CN110504035A - 医疗资料库及系统 - Google Patents

医疗资料库及系统 Download PDF

Info

Publication number
CN110504035A
CN110504035A CN201910811770.7A CN201910811770A CN110504035A CN 110504035 A CN110504035 A CN 110504035A CN 201910811770 A CN201910811770 A CN 201910811770A CN 110504035 A CN110504035 A CN 110504035A
Authority
CN
China
Prior art keywords
vector
subject
prescription
medical
mistake
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910811770.7A
Other languages
English (en)
Other versions
CN110504035B (zh
Inventor
图维亚·贝可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mei Daqicai
Original Assignee
Mei Daqicai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mei Daqicai filed Critical Mei Daqicai
Priority to CN201910811770.7A priority Critical patent/CN110504035B/zh
Publication of CN110504035A publication Critical patent/CN110504035A/zh
Application granted granted Critical
Publication of CN110504035B publication Critical patent/CN110504035B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

提供一种医疗资料库及使用医疗资料库的系统与方法。所述医疗资料库包括一资料单元，用于存储代表多个受试者的多个医疗记录的多个模块。各模块包括多个模块元件，各模块元件代表所述受试者的一医疗相关参数，各模块元件被指派到在所述模块中的一特定识别码以及对应所述医疗相关参数的一数值。

