步将发现组装成针对患者的发生事件的时间线。在示例性实施例中，可以通过将每个放射学报告或任何其他类型的医学报告的日期分配给在放射学报告内找到的发现来完成对发现的组装。例如，针对患者(p)的放射学报告(r)中的每个提取编码的(n)发现作为集合(F)，其中，
Fp,r＝(f1,f2,…fn)
然后可以将这些集合组装到时间线(T)中以获得按时间顺序的针对患者(p)的放射性报告(m)的总数，其中，
Tp＝(F1,F2,…Fm)
时间线可以被存储在数据库120中。在示例性实施例中，患者发现上下文引擎111可以利用EMR问题列表和/或进行研究的原因以及医学记录或没有医学记录来组装时间线。
时间发现关系引擎112在患者的医学记录的语料库上运行患者发现上下文引擎111的过程。在示例性实施例中，语料库可以包括数据库120中任意数量的患者的任何数量的放射学报告，不同数据库中的任何数量的患者的任何数量的放射学报告或根据特定准则选择的一组患者。例如，准则可以将所述组限制为具有特定类别(例如、种族、性别、年龄、国籍等)、特定地理区域、随机化或选择数量、时间段等的患者。
然后，时间发现关系引擎112可以根据针对每个患者的语料库确定时间线的集合。时间线的所述集合中的每个时间线可以通过上面讨论的关于患者发现上下文引擎111的过程来确定。然后，时间发现关系引擎112可以根据时间线的所述集合来确定针对时间线的所述集合中的每个集合中的发现中的每个的、发生发现的条件概率。也就是说，条件概率可以基于在“先前发现”之后发生的发现。条件概率的一个示例可以在图3中看到，这将在下面讨论。
在示例性实施例中，时间发现关系引擎112可以通过首先从患者(1)的时间线组装一组所有时间线(T所有)来确定每个或任何先前发现的概率，其中，
T所有＝(T1，T2，...Tl)
第二，时间发现关系引擎112可以通过对与先前发现(B)的发生相比所有时间线中的发现(A)的发生的次数进行计数来计算针对先前发现(B)发生发现的概率(A)，其中，
概率可以被存储在数据库120中。这样，数据库120可以包含针对每个先前发现发生发现的概率。在示例性实施例中，时间发现关系引擎112可以利用EMR问题列表和/或进行研究的原因与语料库一起或不与语料库一起来计算概率。
为了说明，如图3所示，对于肝硬化的先前发现，时间发现关系引擎112可以确定发现发生的概率，例如患有肝硬化的患者发生7.85％的胸腔积液几率[P(f胸腔积液|f肝硬化))]。
推荐引擎113基于患者的发现和由时间发现关系引擎112确定的概率，向用户生成SFO描述推荐。例如，推荐引擎113可以经由显示器106向用户推荐如上所述的毛刺左下叶结节可以是胸腔积液，如图3中所示。在示例性实施例中，推荐引擎113可以显示与先前发现有关的全部或一些结果，具有或不具有它们的百分比。结果可能受到预定上限的限制，例如要显示的概率的数量，或者有受预定的阈值限制，例如最小百分比。
应当注意，推荐引擎113可以包括美国专利申请No.62/258750中公开的功能，并且美国专利申请No.62/36,937中公开的功能也可以用于向用户生成SFO推荐。
图4示出了根据示例性实施例的用于患者历史敏感SFO推荐的方法400。图5示出了有助于方法400的可视化的流程图。在步骤401中，患者发现上下文引擎111可以提取针对患者的发现。如上所述，可以从患者的医学记录中提取该发现，例如从放射学报告中提取。在步骤402中，患者发现上下文引擎111可以将提取的发现组装到针对患者的发生时间线中。步骤401和402可以与图5的气泡1相关。
在步骤403中，时间发现关系引擎112可以提取针对患者群体的发现。可以通过在患者的医学记录的语料库(例如，他们的放射学报告)上运行患者发现上下文引擎的过程来进行提取。如上所述，群体可能受到准则的限制。在步骤404中，时间发现关系引擎112可以确定针对患者群体的时间线的集合。
在步骤405中，时间发现关系引擎112可以确定针对患者群体的时间线的所述集合中的发现(例如，先前发现)中的每个的、发生发现的条件概率。步骤403、404和405可以与图5的气泡2相关联。
在步骤406中，推荐引擎113可以基于患者的发现和如根据患者群体确定的该发现的条件概率，向用户(例如放射科医师)生成SFO描述推荐。如上所述，推荐可以在范围上受到预定上限或预定阈值的限制。步骤406可以与图5的气泡4相关联。
注意，权利要求可以包括根据PCT细则6.2(b)的附图标记/数字。然而，不应认为本权利要求被限制到对应于附图标记/数字的示例性实施例。
本领域技术人员将理解，上述示例性实施例可以以任何数量的方式实现，包括作为单独的软件模块，作为硬件和软件的组合等。例如，患者发现上下文引擎111时间发现关系引擎112和推荐引擎113可以是包含代码行的程序，在编译后，这些代码行可以在处理器上执行以执行上述功能。
Claims (20)
1.一种用于生成结构化发现对象(“SFO”)描述推荐的系统，包括：
处理器，其被配置为：
提取针对患者的多个第一发现；
将所述第一发现组装为针对所述患者的时间线；
提取针对患者群体的多个第二发现；
确定针对所述患者群体的时间线的集合；以及
确定针对时间线的所述集合中的所述第二发现中的每个的、发生发现的条件概率；以及
显示器，其至少部分地基于针对所述第一发现的所述条件概率显示针对所述患者时间线中的所述第一发现中的每个的SFO描述推荐。
2.根据权利要求1所述的系统，其中，所述发现是从所述患者的医学记录提取的。
3.根据权利要求2所述的系统，其中，所述医学记录包括以下中的至少一种：放射学报告、医学图像、成像扫描、临床报告或实验室报告。
4.根据权利要求1所述的系统，其中，所述处理器还被配置为：
按准则来限制所述患者群体。
5.根据权利要求4所述的系统，其中，所述准则包括以下中的至少一个：种族、性别、年龄组、国籍、地理区域、时间段、随机量或选择量。
6.根据权利要求1所述的系统，其中，所述第一发现和所述第二发现是以下中的至少一种：编码的或结构化的。
7.根据权利要求1所述的系统，其中，所述SFO描述推荐由预定界限限制数值上限。