Description

医疗资料库及系统
相关申请案
本申请为申请号201480005461.6(PCT申请号为PCT/IL2014/050048)、申请日2014年1月14日、发明名称“医疗资料库及系统”的分案申请。
技术领域
本发明涉及一种医疗资料库将一受试者的医疗档案代表为一多元件资料模块，并涉及使用其识别不存在于受试者的医疗档案的医疗相关资讯(例如潜在的药物不相容性)的系统与方法。
处方错误占不良用药错误的70％[1]，发现院内处方错误占处方的8.9％ [2]，而门诊处方也显示了相似的数字[3]。根据IMS Vector药学资料，处方错误发生在7.6％的门诊处方，并且50％的处方错误被认为是危险的。在美国用药错误的每年费用估计为美金210亿[4]。根据最近的研究「......与可预防的患者伤害相关的未成年死亡的真实人数估计每年超过40万。严重危害约比致命伤害更常见10至20倍」[5]。现在一般认为，处方错误取决于个人的失败，而非医疗系统失败[1]。
近年来，新兴的电子医疗记录(Electronic Medical Records,EMR)和计算机化医嘱输入技术(Computerized Physician Order Entry,CPOE)已进入临床领域。这些技术显着降低处方错误的发生率，通过识别出剂量错误，不相容的药物作用与过敏反应[1,6-8]。然而，只有53％的致命的用药嘱咐被所实施的商业计算机化医嘱输入系所识别[9]。此外，对于电子医疗记录系统的依赖持续增加，导致处方的混淆，其中药物处方被指派到错误的患者[10]。
因此需要一种系统可以识别医疗相关资讯，例如在一受试者的医疗档案中的药物处方的相容性，从而在所述潜在错误未被现今系统发现的情况下，防止潜在的处方错误。
发明内容
根据本发明的一方面，提供一种医疗资料系统，包括一资料单元，用于存储代表多个受试者的多个医疗记录的多个模块，各模块包括多个模块元件，各模块元件代表一受试者的一医疗相关参数，其中各模块元件被指派到在所述模块中的一特定识别码以及对应所述医疗相关参数的一数值。
根据如下描述的本发明一优选实施例的进一步特征，所述数值可以是一布尔的、不连续的或连续的数值。
根据如下描述的本发明一优选实施例的再进一步特征，所述不连续的或连续的数值被标准化。
根据如下描述的本发明一优选实施例的再进一步特征，所述医疗相关参数是选自于一人口统计学参数、一生理学参数、一药物处方相关参数、一疾病相关参数以及一治疗相关参数所组成的群组。
根据如下描述的本发明一优选实施例的再进一步特征，所述系统还包括一推断引擎，用于根据所述识别码，将所述受试者的所述模块的所述多个模块元件的至少一部份的多个值与多个被诊断的受试者的多个模块比较，或是与由多个被诊断的受试者的历史资料的多个统计特征所建构的至少一模型比较，从而识别出不存在于所述受试者的一医疗档案中的医疗相关资讯。
根据如下描述的本发明一优选实施例的再进一步特征，所述医学相关的资讯是一可能的药物处方错误。
根据如下描述的本发明一优选实施例的再进一步特征，所述可能的处方错误是根据多个被诊断的受试者的所述药物处方的频率，其具有多个模块元件并带有多个值，所述多个值与所述受试者的多个对应模组元件的多个值相距一预定距离之内。
根据如下描述的本发明一优选实施例的再进一步特征，所述预定距离的决定是通过一平滑的映射函数将所述多个模块嵌入于一向量空间，接着使用在所述向量空间中一适当定义的基准所引导的一度量来量测在所述空间的多个映射点之间的距离。
根据如下描述的本发明一优选实施例的再进一步特征，所述可能的处方错误是根据基于所述至少一个模型的二进制分类法。
根据如下描述的本发明一优选实施例的再进一步特征，所述可能的处方错误是根据对所述至少一模型的连续回归。
根据如下描述的本发明一优选实施例的再进一步特征，所述医疗资料系统还包括一用户界面，用于将所述医疗相关信息显示于一医生。
根据如下描述的本发明一优选实施例的再进一步特征，所述医疗资料系统还包括一学习引擎，用于将所述医生对所述资讯的一回应同化成所述至少一模型。
根据如下描述的本发明一优选实施例的再进一步特征，所述模块被配置为具有一预设长度的一有限维度向量。
根据如下描述的本发明一优选实施例的再进一步特征，所述向量代表人口统计资料、处方、诊断、住院、实验室检验结果和/或医疗疗程的一时间相关模式。
根据本发明的另一方面，提供一种代表一受试者的医疗资料的方法，包括：处理一受试者的多个医疗记录而将所述受试者的各医疗相关参数转化成多个模块元件；并将多个模块元件组合成一模块，其中各模块元件被指派到所述模块中的一特定识别码以及对应所述医疗相关参数的一数值。
根据本发明的另一方面，提供一种识别不存在于一受试者的一医疗档案中的医疗相关资讯的方法，包括：(a)提供一模块，包括多个模块元件，各模块元件代表所述受试者的一医疗相关参数，其中其中各模块元件被指派到所述模块中的一特定识别码以及对应所述医疗相关参数的一数值；和(b)根据所述识别码，将所述受试者的所述模块的所述多个模块元件的至少一部份的多个值与多个被诊断的受试者的多个模块比较，或是与由多个被诊断的受试者的历史资料的多个统计特征所建构的至少一模型比较，从而识别出不存在于所述受试者的一医疗档案中的医疗相关资讯。
根据如下描述的本发明一优选实施例的再进一步特征，所述医学相关的资讯是一可能的药物处方错误。
根据如下描述的本发明一优选实施例的再进一步特征，所述可能的药物处方错误是根据多个被诊断的受试者的所述药物处方的频率，其具有多个模块元件并带有多个值，所述多个值与所述受试者的多个对应模组元件的多个值相距一预定距离之内。
根据如下描述的本发明一优选实施例的再进一步特征，所述预定距离的决定是通过一平滑的映射函数将所述多个模块嵌入于一向量空间，接着使用在所述向量空间中一适当定义的基准所衍生的一度量来量测在所述空间的多个映射点之间的距离。
根据如下描述的本发明一优选实施例的再进一步特征，所述可能的处方错误是根据基于所述至少一个模型的二进制分类法。
根据如下描述的本发明一优选实施例的再进一步特征，所述可能的处方错误是根据对所述至少一模型的连续回归。
根据如下描述的本发明一优选实施例的再进一步特征，还包括一用户界面，用于将所述医疗相关信息显示于一使用者。
根据如下描述的本发明一优选实施例的再进一步特征，还包括一学习引擎，用于将所述医生对所述资讯的一回应同化成所述至少一模型。
根据如下描述的本发明一优选实施例的再进一步特征，所述模块被配置为具有一预设长度的一有限维度向量。
根据如下描述的本发明一优选实施例的再进一步特征，所述向量代表人口统计资料、处方、诊断、住院、实验室检验结果和/或医疗疗程的一时间相关模式。
本发明通过提供一种医疗资料库和系统，其可以被用来推断医学相关资讯，例如从患者的医疗档案中的药物处方错误，成功地解决了目前习知的构造缺陷。
除非另外定义，本文使用的所有技术和科学术语与本发明所属的技术领域的普通技术人员所共同认知具有相同的含义。虽然类似或等同于本文描述的方法和材料可以在实践或测试本发明中使用，合适的方法和材料如下描述。在冲突的情况下，将以本专利说明书(包括定义)为主。此外材料、方法和实例仅是说明性的，其目的不在进行限制。
本发明的方法和系统的实现涉及手动地、自动地、或者结合两者地执行或完成所选择的任务或步骤。此外，根据本发明的方法与系统的优选实施例的实际仪器和方法，数个选择的步骤可以通过任何固件(firmware)的任何操作系统上的硬体或软件或其组合来实现。例如，作为硬体，可以以晶片或电路实现本发明选择的步骤。作为软件，本发明所选择的步骤可以使用任何合适的操作系统，以计算机所执行的多个软件指令来实施。在任何情况下，本发明的方法和系统所选择的步骤可以被描述为由资料处理器执行，诸如用于执行多个指令的计算平台。
附图说明
本发明在本文中仅以示例性的方式描述，并参考附图。现在具体详细地参照附图，重要的是其所显示的细节是通过示例的方式，仅仅是用于说明及讨论本发明的较佳实施例，并为了提供被认为是对本发明原理和概念方面最有用和容易理解的描述而呈现。在这点上，并未试图显示本发明的结构细节，并未比本发明的必要的基础了解更详细，当结合附图，如何可具体实践出本发明的几种形式对于领域技术人员是显而易见的。
在附图中：
图1为显示本系统的一方块图。
图2为根据本发明的教示，显示一医疗记录资料模块(向量)的结构的流程图。
图3为显示有无进行他汀类(statin)治疗的患者分布的图表。
具体实施方式
本发明涉及一种医疗资料库与用于产生及使用所述资料库的系统与方法，以衍伸出不存在于受试者的医疗档案的医疗相关信息。具体而言，例如在所述潜在错误未被现今EMR系统发现的情况下，本发明可用于对于药物处方错误提供警示。
参照附图和伴随的描述，本发明的原理和操作可以更好地理解。
在说细实明本发明的至少一种详施例之前，应当理解的是，本发明不只限于应用到下面的说明中所阐述的细节或通过实施例举例说明的细节。本发明能够实施成为其他的实施例或以各种方式被实践。另外也应理解，本文使用的措辞和术语是为了描述的目的，而不应被视为限制。
电子医疗记录(EMR)系统将患者医疗记录组织为一以知识为基础的文件，其将患者的特点(医疗概况，medical profile)与患者处方记录相连结，因此这种系统能够识别可能的药物处方错误。例如，在一患者的档案指出怀孕的情况下，不能在怀孕期间使用的药物处方会被标记为「错误」，而在一患者的医疗记录指出可能交互作用，具有已知药物交互作用的药物的的处方会被标记为「可能错误」。
在这种简单情况下，电子医疗记录系统提供足够的资讯来识别潜在有害的处方。然而由于这种系统只分析特定病人档案，它们限制于包含在其中的资讯，因此不能获得可以从患者的医疗档案进行推断医疗相关信息。因此一个专业医师可以基于关于其他患者的经验和与先前知识，从一患者的医疗档案进一步衍伸出更多资讯(尽管是有限的)，而电子医疗记录系统不具有这样的功能。
在实践本发明的同时，本发明人设计了一种医疗记录系统，以模型化与丛集化多个患者的医疗记录资料的方式，代表患者的医疗记录。
本系统利用模型化的/集群化的医疗资料以对一患者的个体概况(以多元件资料模块代表，如向量)执行特定医疗参数(例如处方药物)的即时评价 (real-timeevaluation)，以找出潜在的问题，如处方错误。这样的问题会被传递给技术人员或医生(例如以潜在有害的处方错误的警报)。
由于本系统能够提取不存在于一患者档案中的医疗相关资讯，所以其能识别药物处方错误以及从电子医疗记录系统无法获得的等参数。
因此，根据本发明的一方面提供了一种医疗资料系统用于存储受试者的医疗记录。本发明的医疗资料系统将医疗资料模型化和丛集化，以及相对于模型化/丛集化的资料，分析受试者特定医疗资料。
图1显示本发明的医疗资料库系统，其在本文中称为系统10。