8.一种用于生成结构化发现对象(“SFO”)描述推荐的方法，包括：
提取针对患者的多个第一发现；
将所述第一发现组装为针对所述患者的时间线；
提取针对患者群体的多个第二发现；
确定针对所述患者群体的时间线的集合；
确定针对时间线的所述集合中的所述第二发现中的每个的、发生发现的条件概率；以及
至少部分地基于针对所述第一发现的所述条件概率显示针对所述患者时间线中的所述第一发现中的每个的SFO描述推荐。
9.根据权利要求8所述的方法，其中，所述发现是从所述患者的医学记录提取的。
10.根据权利要求9所述的方法，其中，所述医学记录包括以下中的至少一种：放射学报告、医学图像、成像扫描、临床报告或实验室报告。
11.根据权利要求8所述的方法，还包括：
按准则来限制患者群体。
12.根据权利要求11所述的方法，其中，所述准则包括以下中的至少一个：种族、性别、年龄组、国籍、地理区域、时间段、随机量或选择量。
13.根据权利要求8所述的方法，其中，所述第一发现和所述第二发现是以下中的至少一种：编码的或结构化的。
14.根据权利要求8所述的方法，其中，所述SFO描述推荐由预定界限限制数值上限。
15.一种非瞬态计算机可读存储介质，其上存储有可执行程序，其中，所述程序指示处理器执行生成结构化查找对象(“SFO”)描述推荐的操作，包括：
提取针对患者的多个第一发现；
将所述第一发现组装为针对所述患者的时间线；
提取针对患者群体的多个第二发现；
确定针对所述患者群体的时间线的集合；
确定针对时间线的所述集合中的所述第二发现中的每个的、发生发现的条件概率；以及
在显示器上，至少部分地基于针对所述第一发现的所述条件概率显示针对所述患者时间线中的所述第一发现中的每个的SFO描述推荐。
16.根据权利要求15所述的非瞬态计算机可读存储介质，其中，所述发现是从所述患者的医学记录提取的。
17.根据权利要求16所述的非瞬态计算机可读存储介质，其中，所述医学记录包括以下中的至少一种：放射学报告、医学图像、成像扫描、临床报告或实验室报告。
18.根据权利要求15所述的非瞬态计算机可读存储介质，其中，所述处理器还被配置为：
按准则来限制患者群体。
19.根据权利要求18所述的非瞬态计算机可读存储介质，其中，所述准则包括以下中的至少一个：种族、性别、年龄组、国籍、地理区域、时间段、随机量或选择量。
20.根据权利要求15所述的非瞬态计算机可读存储介质，其中，所述第一发现和所述第二发现以下中的至少一种：编码的或结构化的。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662425094P | 2016-11-22 | 2016-11-22 | |
| US62/425094 | 2016-11-22 | ||
| PCT/EP2017/079096 WO2018095756A1 (en) | 2016-11-22 | 2017-11-14 | System and method for patient history-sensitive structured finding object recommendation |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110100286A true CN110100286A (zh) | 2019-08-06 |
Family
ID=60480283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780079754.2A Pending CN110100286A (zh) | 2016-11-22 | 2017-11-14 | 用于患者历史敏感的结构化发现对象推荐的系统和方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20200194110A1 (zh) |
| EP (1) | EP3545530A1 (zh) |
| JP (1) | JP7138634B2 (zh) |
| CN (1) | CN110100286A (zh) |
| WO (1) | WO2018095756A1 (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100332441A1 (en) * | 2009-02-27 | 2010-12-30 | Canon Kabushiki Kaisha | Medical decision making support apparatus and control method for the same |
| US20110099032A1 (en) * | 2009-10-27 | 2011-04-28 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and program |
| US20110200227A1 (en) * | 2010-02-17 | 2011-08-18 | Siemens Medical Solutions Usa, Inc. | Analysis of data from multiple time-points |
| CN103069423A (zh) * | 2010-08-05 | 2013-04-24 | 皇家飞利浦电子股份有限公司 | 报告创作 |
| GB201411535D0 (en) * | 2014-06-28 | 2014-08-13 | Siemens Medical Solutions | System and method for retrieval of similar findings from a hybrid image dataset |
| US20140297316A1 (en) * | 2013-03-27 | 2014-10-02 | Mckesson Financial Holdings | Method And Apparatus For Adaptive Prefetching Of Medical Data |