系统10包括一资料单元12，用于存储代表多个受试者的多个医疗记录的多个模块14。模块14以记录的方式储存在一资料库中，例如一标准的关系资料库，例如一以分隔符号(delimiter)分隔的文件档，或是任何其他的资料存储格式。资料单元12存储在一使用者可进入计算机平台的存储介质(磁 /光驱动)，如桌上型电脑、笔记本型电脑、工作站、伺服器等。所述计算平台可以以区域性地(locally)进入，或通过通信网络16，或通过任何计算设备18，包括固定(例如桌上型计算机)和移动(例如智能电话、平板电脑等) 装置。
各模块14包括多个模块元件20，各模块元件20代表一受试者的医疗相关参数。各模块元件20被指派到在模块中一特定的识别码22和对应所述医疗相关参数的一数值24。数值可以是一布尔(Boolean)的、不连续的或连续的数值。
医学相关参数的例子包括，但不限于，时间相关的参数，例如住院的时间、上次血液检验的时间、(例如应密切监测的药物的血液浓度，如果是一个星期前服用会较相关，如果是一年前服用会较不相关，例如INR监测华法林 (Warfarin))、处方相关参数，例如处方药物(例如，如果药物及其解毒剂同时被开于处方中，例如华法林(Warfarin)和维生素K)中、生理学参数，例如年龄、体重、身高、临床参数，例如诊断的疾病、血液检验结果、化学等、人口统计学参数，例如性别、节育药、生理学参数，例如血压、心脏速率等、以及治疗相关参数(例如当有害药物仍然有效时，接受高血钾症的治疗)。
各参数占据模块的一特定元件并由一特定位置(数字)或标签(代码)来标识。此外如上面所述的，各参数被赋予一值，该值可以是布尔值(例如相对于诊断、处方药、过去在一特定专业门诊就诊的真或假)，分立(例如过去特定药物开于处方的次数、月龄)或连续(例如临床参数，如血球计数)。指派到各元件的不连续或连续数值可以被标准化，使之处于一预定范围内或具有某些期望的统计特性。
本发明的系统还可以包括一推断引擎，用于根据所述识别码，将一特定受试者(患者)的一模块的所述多个元件的至少一部份的多个值与多个被诊断的受试者的多个模块比较，以衍伸出不存在于所述特定受试者的所述模块中的医疗相关资讯。
以这种方式，将特定受试者的模块资料与从资料库中的多个受试者丛集化而来的资料进行比较。例如，使用诸如K均值(K-means)的丛集演算法 (clustering algorithm)，在资料库中多个受试者的多个模块可以被划分成多个K群集。对于在资料库中一给定的受试者，通过取样多个其他受试者的相关属性，所述多个其他受试者与受试者属于相同集群，而该属性存在于记录中，有关受试者的医疗状态的不完整资料可概率性地被推断。
可取代地，通过使用分类法(classification)或回归(regression)的监督学习演算法(Supervised Learning Algorithm)，多个被诊断的受试者的历史资料的统计特征可被使用于构建一模型。
然后，所得的模型可以应用于所述特定受试者的模块资料，以获得所述受试者所属分类的预测(在不连续的分类的情况下，例如「具有诊断X」)，或者是一给定特性的一可能值(在回归模型(regression model)的情况下为反应变量(response variable)，比如「在未来5年发展为糖尿病的概率」)。
本资料库和系统的一优选使用是识别药物处方错误。
在这种情况下，所述模块资料与丛集化或模型化的资料进行比较，根据多个被诊断的受试者的药物处方的频率，以识别一可能的处方错误。这样的识别可以根据：
(1)决定多个丛集化的值与特定受试者的各自模块元件中的值之间的距离。
(2)平均资料库中药物D给予受试者S于所有受试者中的概率(而非限制于最接近S)，以及平均对各受试者与S间距离成反比的比重；
(3)从群集S所属的所有成员之中的相关属性的统计资料，推断不连续事件的概率，或连续变量的一可能的值；
(4)训练资料上的分类器，然后将其应用至S以获得其分类的预测；和 /或
(5)训练资料上的回归模型，然后将其应用至S以获得目标应变量 (dependentvariable)的一可能值。
上述方法(1)是一目前优选的方法。当将一模块元件值与丛集化的资料比较，一预定距离的决定是通过一平滑的映射函数将(多个被诊断的受试者的) 所述多个模块嵌入于一向量空间，接着使用在所述向量空间中一适当定义的基准所衍生的一度量来量测在所述空间的多个映射点之间的距离。
一旦从比较中获得医疗相关信息，经由显示装置被传递给使用者(医生或技术人员)。
然后所述结果可以由所述使用者评估，而可以提供反馈给系统以提高的精确度。例如，在系统标识出处方错误的情况下，开所述药品处方的医生可以无视所述标志，并提供所述处方是正确的反馈。在这样的情况下，系统可以对于特定的处方药物更新患者的模块并且也更新模型化的/丛集化的资料 (诱导“学习”)。可以理解的是，提供了足够的输入，对于所述模块的多个特定元件(多个参数)可以随时间增加模型化的或丛集化的资料的准确性。
本发明的模块优选地被布置为具有一预设长度的有限维度向量。所述向量代表人口统计资料、处方、诊断、住院、实验室检验结果和/或医疗程式的一时间相关模式。
本发明的系统可以并入电子医疗记录系统，以电子方式获得的患者历史记录，以及有关患者的任何新资讯。所述系统以据医院设定而使用，以社区设定、以药局设定、以保险公司设定，以药局或药局福利管理者(PBM)设定，或以上述的组合中设定。
本系统可以及时评估由医生使用电子医疗记录系统输入的任何处方或医嘱，并提供相对于处方或医嘱及时反馈(例如标志可能的处方错误)。
对于处方错误，本系统可以相对于两种不同类型的事件提供反馈(错误警报)：在其输入的时候是错误的处方；以及在其输入的时候是正确的处方，但是由于已进入电子医疗记录系统并且改变了患者概况的实验结果或诊断，而变成错误的。
本系统还特别适合用于识别与用药错误相关的一些额外情况，包括：
(1)药物混淆-开错误的药物处方给患者。
(2)患者混淆-开药物处方给错误的患者。
(3)离群(outliers)药物剂量
(4)药物与实验室检验不相容-由于实验室检验的异常，而开可能是危险的药物(例如开ACE抑制剂的处方给一高血钾患者)。
(5)药物与诊断不相容性-由于特定的医疗条件，而开可能是危险的药物 (例如提供抗凝血剂给近期颅内出血的患者)。
(6)其他药物(定义不明显)与「患者概况」不相容-识别及警告药物使用于所述患者的临床设定是罕见的，(例如根据生命迹象、血液检验、慢性和急性病的诊断，无临床理由即对患者使用提升血压药物)。
为了识别这种误差，本系统使用一多层方法以分析患者的列队(cohort) 资料，并采用以下程式(于下详细描述)：
(1)在不同的ATC(Anatomical Therapeutic Chemical classification system，解剖治疗化学分类系统)，计算各学名药的处方统计资料的水准
(2)计算每个开处方的医生的处方统计资料
(3)计算各单位处方统计资料(例如医院科室)
(4)检查一组明确规则以识别药物与患者的不相容性
(5)如果一处方是离群的，根据其临床/实验室/药学资料，使用丛集演算法而将患者资料(向量资料)丛集化并评估。
(6)使用机器学习演算法，根据开处方的医生、护士或药剂师对警告的回应训练和微调一药物相容性模型。
尽管本系统在识别药物相关的错误是特别有用的，但其也可用来提供以下功能：
(1)在一给定时间点，一受试者的可能诊断；
(2)执行一特定检验的建议；
(3)开特定药物的处方的建议；
(4)受试者的目前药物处方的替代方案的建议；
(5)受试者在一时间框架内发展为特定状态的概率；和/或
(6)在具有一逐渐发展的状态的受试者中，一状态的可能阶段
以下更详细地描述本发明，并以患者模块作为起始(向量)。
模块：
所述模块是在给定时间点从受试者的健康记录的快照所建构成。处理健康记录资料，并且产生所述资料所正式代表的一固定长度的数字向量–R＝ (f1,f2,f3,...,fN)。
所述向量的各元件是在给定时间点患者的代表性「特征(feature)」。
所述向量生成过程有3个主要阶段：资料提取、资料代码、和特征计算：
A.在资料提取阶段，在医疗记录中，文字资料(textual data)使用预定义的代码来代表。例如「股骨粗隆骨折(Subtrochanteric fracture of femur)」诊断可以转化为其ICD10代码S72.2。自然语言技术处理(Natural Language Processing,NLP)可用于识别存储在电子医疗记录中的自由文本的文字与短语，从其中多个诊断与多个其他资讯资料元件可以被提取。
B.在资料编码阶段，所提取的资料被转换成纯数字形式。例如，在前面的例子中，使用所有ICD10代码的列举表，ICD10代码S72.2可以转化为索引(index)38172。
C.在特征计算阶段，所代表的多个预定义元件是根据从患者记录中提取的资料的数字代表来计算。患者记录的最后代表是在这阶段中计算出的所有特征的有顺序集合。这最好用一些例子解释：
(1)代表的功能号码16可以包含在当前的处方日期之前的一年中，所述患者的住院平均次数。为了计算所述特征，系统会浏览住院表，总结其日期是在所述相关范围内的入住次数。
(2)特征152-3151可能包含在历史上任何时候的3000主要诊断的指标变量(indicator variables)。如果所述患者已被确诊患有各个诊断，所述个者将是1，否则为0。
(3)特征3152-6151可能包含在过去3个月内发生相同诊断的指标变量(indicator variables)。
(4)特征7329可能包含在过去一个月期间患者被开了分类为一NSAID (ATC代码M01A)的药物的总次数。
图2是根据本发明的教示显示所述一载体的建构。