| CN104246781A (zh) * | 2012-03-29 | 2014-12-24 | 皇家飞利浦有限公司 | 用于改进神经科医师的关于阿尔茨海默氏病的工作流程的系统与方法 |
| CN104487974A (zh) * | 2012-06-01 | 2015-04-01 | 皇家飞利浦有限公司 | 用于将患者信息与临床标准进行匹配的系统和方法 |
| WO2015159182A1 (en) * | 2014-04-17 | 2015-10-22 | Koninklijke Philips N.V. | Method and system for visualization of patient history |
| US20150331995A1 (en) * | 2014-05-14 | 2015-11-19 | Tiecheng Zhao | Evolving contextual clinical data engine for medical data processing |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040029114A1 (en) * | 2001-01-24 | 2004-02-12 | Eos Technology, Inc. | Methods of diagnosis of breast cancer, compositions and methods of screening for modulators of breast cancer |
| US7558427B2 (en) * | 2004-07-22 | 2009-07-07 | Siemens Aktiengesellschaft | Method for analyzing image data |
| JP2009093544A (ja) | 2007-10-11 | 2009-04-30 | Toshiba Corp | 医用レポート装置 |
| US10535423B2 (en) * | 2012-10-12 | 2020-01-14 | Baxter International Inc. | Module and system for medical information management |
| US10037407B2 (en) * | 2015-11-23 | 2018-07-31 | Koninklijke Philips N.V. | Structured finding objects for integration of third party applications in the image interpretation workflow |
| US11138201B2 (en) * | 2017-11-29 | 2021-10-05 | Omics Data Automation, Inc. | System and method for integrating data for precision medicine |
-
2017
- 2017-11-14 CN CN201780079754.2A patent/CN110100286A/zh active Pending
- 2017-11-14 EP EP17804830.2A patent/EP3545530A1/en active Pending
- 2017-11-14 JP JP2019527323A patent/JP7138634B2/ja active Active
- 2017-11-14 US US16/349,313 patent/US20200194110A1/en active Pending
- 2017-11-14 WO PCT/EP2017/079096 patent/WO2018095756A1/en unknown
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100332441A1 (en) * | 2009-02-27 | 2010-12-30 | Canon Kabushiki Kaisha | Medical decision making support apparatus and control method for the same |
| US20110099032A1 (en) * | 2009-10-27 | 2011-04-28 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and program |
| US20110200227A1 (en) * | 2010-02-17 | 2011-08-18 | Siemens Medical Solutions Usa, Inc. | Analysis of data from multiple time-points |
| CN103069423A (zh) * | 2010-08-05 | 2013-04-24 | 皇家飞利浦电子股份有限公司 | 报告创作 |
| CN104246781A (zh) * | 2012-03-29 | 2014-12-24 | 皇家飞利浦有限公司 | 用于改进神经科医师的关于阿尔茨海默氏病的工作流程的系统与方法 |
| CN104487974A (zh) * | 2012-06-01 | 2015-04-01 | 皇家飞利浦有限公司 | 用于将患者信息与临床标准进行匹配的系统和方法 |
| US20140297316A1 (en) * | 2013-03-27 | 2014-10-02 | Mckesson Financial Holdings | Method And Apparatus For Adaptive Prefetching Of Medical Data |