在阶段1中，更新的患者资讯被接收并且从文字区域提取资料。在阶段 5中，资料被转换成预定义代码。在阶段10中，最新的(last)患者记录修改时间-tlast-被更新，以保持在当前时间，并且先前的修改时间-tprev-被记录。在阶段20中，对应于基本人口统计资料的特征被更新。例如，如果患者自从上次记录更新已经怀孕，对应「怀孕」的区域5的值将从0改变为1。在阶段30中，当前药物处方被更新。例如，如果患者已经停用药物A并被开立了药物B的处方，对应「有效药物A处方」的区域将被分配数值0，而对应于「有效药物B处方」的区域会被分配数值1。在阶段40，过去的药物处方被更新在过去处方的向量内-对应所有当前有效处方的区域，被分配为数值1。在阶段50，慢性诊断的向量被更新。例如，如果患者被诊断出患有ICD9代码250.00(「糖尿病II型，无并发症」)，对应该诊断代码的区域将被分配为数值1。在阶段60中，当前的多个诊断的向量(慢性或急性)类似地更新。在阶段70中，最新的实验室检验结果的向量类似地更新。在阶段80，描述过去处方动态的向量被更新。在之前给的一个例子，处方的平均数是用来说明处方动态的某一方面如何被记录下来。在此，使用指数移动平均 (exponential moving averages，EMAS)以达成像似目标，来说明一稍微不同的方法。为此目的，一数值β1被固定在0和1之间。对于在药物目录中的各药物i，维持和更新代表药物i的EMA的一数值ui以及平滑因数β1。在每次更新时，时间差(ΔT)从上一次更新计算而得，如下：Δt＝tlast-tprev。然后，数值ui乘以系数β1Δt。如果药物i目前被开于处方中，ui以(1-β1 Δt)进一步递增。所述指数平滑因数β1控制特征ui的「记忆长度」－较小的β1值将导致「较少的记忆」，致使造成一数值，其主要只受最近处方的改变所影响。较大的值会导致造成一数值，其也受在较遥远的过去发生的变化所影响。通过使用几个不同的平滑因数，可以使用少量的特征记录复数动态模式(pattern)。因此，在阶段90，使用额外的平滑因数β2，...，βn，重复类似的过程。在阶段100中，类似的过程被用于以多个平滑因数β1，...，βn更新诊断动态。在阶段110中，一类似的过程被用于以多个平滑因数β1，...，βn更新实验室检验结果动态。类似的手段可以被用于更新额外的向量特征，直到在最后阶段200中，所有被更新的向量(各者具有一预定长度)以一预定顺序结合，以获得一预定长度的单一向量，其维持更新的代表式。
资料库：
本系统的资料库构件包括来自于电子医疗记录(历史和当前的)的资料，这是分析、以及多个代表模块(module)的二进制码(binary code)、与本文详述的分类目标序列化(class objects serialization)所需的。该资料库是关联式(relational)，并可通过标准的SQL进入(也可以使用一NoSQL资料库或平坦档案储存资料库(flat file storagedatabase))。
以下描述资料库及其子集的一种可能实施例。资料库的子集可以包括额外的表格，或可以增加额外的资料区域到现有的任何表格。
患者资料库：
(1)包括人口统计学的患者资讯
(2)诊断，包括所有从家庭医生或、入院/出院，以及外科手术过程中获得的慢性或急性的诊断，以ICD-9和/或ICD-10代码而编码。
(3)血液检验，包括总血细胞计数、化学和电解质、激素/维生素水准、凝血因数、微生物培养和血液气体
(4)由护理人员获得的参数，包括心率、血压、饱和度、体重、葡萄糖等。
(5)住院和门诊患者的临床资料，包括入院/出院日期、紧急的/计划的、医院和单位/诊所
(6)慢性用药资料，包括在入院之前患者长期用药的细节
(7)历史处方资料，包括药物、剂量、给药路径、处方的开始/结束日期、药物每日剂量(Drug Daily Dose,DDD)，开处方的医生等。
(8)回应警报的细节，包括医师回应系统产生的各警报的详细信息。
管理资料库：
包括用于分析的表格，但非患者特异性(patient-specific)。
(1)药物清单，包括在医疗设施中可取得的药物，其ATC编码、通用形式 (genericform)、给药路径等
(2)ICD-9和ICD-10的编码阶层(hierarchy)
(3)机构单位元的详细信息(如部门、门诊诊所等)。
患者标的资料库：
包含患者记录的数学代表式(向量格式)的模块被存储为BLOB(binary largeobject，二进制大型物件)。所述患者的物件资料库包含患者「物件」的序列化代表式。当对于特定患者的资料必须连上网路(online)，相应的序列化物件将被加载到内存(memory)中，并且将在更新和处方分析时可获得。在医院设定(setting)中，当患者在急诊室挂号、进入或到达门诊诊所时，物件将被加载。在社区设定中，当患者预约向家庭医生、护士或顾问就诊，物件将被加载。当收到有关患者的新资料(例如新的血液检验)，患者物件将被加载、更新，(如果有需要)处方错误将产生，物件将随后被序列化并储存回资料库。
统计资料库：
统计资料库包含的统计资料，包括各医生、单位或医院的处方统计资料、药物配对之间的关联、诊断配对之间的关联，药品和诊断之间的关联，以及各药物和各诊断的血液检验值分布。它还包括处方分布，包括特定医院处方的各用药各分布的细节，并指出患者是否实际上有接收到药物(例如，如果开立一头孢曲松(Ceftriaxone)1公克X1/D一周的处方于静脉注射，7次用药的应该分布，每次都会被建构记录，并且如果患者当时实际从护士接收了药品，每次均将被指出)。
基于规则的推断引擎：
基于规则的推断引擎应将一组推理规则应用于患者概况和处方资料的结合，以识别某些类别的高风险错误。推理规则的一般形式是
如果(X(患者)与Y(药物)交集)，然后发出警报S
在这种公式中，X和Y分别是患者概况和学名药药名的空间的布尔函数，而S是一些警报字串。
这可用以下的简单规则说明所示例：
X(患者)≡{如果患者的血糖水准≤70毫克/公升则为1；否则为0}；Y (药物)≡{如果药物是胰岛素则为1；否则为0}；S≡「将胰岛素给予低血糖的一患者」
显然，可以从以上非常简单的例子推广，以涵盖以更复杂的方式定义的患者状态。特别是，描述患者状态的布尔函数不一定必须由人类专家来定义。相反地，例如，这代表所数患者被另一演算法标示于一特定标签。例如，结合丛集演算法是有用的，其可以隐涵地识别某些难以定义的状态即使在患者的健康记录中没有明确的诊断(「机器学习推断引擎」的详细描述)在下文提供。
以下是一些有用的规则列表，可用于识别常见的威胁生命性的错误：
药物-实验室检验不相容规则：
(1)抗糖尿病药物给予低血糖患者
(2)钾/ACE-I/ARB/保钾利尿剂(potassium sparing diuretics)给予高血钾症的患者
(3)高渗透压食盐水给予没有低血钠症的患者
(4)NSAIDs对肾功能衰竭患者
(5)抗血栓形成药(anti-thrombotics)给予血小板减少症患者(thrombocytopenia)
(6)鸦片类药物(Opiates)给予高碳酸血症患者(hypercarbia)
(7)HGM-CoA还原酶抑制剂/胺碘酮(Amiodarone)给予肝脏酵素升高的患者
(8)抗凝血剂(Anti coagulants)给予INR升高的患者
药物-诊断不相容规则：
当明确的诊断被记录在患者医疗记录中，可以推断药物-诊断不相容性。然而如上所述，这种不相容性甚至可以在没有明确诊断下被推断，而是依靠一演算法而产生概率性的诊断。例如，当血糖水准高或记录就诊于糖尿病门诊，在本系统的机器学习推断引擎可以标记一患者具有高概率被诊断为糖尿病。
药物-诊断不相容规则的例子是：
(1)抗糖尿病药物给予无糖尿病患者
(2)抗肿瘤药物给予无恶性肿瘤的患者
(3)无指示下给予抗凝血药
(4)抗血栓形成药给予出血高风险的患者
统计推断引擎：
统计推断引擎从基础的统计特性推断可能的药物不相容性。这种推论的例子包括：
(1)罕见的处方药物-当一药物的处方非常罕见的被开立，则可能是一错误的结果。这种最简单的统计推理规则可以依特定情况而客制化，在一组织内、在一特定病房内、或根据特定医生而测量处方频率。
(2)基于特异性的相容性得分-计算各药物家族(ATC等级4)和诊断家族(ICD等级3)，如下：
pdrug涉及所述家族的药物的处方频率
pdiagnosis具有所述诊断家族的患者频率；和
pdiagnosis+drug具有所述诊断和药物的组合的患者频率。
对于各药物-诊断的组合，计算出特异性得分：
S(drug,diagnosis)＝log(pdiagnosis+drug/(pdrug·pdiagnosis)) 在一特定的药物DRUG处方以及所述一组患者的诊断之下，如果(1)对于所有患者的诊断来说，S(DRUG,diagnosis)<1；并且(2)在诊断资料库中，至少有一种诊断家族DIAG，其S(DRUG,DIAG)≥1，则发出一警报。
机器学习推断引擎：
机器学习(machine learning,ML)推断引擎使用资料驱动的分类以及回归技术，以识别出一处方可能为错误的情况。对于在本发明的机器学习引擎中所使用的不同的演算法，以及对于可以用于本发明的后续实现中的其他演算法，有一些基本原则是常见的：
(1)许多患者的健康记录的历史资料备用作为演算法的训练组，作为调整预测模型并且获得适当模型参数值的基准。
(2)无监督学习技术(Unsupervised Learning Techniques)被用于识别历史资料库中的多个模式，支援未来多个处方的识别，以符合离群的正常模式。
(3)医师、护士、和本系统使用者对于向他们发出的警报的反馈可形成监督学习技术(Supervised Learning Techniques)的被标记范例，以允许本系统以更准确地调整其预测演算法，特别是对于特定使用者调整其警报的灵敏度阈值。
下面举例说明上述各原则：
度量分析的离群检验(outlier detection)：
患者健康记录的数字代表式可被视为在多维向量空间的点(维度等于代表式中的特征数量)。在所述空间里给定一度量(metrics)(「距离函数」)，此度量空间内离群检验可以指出可能的错误药方。当接收处方p的一患者，具有代表式向量R，此方法是根据测量代表式接近R的患者之间的处方p的频率。
此一方法可以如下实现：
(1)固定一些自然数N(例如50)，和一阈值θ(0<θ<1)。这些参数的值可以根据在参数空间(parameter space)局部搜索而被优化。接收处方p 的患者中，寻找代表式最接近R的N个患者，并且计算R与这些患者的代表式之间的距离d的平均值。并且计算R与N个最邻近者之间的距离D的平均值。如果d>D·θ，发出一警告。
(2)固定一些自然数N(例如1000)，以及两个阈值θ1与θ2。计算代表式最接近R的N个患者之间的处方p的频率f。并且计算从族群中随机取样N 个患者的处方p的频率平均值μ和标准偏差σ。如果((σ<θ1)并且(f- μ>σ·θ2))，发出一警报。
使用离群检验的丛集化演算法：
可以应用丛集化演算法，如KNN法(K Nearest Neighbors)或K平均值法(KMeans)，将所有患者分类为相对较少个数的多个丛集。直观而言，这些丛集代表具有相似况的患者的多个群组。例如，由于相关于血糖检验结果、糖尿病门诊就诊、体重指数(BMI)等特征数值的相似性，第2型糖尿病的大多数患者可能形成一丛集。
一旦已执行丛集化，一患者的丛集ID可被用于引导离群检验。例如，如果一给定的药物很少被开处方于一患者所属的所有丛集，那么给予所述患者的处方更有可能是错误的。
使用监督学习技术的警报微调：
有关一般处方的历史资料不包含「标示」一特定处方是否适当或错误，因此不适合应用于监督学习演算法。
相对于警报已发送于的一套较小的处方，这情况是不同的。医生/护士对于警报的回应确实可以作为适当处方的可靠指标。本系统采用监督学习的一第二演算层，其利用使用者的反馈意见，以微调警报及将其个人化。
在下面的例子中，「标识的样品」是三元体(triplet)<R，p，l>，其中R 是在某个时间点一患者的代表式；p是当时给予患者的处方，所述处方导会致本系统的警报；l是一个二进制标记：如果警报被拒绝则为0，如果被接受则为1。
通过在一组标识样品上训练一分类演算法，可以提高底层警报的准确性，识别被基于规则的、统计的、离群检验的方法所错误分类的处方，并且应该抑制所述处方。例如，被标识的资料组可以用来训练支援向量机(Support Vector Machine,SVM)区分真和假警报。通过把被标识的资料分类成为训练组和测试组，所述支援向量机的性能可以被交叉验证，并且其多个参数可以调节，以达到一适当的精确度召回折衷(precision-recalltradeoff)。为了在尽可能识别越多的错误的需求与减少错误警报率的需求之间取得平衡，这样的调整很重要，以避免使用者中被称为「警报疲劳」的这种现象，所述使用者接触到过多的错误警报。
除了提高系统的整体性能，监督学习阶段也可以用于针对不同使用者的使用模式将警报个人化。「背景变量(context variable)」C可被添加到被标识的样品：<R，p，C，l>以识别开立处方的医生、开立处方的医生的专业、合适的病房或诊所类型等。通过将背景列入分类过程的考量，分类演算法可以不仅根据所述患者条件，还可取决于背景的不同而决定。
例如，考量一肿瘤科医生通常开立化疗的处方。在一些情况下，当在患者的医疗记录中仍有少量的恶性指示，如果有的话，可以开立化疗的处方。对于其他医生，这样的处方可能会导致一警告，但在肿瘤科医生的情况下，它不会被视为特殊情况，除非一些其他因素给予这种指示(例如，此医生从来没有开过此药物的处方)。同样地，一背景变量可能待表特定病房和组织所设定的不同优先事项和准则。很容易了解其他分类演算法，例如，决策树或线性分类分析，运用在上面所述，而非支持向量机(SVM)。
I/O界面：
本系统可以根据一网络伺服器技术。在这样的实施方案中，与电子医疗记录(EMR)和医嘱系统(CPOE)的界面是根据在这三个系统之间来回发送的讯息，发送和回应资料的查询。为了简单起见，下面的示例并不会使医嘱系统和电子医疗记录系统之间有所区别，并认为前者作为内后者的构件。
对于其处方需要分析的患者细节，本系统的维持更新，是通过查询电子医疗记录系统或是一旦区域被更新，接收「推动(push)」更新。
本系统所用的资料例子包括：
(1)患者人口统计
(2)住院记录
(3)门诊诊疗记录
(4)诊断(过去、慢性和急性)
(5)血液检验历史
(6)慢性药物
(7)用药处方历史
(8)生命体征历史
从电子医疗记录发送到本系统的资讯包含用于分析的药物处方，患者具体资料、管理资料以及事件指标，例如，在急诊室、医院科室或是门诊诊所的患者挂号。
从电子医疗记录发送到本系统的事件被用来通知特定资料将很快被需要，因此本系统是必需获得/加载它。此事件的例子有：
(1)即将来临的患者(入院，门诊就诊等)-需要加载和更新患者资讯
(2)即将离开的患者(出院，离开门诊等)-需要保存和卸载患者资料物件
(3)使用者进入电子医疗记录中的处方子系统-需要更新所有患者的具体资料，以分析传入的处方。
(4)请求处方错误和回应报告-需要建立一报告，其包含一时间范围内所有识别到的错误以及使用者对这些错误的回应(即接受或拒绝)
(5)传入的血液检验或其他实验室结果-包含所有相关的血液检验结果，其由电子医疗记录接收并且传送到本系统以再次分析有效处方。
从本系统发送至电子医疗记录的资讯包含患者/管理资料以及用药错误警报的请求。从本系统到电子医疗记录的资料请求包括对传入事件回应的请求(例如：在收到指出一患者已经进入医院的事件后立即请求「获得患者详细资讯」)，或依照时间顺序请求(例如：「获得生命体征」，在从所有「有效」患者获得最新生命体征之后，所述系统更新本身)。
资料请求的例子包括：
(1)获取患者资讯-在一特定时间范围内的患者列表
(2)获取生命体征-在一特定时间范围内的患者列表
(3)获住院/门诊患者的就诊-在一特定时间范围内的患者列表
(4)获得血液检验-在一特定时间范围内的患者列表
(5)获取诊断-患者列表
(6)获取药物过敏-患者列表
(7)获取慢性/活性药物-患者列表
(8)获取机构药品列表
(9)获取机构部门/单位/门诊患者列表
(10)获取机构用户列表(医生/护士和药剂师)
警报可以在开处方的时候发出，和/或在之后的阶段，当新的血液检验/ 诊断被标注且用药仍然有效时(主要是，药物-血液检验的不相容性和药物- 诊断不相容性)。
相对于处方分析和警报，本系统与电子医疗记录之间的通信流量可如以下所述：
(1)从电子医疗记录至本系统：处方细节
(2)从本系统到电子医疗记录：警报资讯(如果适用)
(3)从电子医疗记录至本系统：使用者回应警报(接受或拒绝)
本领域普通技术人员在检视下面的实施例后，本发明的额外的目的、优点和新颖特征将变得明显，这目的并不在限制本技术领域。
实施例：
现在参考以下例子并结合同上述描述，说明本发明非限制性的方式。
使用资料驱动方法识别药物处方错误：
使用具有单一药物家族和二维患者代表式的一简单例子来说明用于识别可能的处方错误S中的资料驱动方法。问题中的药物家族是他汀类药物 (statins)(ATC代码C10AA)，并选择用来形容患者的两个特征是他们的年龄和他们最新的GPT肝酶检验结果。
图3说明接收他汀类药物(黑点)与未接收他汀类药物的患者(灰点) 的分布，其沿所选择的代表式的两维度。绘制对应来自于所述两组的100000 个患者的代表式的点。十字形点代表被开他汀类药物处方的患者，对他们来说所述处方被识别为一可能的错误患者。
本发明的演算法被用来如下识别这些可能的错误：
a.将所述二维的刻度标准，依照样品沿着维度的标准偏差将各维度分割；
b.对于每个点p代表被开立他汀类药物处方的一患者，找到k个最近点q1、q2、...、qK，其对应开立他汀类药物处方的其他患者，而距离的度量是由L∞标准(norm)所诱导，例如：沿着所有座标的最大距离；
c.计算p与每个p1、...、pK之间的k个距离d1，d2、...、dk；
d.计算d1、...、dk的平均值Dp；
e.对于代表被开立他汀类药物处方的患者的所有点p，计算其Dp的平均值M 和标准偏差S；以及
f.对于其D值在于D值范围顶部1/2000的患者，则被识别为潜在的处方错误。
可以理解的是本发明的某些功能，为了清楚起见，以分开的实施例的本文描述，其也可以组合在单一实施例中提供。相反地，本发明的各种特征，为了简明起见，以单一实施例的本文描述，也可以分别地或以任何合适的子提供。
尽管本发明已经结合具体实施方案进行了描述，但显然的，许多替换，修改和变化对于本领域的技术人员将是显而易见。因此，其意在涵盖落入所附权利要求的精神和范围内的所有替换，修改和变型。在本说明书中提及的所有出版物，专利和专利申请以其整体在此引入本说明书中作为参考，其以相同的程度，如同各独立的出版物，专利或专利申请被具体和独立地指明，以引入本文作为参考。此外，本申请中任何引用或标识的参考文献不应被解释为承认这样的参考文献可作为本发明的现有技术。
引用文献
1.Velo,G.P.and P.Minuz,用药错误：处方过失和处方错误(Medication errors:prescribing faults and prescription errors).英国临床药学期刊(Br J ClinPharmacol),2009.67(6):p.624-8.
2.如何减少处方错误(How to reduce prescribing errors).Lancet,2009. 374(9706):p.1945.
3.Gandhi,T.K.,et al.,门诊患者处方错误和计算机化处方的影响 (Outpatientprescribing errors and the impact of computerized prescribing).一般内科医学期刊(J Gen Intern Med),2005.20(9):p. 837-41.
4.预防用药错误：210亿美元的机会(Preventing Medication Errors:A$21Billion Opportunity).国家重点伙伴关系和国家质量论坛National PrioritiesPartnership and National Quality Forum,2010.
5.James,J.T.,与医院护理相关的患者伤害的一种新型根据证据的估计 (A new,evidence-based estimate of patient harms associated with hospital care).病人安全期刊J Patient Saf,2013.9(3):p.122-8.
6.Devine,E.B.,et al.,在一多种专精组实践中电脑供应者医嘱输入对于用药错误的影响(The impact of computerized provider order entry on medication errorsin a multispecialty group practice).美国医学资讯期刊J Am Med Inform Assoc,2010.17(1):p.78-84.
7.Jani,Y.H.,et al.,电子处方在儿科肾脏门诊临床中减少处方错误(Electronic prescribing reduced prescribing errors in a pediatric renaloutpatient clinic).儿科期刊J Pediatr,2008.152(2):p.214-8.
8.Kaushal,R.,et al.,电子处方在社区为基础的办公室实践提高了用药安全(Electronic prescribing improves medication safety in community-based officepractices).一般内科医学期刊J Gen Intern Med, 2010.25(6):p.530-6.
9.Classen,D.C.and D.W.Bates,在有意义的使用中找寻意义(Finding themeaning in meaningful use).新英格兰医学期刊N Engl J Med,2011. 365(9):p.855-8.
10.Aronson,J.K.,用药错误：它们是什么，他们是如何发生的，以及如何避免它们(Medication errors:what they are,how they happen,and how to avoid them).Qjm,2009.102(8):p.513-21.