| WO2015159182A1 (en) * | 2014-04-17 | 2015-10-22 | Koninklijke Philips N.V. | Method and system for visualization of patient history |
| US20150331995A1 (en) * | 2014-05-14 | 2015-11-19 | Tiecheng Zhao | Evolving contextual clinical data engine for medical data processing |
| GB201411535D0 (en) * | 2014-06-28 | 2014-08-13 | Siemens Medical Solutions | System and method for retrieval of similar findings from a hybrid image dataset |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020500376A (ja) | 2020-01-09 |
| EP3545530A1 (en) | 2019-10-02 |
| WO2018095756A1 (en) | 2018-05-31 |
| US20200194110A1 (en) | 2020-06-18 |
| JP7138634B2 (ja) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220020495A1 (en) | Methods and apparatus for providing guidance to medical professionals | |
| US11790171B2 (en) | Computer-implemented natural language understanding of medical reports | |
| CN108475538B (zh) | 用于将第三方应用集成在图像解读工作流中的结构化发现对象 | |
| JP6749835B2 (ja) | コンテキスト依存医学データ入力システム | |
| US11232856B2 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
| CN107408156B (zh) | 用于从临床文档进行语义搜索和提取相关概念的系统和方法 | |
| US7617078B2 (en) | Patient data mining | |
| CN113243033B (zh) | 综合诊断系统和方法 | |
| RU2711305C2 (ru) | Связывание отчета / изображения | |
| US20140365239A1 (en) | Methods and apparatus for facilitating guideline compliance | |
| CN110291555B (zh) | 用于促进对健康状况的计算分析的系统和方法 | |
| CN109478419B (zh) | 结构化和叙述性报告中的显著发现代码的自动识别 | |
| CN109478423B (zh) | 注释医学图像 | |
| WO2014197669A1 (en) | Methods and apparatus for providing guidance to medical professionals | |
| US20220164586A1 (en) | Systems and methods for using ai to identify regions of interest in medical images | |
| CN105765588A (zh) | 临床历史片断的迭代构建 | |
| US20230125321A1 (en) | User-guided structured document modeling | |
| US20170235892A1 (en) | Increasing value and reducing follow-up radiological exam rate by predicting reason for next exam | |
| CN114625829A (zh) | 文本信息提取方法、装置、介质及电子设备 | |
| CN110100286A (zh) | 用于患者历史敏感的结构化发现对象推荐的系统和方法 | |
| US20200058391A1 (en) | Dynamic system for delivering finding-based relevant clinical context in image interpretation environment | |
| US20190198141A1 (en) | Systems and methods for generating subsets of electronic healthcare-related documents | |
| Chen | Data-driven techniques for improving data collection in low-resource environments | |
| US20240177818A1 (en) | Methods and systems for summarizing densely annotated medical reports | |
| US20200118660A1 (en) | Summarization of clinical documents with end points thereof |
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 |