Claims (8)

1.一种医疗资料的系统，其特征在于：所述系统包括：
一资料库，用于存储代表多个受试者的多个医疗记录的多个模块，各模块代表作为一有限维度的矢量，所述矢量具有一预设长度并具有多个矢量元件，各矢量元件代表所述矢量的一特定维度以及一受试者的一医疗相关参数，其中各矢量元件被指派到在所述矢量中的一特定识别码以及对应所述医疗相关参数的一数值；以及
一推断引擎，用于：
(a)通过一平滑映射函数将所述受试者的所述矢量与多个被诊断的受试者的多个矢量计算上地映射于一矢量空间中，随后使用由所述矢量空间中正确定义的一范数所引起的一度量，来测量所述空间中的映射点之间的距离，从而将所述受试者的所述矢量与多个被诊断的受试者的多个矢量丛集化；
(b)计算上地识别所述多个被诊断的受试者的所述多个矢量中存在的一可能的药物处方错误，并且所述可能的药物处方错误在所述受试者的所述矢量中是缺失的，从而识别出不存在于所述受试者的一医疗档案中的所述可能的药物处方错误；
(c)将所述可能处方错误添加到所述受试者的医疗档案中；以及
(d)当对所述受试者开所述药物的处方时，警告一医生所述可能的药物处方错误。
2.如权利要求1所述的医疗资料的系统，其特征在于：所述医疗相关参数是选自于一人口统计学参数、一生理学参数、一药物处方相关参数、一疾病相关参数以及一治疗相关参数所组成的群组。
3.权利要求1所述的医疗资料的系统，其特征在于：所述可能的药物处方错误是根据多个被诊断的受试者的所述药物处方的频率，其具有多个矢量元件并带有多个值，所述多个值与所述受试者的多个对应矢量元件的多个值相距一预定距离之内。
4.权利要求1所述的医疗资料的系统，其特征在于：所述矢量代表人口统计资料、处方、诊断、住院、实验室检验结果和/或医疗疗程的一时间相关模式。
5.一种识别不存在于一受试者的一医疗档案中一可能的药物处方错误的方法，其特征在于：所述方法包括以下步骤：
(a)将一受试者的医疗数据转化为一有限维度的矢量，所述矢量具有一预设长度并包括多个矢量元件，各矢量元件代表所述矢量的一特定维度以及所述受试者的一医疗相关参数，其中各矢量元件被指派至对应所述医疗相关参数的一数值以及所述矢量中的一特定识别码；
(b)通过一平滑映射函数将所述受试者的所述矢量与多个被诊断的受试者的多个矢量计算上地映射于一矢量空间中，随后使用由所述矢量空间中正确定义的一范数所引起的一度量，来测量所述空间中的映射点之间的距离，从而将所述受试者的所述矢量与多个被诊断的受试者的多个矢量丛集化；
(c)计算上地识别所述多个被诊断的受试者的所述多个矢量中存在的一可能的药物处方错误，并且所述可能的药物处方错误在所述受试者的所述矢量中是缺失的，从而识别出不存在于所述受试者的一医疗档案中的可能的药物处方错误；
(d)将所述可能的处方错误添加到所述受试者的医疗档案中；以及
(e)当对所述受试者开所述药物的处方时，警告一医生所述可能的药物处方错误。
6.权利要求5所述的方法，其特征在于：所述可能的药物处方错误是根据多个受试者的所述药物处方的频率，其具有多个矢量元件并带有多个值，所述多个值与所述受试者的多个对应矢量元件的多个值相距一预定距离之内。
7.权利要求5所述的方法，其特征在于：所述可能的药物处方错误是根据基于所述至少一个模型的二进制分类法或是根据对所述至少一模型的连续回归。
8.如权利要求1所述的系统，其特征在于：(a)通过使用一丛集化K均值丛集演算法，将所述多个矢量元件划分为K个丛集来实现。
CN201910811770.7A 2013-01-16 2014-01-14 医疗资料库及系统 Active CN110504035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910811770.7A CN110504035B (zh) 2013-01-16 2014-01-14 医疗资料库及系统

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361753378P 2013-01-16 2013-01-16
US61/753,378 2013-01-16
CN201480005461.6A CN105009126A (zh) 2013-01-16 2014-01-14 医疗资料库及系统
PCT/IL2014/050048 WO2014111933A1 (en) 2013-01-16 2014-01-14 Medical database and system
CN201910811770.7A CN110504035B (zh) 2013-01-16 2014-01-14 医疗资料库及系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201480005461.6A Division CN105009126A (zh) 2013-01-16 2014-01-14 医疗资料库及系统

Publications (2)

Publication Number Publication Date
CN110504035A true CN110504035A (zh) 2019-11-26
CN110504035B CN110504035B (zh) 2023-05-30

Family

ID=51209090

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910811770.7A Active CN110504035B (zh) 2013-01-16 2014-01-14 医疗资料库及系统
CN201480005461.6A Pending CN105009126A (zh) 2013-01-16 2014-01-14 医疗资料库及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201480005461.6A Pending CN105009126A (zh) 2013-01-16 2014-01-14 医疗资料库及系统

Country Status (7)

Country Link
US (2) US20150356252A1 (zh)
EP (1) EP2946324B1 (zh)
CN (2) CN110504035B (zh)
CA (1) CA2897897C (zh)
ES (1) ES2906145T3 (zh)
IL (1) IL239848B (zh)
WO (1) WO2014111933A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111785340A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 一种医疗数据处理方法、装置、设备及存储介质

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2852271A1 (en) 2011-10-21 2013-04-25 Hospira, Inc. Medical device update system
US9539383B2 (en) * 2014-09-15 2017-01-10 Hospira, Inc. System and method that matches delayed infusion auto-programs with manually entered infusion programs and analyzes differences therein
US11132615B2 (en) * 2015-03-10 2021-09-28 International Business Machines Corporation Generating an expected prescriptions model using graphical models
CA2957002A1 (en) * 2015-04-21 2016-10-27 Medaware Ltd. Medical system and method for predicting future outcomes of patient care
KR102523779B1 (ko) * 2015-06-09 2023-04-20 인튜어티브 서지컬 오퍼레이션즈 인코포레이티드 수술 절차 아틀라스를 갖는 수술 시스템의 구성
US20160378931A1 (en) * 2015-06-23 2016-12-29 PRX Control Solutions, LLC Methods and systems for comparing and matching medical treatment versus diagnosis and/or other indicators related to medical treatment and/or diagnosis
JP2018538037A (ja) 2015-11-12 2018-12-27 インテュイティブ サージカル オペレーションズ， インコーポレイテッド 訓練又は支援機能を有する手術システム
JP2019504404A (ja) * 2015-12-21 2019-02-14 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 挙動学習臨床支援
US11048874B2 (en) * 2016-01-05 2021-06-29 International Business Machines Corporation Medical record error detection system and method
CN105760698B (zh) * 2016-03-18 2019-02-05 华中科技大学同济医学院附属协和医院 一种药品不良反应预警分析系统及方法
KR102468699B1 (ko) 2016-04-15 2022-11-21 다케다 야쿠힌 고교 가부시키가이샤 약물동역학 약물 투약 요법을 제공하는 방법 및 장치
US10896749B2 (en) 2017-01-27 2021-01-19 Shire Human Genetic Therapies, Inc. Drug monitoring tool
WO2018163181A1 (en) * 2017-03-08 2018-09-13 Medaware Ltd. System and method for drug interaction prediction
US11636927B2 (en) 2017-09-29 2023-04-25 Apple Inc. Techniques for building medical provider databases
US11822371B2 (en) * 2017-09-29 2023-11-21 Apple Inc. Normalization of medical terms
US11587650B2 (en) 2017-09-29 2023-02-21 Apple Inc. Techniques for managing access of user devices to third-party resources
US10824684B2 (en) 2017-09-29 2020-11-03 Apple Inc. Techniques for anonymized searching of medical providers
US11107565B2 (en) 2017-11-02 2021-08-31 Tigar Health, Inc. Systems and methods for providing professional treatment guidance for diabetes patients
WO2019113323A1 (en) * 2017-12-06 2019-06-13 Cardiac Pacemakers, Inc. System to improve clinical workflow
US20190206574A1 (en) * 2018-01-04 2019-07-04 EasyMarkit Software Inc. Data integration and enrichment
US11176491B2 (en) 2018-10-11 2021-11-16 International Business Machines Corporation Intelligent learning for explaining anomalies
US11302443B2 (en) 2019-02-25 2022-04-12 International Business Machines Corporation Systems and methods for alerting on ambiguous advice of medical decision support systems
US11468320B1 (en) 2019-07-31 2022-10-11 Express Scripts Strategic Development, Inc. Methods and systems for predicting prescription directions using machine learning algorithm
EP4073738A4 (en) * 2019-12-10 2023-01-11 Siemens Healthcare Diagnostics Inc. DEVICE AND METHOD FOR ANALYZING DIAGNOSTIC TEST ORDERS
CN111883221B (zh) * 2020-07-16 2023-09-12 关涛 一种慢性病患者院外数据获取分析系统
TWI782608B (zh) * 2021-06-02 2022-11-01 美商醫守科技股份有限公司 提供建議診斷的電子裝置和方法
CN113822365B (zh) * 2021-09-28 2023-09-05 北京恒生芸泰网络科技有限公司 基于区块链技术的医疗数据存储及大数据挖掘方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020077865A1 (en) * 2000-11-02 2002-06-20 Sullivan Daniel Joseph Computerized risk management module for medical diagnosis
WO2005101279A2 (en) * 2004-04-12 2005-10-27 Baxter International Inc. System and method for medical data tracking, analysis and reporting for a healthcare system
US20060200549A1 (en) * 2005-03-04 2006-09-07 Iocent, Llc Methods and apparatus for providing decision support
US20070219824A1 (en) * 2006-03-17 2007-09-20 Jean Rawlings System and method for identifying and analyzing patterns or aberrations in healthcare claims
US20070244372A1 (en) * 2003-12-22 2007-10-18 Merkle Van D System and method for medical diagnosis

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6993402B2 (en) * 2001-02-28 2006-01-31 Vigilanz Corporation Method and system for identifying and anticipating adverse drug events
US20110295621A1 (en) * 2001-11-02 2011-12-01 Siemens Medical Solutions Usa, Inc. Healthcare Information Technology System for Predicting and Preventing Adverse Events
US8949082B2 (en) * 2001-11-02 2015-02-03 Siemens Medical Solutions Usa, Inc. Healthcare information technology system for predicting or preventing readmissions
US20030204415A1 (en) * 2002-04-30 2003-10-30 Calvin Knowlton Medical data and medication selection and distribution system
US20040162835A1 (en) * 2002-06-12 2004-08-19 Ahmed Ghouri System and method for generating patient-specific prescription drug safety instructions
US7725329B2 (en) * 2004-04-27 2010-05-25 Humana Inc. System and method for automatic generation of a hierarchical tree network and the use of two complementary learning algorithms, optimized for each leaf of the hierarchical tree network
US7311666B2 (en) * 2004-07-10 2007-12-25 Trigeminal Solutions, Inc. Apparatus for collecting information
WO2009103156A1 (en) * 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response
US20090216555A1 (en) * 2008-02-22 2009-08-27 Mckesson Automation Inc. System, method and computer program product for performing automatic surveillance and tracking of adverse events
US8046242B1 (en) * 2009-01-22 2011-10-25 Mckesson Financial Holdings Limited Systems and methods for verifying prescription dosages
US20110106733A1 (en) * 2009-10-30 2011-05-05 Pavel Roshanov System and method for patient-managed oral anticoagulant therapy
CA2784353C (en) * 2009-12-18 2015-11-03 Abbott Point Of Care, Inc. Biologic fluid analysis cartridge
US20120078648A1 (en) * 2010-09-24 2012-03-29 Bruce Reiner Method and apparatus for analyzing data on medical agents and devices
US8504392B2 (en) * 2010-11-11 2013-08-06 The Board Of Trustees Of The Leland Stanford Junior University Automatic coding of patient outcomes
US8694335B2 (en) * 2011-02-18 2014-04-08 Nuance Communications, Inc. Methods and apparatus for applying user corrections to medical fact extraction
US20130226616A1 (en) * 2011-10-13 2013-08-29 The Board of Trustees for the Leland Stanford, Junior, University Method and System for Examining Practice-based Evidence
WO2013077977A1 (en) * 2011-11-23 2013-05-30 Remedev, Inc. Remotely-executed medical diagnosis and therapy including emergency automation
WO2014026152A2 (en) * 2012-08-10 2014-02-13 Assurerx Health, Inc. Systems and methods for pharmacogenomic decision support in psychiatry

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020077865A1 (en) * 2000-11-02 2002-06-20 Sullivan Daniel Joseph Computerized risk management module for medical diagnosis
US7197492B2 (en) * 2000-11-02 2007-03-27 Daniel Joseph Sullivan Computerized risk management module for medical diagnosis
US20070244372A1 (en) * 2003-12-22 2007-10-18 Merkle Van D System and method for medical diagnosis
US7418299B2 (en) * 2003-12-22 2008-08-26 Merkle Van D System and method for medical diagnosis
WO2005101279A2 (en) * 2004-04-12 2005-10-27 Baxter International Inc. System and method for medical data tracking, analysis and reporting for a healthcare system
US20060200549A1 (en) * 2005-03-04 2006-09-07 Iocent, Llc Methods and apparatus for providing decision support
US7643969B2 (en) * 2005-03-04 2010-01-05 Health Outcomes Sciences, Llc Methods and apparatus for providing decision support
US20070219824A1 (en) * 2006-03-17 2007-09-20 Jean Rawlings System and method for identifying and analyzing patterns or aberrations in healthcare claims

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111785340A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 一种医疗数据处理方法、装置、设备及存储介质
CN111785340B (zh) * 2020-06-24 2023-08-15 北京百度网讯科技有限公司 一种医疗数据处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
EP2946324A4 (en) 2017-10-11
US20150356252A1 (en) 2015-12-10
CA2897897A1 (en) 2014-07-24
ES2906145T3 (es) 2022-04-13
IL239848B (en) 2020-03-31
CN110504035B (zh) 2023-05-30
EP2946324B1 (en) 2021-11-10
CN105009126A (zh) 2015-10-28
EP2946324A1 (en) 2015-11-25
WO2014111933A1 (en) 2014-07-24
CA2897897C (en) 2023-09-05
IL239848A0 (en) 2015-08-31
US20200258608A1 (en) 2020-08-13

Similar Documents

Publication Publication Date Title
US20200258608A1 (en) Medical database and system
Choudhury et al. Role of artificial intelligence in patient safety outcomes: systematic literature review
US20210202103A1 (en) Modeling and simulation of current and future health states
US20210202104A1 (en) Identifying and measuring patient overdose risk
US20200303047A1 (en) Methods and systems for a pharmacological tracking and representation of health attributes using digital twin
US20200160954A1 (en) Peer-review flagging system
AU2019240633A1 (en) System for automated analysis of clinical text for pharmacovigilance
Hosseinzadeh et al. Assessing the predictability of hospital readmission using machine learning
US20210366106A1 (en) System with confidence-based retroactive discrepancy flagging and methods for use therewith
CN106793957B (zh) 用于预测患者护理未来结果的医疗系统和方法
US20230386670A1 (en) Method and system for recommending treatment plans, preventive actions, and preparedness actions
Cummings et al. Predicting intensive care transfers and other unforeseen events: analytic model validation study and comparison to existing methods
Mainenti et al. Machine Learning Approaches for Diabetes Classification: Perspectives to Artificial Intelligence Methods Updating.
Wright et al. Development and validation of inpatient hypoglycemia models centered around the insulin ordering process
US11514068B1 (en) Data validation system
CN115545955B (zh) 医疗档案数据中异常数据的检测方法、装置和电子设备
US20230125785A1 (en) Systems and methods for weakly-supervised reportability and context prediction, and for multi-modal risk identification for patient populations
Kopec et al. Development of a clinical pathways analysis system with adaptive Bayesian nets and data mining techniques
Chan et al. Interpretable Sub-phenotype Identification in Acute Kidney Injury
Gupta et al. Healthcare Case Study
Nguyen Using random forest model for risk prediction of hospitalization and rehospitalization associated with chronic obstructive pulmonary disease
Mankowitz et al. 1 Clinical Decision Support
Chen Machine Learning of Structured and Unstructured Healthcare Data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant