CN110709938A - 用于生成患者数字孪生的方法和系统 - Google Patents

用于生成患者数字孪生的方法和系统 Download PDF

Info

Publication number
CN110709938A
CN110709938A CN201780091563.8A CN201780091563A CN110709938A CN 110709938 A CN110709938 A CN 110709938A CN 201780091563 A CN201780091563 A CN 201780091563A CN 110709938 A CN110709938 A CN 110709938A
Authority
CN
China
Prior art keywords
patient
digital twin
data
information
data structure
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.)
Withdrawn
Application number
CN201780091563.8A
Other languages
English (en)
Inventor
乔纳森·齐默尔曼
查德·多德
马西娅·彼得森
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN110709938A publication Critical patent/CN110709938A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H50/20—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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了提供患者数字孪生的方法和装置。示例装置包括处理器和存储器。示例处理器根据第一患者的患者数字孪生配置所述存储器。示例患者数字孪生包括从患者病历数据、图像数据、遗传信息和历史信息的组合创建的数据结构，所述组合从一个或多个信息系统中提取并在所述数据结构中布置以形成所述第一患者的数字表示。示例患者数字孪生将被布置用于经由所述处理器进行查询和模拟。示例患者数字孪生将可与一个或多个规则组合，使用所述处理器，基于根据所述一个或多个规则所指示的对所述患者数字孪生建模来生成对患者健康结果的推荐。

Description

用于生成患者数字孪生的方法和系统
技术领域
本公开整体涉及改进的患者建模，并且更具体地，涉及改进的用于生成患者数字孪生的系统和方法。
背景技术
各种经济、技术和行政方面的障碍对健康护理机构诸如医院、诊所、医生办公室等为患者提供质量护理构成了挑战。经济驱动力、医学科学演进、人员技术水平较低、人员较少、设备复杂以及用于控制和标准化健康护理企业中辐射暴露剂量使用的新兴认证，都对有效管理和使用成像和信息系统来对患者进行检查、诊断和治疗创建了困难。
健康护理提供商整合创建了在地理上分布的医院网络，在这种医院网络中，与系统进行物理接触的成本太高。同时，转介医生希望更直接获取报告和其他数据表格中的支持数据以及更好的协作通道。医生的患者多、时间少并且被大量数据所淹没，因此他们迫切需要帮助。
发明内容
某些示例提供包括处理器和存储器的装置。示例处理器根据第一患者的患者数字孪生配置存储器。示例患者数字孪生包括从患者病历数据、图像数据、遗传信息和历史信息的组合创建的数据结构，该组合从一个或多个信息系统中提取并在数据结构中布置以形成第一患者的数字表示。示例患者数字孪生将被布置用于经由处理器进行查询和模拟。示例患者数字孪生将可与一个或多个规则组合，使用处理器，基于根据一个或多个规则所指示的对患者数字孪生建模来生成对患者健康结果的推荐。
某些示例提供包括指令的计算机可读存储介质。示例指令在被执行时使得机器实现至少第一患者的患者数字孪生，该患者数字孪生包括从患者病历数据、图像数据、遗传信息和历史信息的组合创建的数据结构，该组合从一个或多个信息系统中提取并在数据结构中布置以形成第一患者的数字表示，该患者数字孪生被布置用于查询和模拟。示例患者数字孪生可与一个或多个规则组合，使用处理器，基于根据一个或多个规则所指示的对患者数字孪生建模来生成对患者健康结果的推荐。
某些示例提供一种方法，该方法包括使用处理器，从一个或多个信息系统中提取用于第一患者的信息，以形成患者病历数据、图像数据、遗传信息和历史信息的组合。该示例方法包括使用处理器，将该组合布置在存储器中的数据结构中以形成患者数字孪生，该患者数字孪生形成第一患者的数字表示，该患者数字孪生可与一个或多个规则组合，使用处理器，基于根据一个或多个规则所指示的对患者数字孪生建模来生成对患者健康结果的推荐。该示例方法包括使用处理器，经由图形用户界面提供对存储器中的患者数字孪生的访问以进行查询和模拟。
某些示例提供一种系统，该系统包括用于根据物理患者的数字孪生配置存储器的装置。示例数字孪生包括：第一数据结构，该第一数据结构包括病历数据；第二数据结构，该第二数据结构包括图像数据；第三数据结构，该第三数据结构包括遗传信息；以及第四数据结构，该第四数据结构包括历史信息。示例第一数据结构、第二数据结构、第三数据结构和第四数据结构在存储器中组合相关以形成提供物理患者的数字表示的数字孪生，该数字孪生被布置用于查询和模拟。
附图说明
图1示出了真实空间中的患者向虚拟空间中的数字孪生提供数据。
图2示出了患者数字孪生的示例具体实施。
图3示出了患者数字孪生和用以实现患者结果的先进协调技术之间的示例关系。
图4示出了数字医学知识的示例模型，诸如提供给图3示例中的数字孪生/形成该数字孪生的一部分。
图5示出了护理可及性的示例模型，诸如提供给图3示例中的数字孪生/形成该数字孪生的一部分。
图6示出了行为选择的示例模型，诸如提供给图3示例中的数字孪生/形成该数字孪生的一部分。
图7示出了环境因素或社会决定因素的示例模型，诸如提供给图3示例中的数字孪生/形成该数字孪生的一部分。
图8示出了成本的示例模型，诸如提供给图3示例中的数字孪生/形成该数字孪生的一部分。
图9示出了使用患者数字孪生进行患者监测的示例过程。
图10示出了使用患者数字孪生进行患者监测的示例系统。
图11示出了生成和更新患者数字孪生的示例方法的流程图。
图12示出了创建患者数字孪生的示例方法的流程图。
图13示出了患者数字孪生对患者健康结果的示例应用。
图14表示可用于实现患者数字孪生的示例深度学习神经网络。
图15示出了集中于健康护理的示例信息系统的的框图。
图16示出了示例健康护理信息基础结构的框图。
图17示出了示例工业互联网配置。
图18为被构造成执行示例机器可读指令以实现本文所公开和描述的部件的处理器平台的框图。
附图未按比例绘制。在任何可能的情况下，在所有附图和随附的书面说明中将使用相同的参考标号来指代相同或类似的部件。
具体实施方式
在以下具体实施方式中，参考形成其一部分的附图，并且其中通过图示的方式示出了可实践的具体示例。足够详细地描述了这些示例以使得本领域的技术人员能够实践该主题，并且应当理解，可以利用其他示例，并且可以在不脱离本公开的主题的范围的情况下进行逻辑、机械、电气和其他改变。因此，提供以下具体实施方式以描述示例性具体实施，且不应将其视为对本公开所述主题的范围的限制。可组合以下描述的不同方面的某些特征，形成下文所讨论的主题的新方面。
当介绍本公开的各种实施方案的元件时，冠词“一”、“一个”、“该”和“所述”旨在表示存在一个或多个元件。术语“包含”、“包括”和“具有”旨在是包含性的，并且意味着可能存在除所列元件之外的附加元件。
如本文所用，术语“系统”、“单元”、“模块”、“引擎”等可包括操作以执行一个或多个功能的硬件和/或软件系统。例如，模块、单元或系统可包括计算机处理器、控制器和/或基于存储在有形和非暂态计算机可读存储介质(诸如计算机存储器)上的指令来执行操作的其他基于逻辑的设备。另选地，模块、单元、引擎或系统可包括基于设备的硬连线逻辑来执行操作的硬连线设备。附图中示出的各种模块、单元、引擎和/或系统可表示基于软件或硬连线指令操作的硬件、指示硬件执行操作的软件、或其组合。
虽然下文在医疗或健康护理系统的背景下描述了某些示例，但是可在医疗环境之外实现其他示例。例如，某些示例可应用于非医学成像，诸如无损检测、爆炸物检测等。
I.概述
数字表示、数字模型、数字“孪生”或数字“阴影”均为关于物理系统的数字信息概念。即，数字信息可实现为物理设备/系统/人以及与物理设备/系统相关联的和/或嵌入在物理设备/系统内的信息的“孪生”。数字孪生通过物理系统的生命周期与物理系统相连接。在某些示例中，数字孪生包括真实空间中的物理对象、存在于虚拟空间中的该物理对象的数字孪生以及将物理对象与其数字孪生相连接的信息。数字孪生存在于对应于真实空间的虚拟空间中，并且包括用于从真实空间到虚拟空间的数据流的连接以及用于从虚拟空间到真实空间和虚拟子空间的信息流的连接。
例如，图1示出了真实空间115中的患者110向虚拟空间135中的数字孪生130提供数据120。数字孪生130和/或其虚拟空间135将信息140提供回真实空间115。数字孪生130和/或虚拟空间135还可向一个或多个虚拟子空间150、152、154提供信息。如图1示例所示，虚拟空间135可包括一个或多个虚拟子空间150、152、154和/或与之相关联，该一个或多个虚拟子空间可用于对数字孪生130和/或数字“子孪生”的一个或多个部分建模，模拟总体数字孪生130的子系统/子部分。
连接至物理对象(例如，患者110)的传感器可收集数据并将所收集的数据120中继到数字孪生130(例如，经由自报告，使用临床或其他健康信息系统诸如图像归档与通信系统(PACS)、放射学信息系统(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)。例如，数字孪生130和患者110之间的交互可帮助改进患者110的诊断、治疗、健康维护等。受益于实时或基本实时(例如，从数据传输、处理和/或存储延迟考虑)的患者110的准确数字描述130允许系统100预测以疾病、身体机能和/或其他痼疾、病症等形式出现的“故障”。
在某些示例中，当健康护理从业者正在检查、治疗和/或以其他方式护理患者110时，可将所获得的覆盖有传感器数据、实验室结果等的图像用于增强现实(AR)应用中。例如，数字孪生130使用AR来跟踪患者对与健康护理从业者进行交互的响应。
因此，数字孪生130并非一般模型，而是反映患者110及他或她相关联规范、病症等的基于物理的、基于解剖的和/或基于生物的实际模型的集合。在某些示例中，对患者110的三维(3D)建模为患者110创建了数字孪生130。数字孪生130可用于基于从源(例如，来自患者110、从业者、健康信息系统、传感器等)动态提供的输入数据120来查看患者110的状态。
在某些示例中，患者110的数字孪生130可以用于对患者110进行监测、诊断和预后。可将传感器数据与历史信息组合使用，使用数字孪生130识别、预测、监测患者110的当前和/或潜在的未来病症等。可经由数字孪生130监测病因、加剧、改进等。可使用数字孪生130，模拟并可视化患者110的物理行为以用于诊断、治疗、监测、维护等。
与计算机不同的是，人类不会按照有序的、循序渐进的过程处理信息。相反，人试图将问题概念化并了解其背景。虽然人可以查看报告、表格等的数据，但当人可视地查看问题并试图找到其解决方案时，才是最有效的。然而，通常，当人以可视方式处理信息，以字母数字形式记录信息，并且然后试图以可视方式重新概念化信息时，信息会丢失，并且随着时间的推移，问题解决过程的效率极低。
然而，使用数字孪生130允许人和/或系统查看和评估情况(例如，患者110和相关联的患者问题等)的可视化，而无需来回转换数据。利用与实际患者110具有共同视角的数字孪生130，可动态且实时(或基本实时，考虑到数据处理、传输和/或存储延迟)地查看物理信息和虚拟信息两者。健康护理从业者不阅读报告，而是用数字孪生130进行查看和模拟，以评估患者110的病症、进展、可能的治疗等。在某些示例中，可在数字孪生130中以标签标记和/或以其他方式标记特征、病症、趋势、指标、性状等，以允许从业者快速且容易地查看指定的参数、值、趋势、警示等。
数字孪生130也可用于比较(例如，与患者110、与“正常”、标准或参考患者、一组临床标准/症状等比较)。在某些示例中，患者110的数字孪生130可用于测量和可视化该患者的理想或“黄金标准”值状态、围绕该值的误差容许量或标准偏差(例如，相对于黄金标准值的正偏差和/或负偏差等)、实际值、实际值的趋势等。实际值或实际值的趋势和黄金标准之间的差异(例如，超出容许偏差)可以可视化为字母数字值、颜色指示、图案等。
此外，患者110的数字孪生130可有利于患者110的朋友、家人、护理提供者等之间的协作。使用数字孪生130，可在包括护理提供者、家人、朋友等在内的多个人之间共享患者110及他/她健康的概念化(例如，根据护理计划等)。例如，人不需要与患者110处于相同位置，彼此也不需要处于相同位置，仍可查看同一数字孪生130、与其交互并由其得出结论。
因此，数字孪生130可定义为一组虚拟信息概念，其从微观层面(例如，心脏、肺、脚、前交叉韧带(ACL)、中风史等)到宏观层面(例如，整体解剖、整体观、骨骼系统、神经系统、血管系统等)描述(例如，充分描述)患者110。在某些示例中，数字孪生130可为参考数字孪生(例如，数字孪生原型等)和/或数字孪生实例。参考数字孪生表示患者110或特定类型/类别患者110的原型或“黄金标准”模型，而一个或多个参考数字孪生则表示特定患者110。因此，儿童患者110的数字孪生130可实现为根据某些标准或“典型”儿童特征组织的儿童参考数字孪生，特定数字孪生实例表示特定儿童患者110。在某些示例中，多个数字孪生实例可聚合成数字孪生聚合(例如，以表示共享共同的参考数字孪生等的多个儿童患者的累积或组合)。例如，数字孪生聚合可用于识别由儿童数字孪生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130(和/或多个数字孪生实例等)运行的虚拟空间135称为数字孪生环境。数字孪生环境135提供了在其中操作数字孪生130的基于物理的和/或基于生物的集成多畴应用空间。例如，可在数字孪生环境135中分析数字孪生130以预测患者110的未来行为、病症、进展等。还可在数字孪生环境135中询问或查询数字孪生130以检索和/或分析当前信息140、既往病史等。
在某些示例中，数字孪生环境135可分成多个虚拟空间150至154。每个虚拟空间150至154可对不同的数字孪生实例和/或数字孪生130的组成部分建模，并且/或者每个虚拟空间150至154可用于对同一数字孪生130执行不同的分析、模拟等。使用多个虚拟空间150至154，可以以多种方式廉价且有效地测试数字孪生130，同时保持患者110的安全。例如，健康护理提供者随后可了解在各种场景中患者110可如何对各种治疗作出反应。
图2示出了患者数字孪生130的示例具体实施。患者数字孪生130包括电子病历(EMR)210信息、图像220、遗传数据230、实验室结果240、人口统计信息250、社会历史260等。如图2示例所示，患者数字孪生130由多个数据源210至260馈送以对患者110建模。使用患者110信息的多个源，可以用患者医学数据、检查记录、患者和家族史、实验室测试结果、处方信息、朋友和社交网络信息、图像数据、基因组学、临床记录、传感器数据、位置数据等来配置、训练、填充患者数字孪生130。
当用户(例如，患者110、患者家庭成员(例如，父母、配偶、兄弟姐妹、孩子等)、健康护理从业者(例如，医生、护士、技术员、管理员等)、其他提供者、付款人等)和/或程序、设备、系统等将数据输入系统(诸如图像归档与通信系统(PACS)、放射学信息系统(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)、人口健康管理系统(PHM)等)，这些信息会被反映在数字孪生130中。因此，患者数字孪生130可充当患者110的整体模型或化身，并且还可对对应于特定数据源210至260的患者110的特定方面建模。例如，可经由手动数据录入和/或有线/无线(例如，WiFiTM、BluetoothTM、近场通信(NFC)、射频等)数据通信等从相应系统/数据源添加数据和/或以其他方式使用数据来更新数字孪生130。输入到数字孪生130的数据由摄取引擎和/或其他处理器进行处理以使信息归一化并为信息提供治理和/或管理规则、标准等。除了构建数字孪生130之外，还可聚合一些或所有信息以用于基于人口的健康分析、管理等。
图3示出了患者数字孪生130和用以实现患者结果的先进协调技术之间的示例关系。患者数字孪生130可用于利用人工智能(例如，机器学习、深度学习等)和数字医学知识来应用患者相关的异质数据以实现健康结果。如图3示例所示，患者数字孪生130可用于驱动应用知识310、护理可及性320、社会决定因素330、个人选择340、成本350等。图4至图8提供关于图3中的示例患者数字孪生130的每个元素310至350的进一步细节。
如用图3示例中的数字孪生130所建模的，可按如下方式确定健康结果：
Figure BDA0002300731060000081
在某些示例中，连接由在云和/或预置平台上运行的分析驱动的工作流的协作的解决方案架构可有利于使用患者数字孪生130和公式1来确定健康结果。
图4示出了数字医学知识310的示例模型，诸如提供给图3示例中的数字孪生130/形成该数字孪生的一部分。如图4示例所示，数字医学知识310源包括规则410、准则430、医学科学430、分子科学440、化学科学450等。示例数字医学知识310源包括临床证据、其他文献、算法、处理引擎、其他治理和管理等。来自源410至450的信息可形成数字医学知识310的一部分，增强患者数字孪生130。
图5示出了护理可及性320的示例模型，诸如提供给图3示例中的数字孪生130/形成该数字孪生的一部分。如图5示例所示，关于护理可及性320的信息包括诊所访问510、医院访问520、住宅访问530、远程医疗访问540等。关于护理可及性的信息可包括与患者110相关联的临床医生和/或其他健康护理从业者以及/或者由这些人士生成。在某些示例中，多个系统诸如工作流、通信、协作等可影响患者110的护理可及性320。可经由患者数字孪生130在诊所510、医院520、住宅和远程医疗540层面对此类系统建模。例如，此类系统可向数字孪生130提供信息。
图6示出了行为选择340的示例模型，诸如提供给图3示例中的数字孪生130/形成该数字孪生的一部分。如图6示例所示，关于行为选择340的信息包括饮食610、运动620、酒精630、烟草640、药物650、性行为660、极限运动670、卫生680等。行为信息610至680可由患者110、临床医生、其他健康护理从业者、教练、社会工作者、家人、朋友等提供。另外，行为信息610至680可由医疗设备、监测设备、生物识别传感器、位置传感器、通信系统、协作系统等提供。例如，所观察和/或记录的有关患者110的行为选择340可反映在患者数字孪生130中，并且可经由数字孪生130来对某些行为610至680的规则、后果和/或其他结果建模。
图7示出了环境因素或社会决定因素330的示例模型，诸如提供给图3示例中的数字孪生130/形成该数字孪生的一部分。如图7示例所示，关于环境因素330的信息可包括住宅710、空气720、水730、宠物740、化学品750、家庭760等。因此，可经由患者的数字孪生130为患者110对一个或多个社会/环境因素330建模。例如，在某些示例中，可使用社区资源、医疗设备、监测设备、生物识别传感器、位置传感器、通信系统、协作系统等来测量和/或以其他方式捕获要经由患者数字孪生130建模的社会/环境信息330。例如，社会/环境因素710至760可影响患者110的行为、健康、恢复、协议遵从性等，并且可通过数字孪生130对此类因素710至760建模。
图8示出了成本350的示例模型，诸如提供给图3示例中的数字孪生130/形成该数字孪生的一部分。如图8示例所示，关于成本350的信息可包括人810、诊断820、治疗830、房屋840、技术850、法律和保险860、材料870等。因此，可经由患者的数字孪生130为患者110对一个或多个成本350建模。可至少部分地基于成本350经由患者数字孪生130评估与措施、治疗、预防等方面特定推荐相关联的估计成本350。例如，可经由数字孪生130来计算和跟踪患者110的当前成本350的估计。可使用一个或多个数据源、人、系统等来捕获、输出和/或评估成本350，诸如人810、诊断820、治疗830、房屋840、技术850、法律和保险860、材料870等。例如，数据源诸如设置、供应链信息、人、操作等可提供成本350信息。例如，具有各种角色和/或设置的人可提供成本350信息。例如，系统诸如临床系统、金融系统、操作系统、分析系统等可提供和/或利用成本350信息。因此，用于人(例如，健康护理从业者、护理者、家人等)810、诊断(例如，实验室测试、图像等)820、治疗(例如，物理治疗、心理治疗、职业治疗等)830、房屋(例如，租金、寄宿、交通等)840、技术(例如，传感器、医疗设备、计算机等)850、法律和保险(例如，律师费、健康保险等)860、材料(例如，测试条、工具箱、急救用品、移动辅助设备等)870等的费用可经由数字孪生130建模，并且/或者可用作输入，以精化/改进患者的数字孪生130的模型(例如，包括经由模拟和/或其他“假设”分析，等等)。
因此，如公式1所列举的，用数字医学知识310和护理可及性320建模、由行为选择340、社会/物理环境330和成本350界定的患者数字孪生130的组合提供了对患者110的健康结果的预测、估计和/或其他确定。这种组合表示在计算机辅助诊断和患者治疗上的技术改进，因为患者数字孪生130表示新的且改进的数据结构，并且由行为选择340、社会/物理环境330和成本350界定的与数字医学知识310和护理可及性320的自动化电子相关使得当由临床医生或者由不能建模和模拟为本文所公开和描述的患者数字孪生130的现有计算系统手动完成时，不可能建模、模拟及识别潜在的问题和可能的解决方案。
患者数字孪生130可用于帮助驱动患者护理的连续循环，诸如图9示例所示。图9示出了使用患者数字孪生130进行患者110监测的示例过程900。在框910处，发起改变或调度的后续行动。例如，可结合改变或预先调度的后续事件采取一个或多个预先安排的措施。例如，检测患者110并且检测一个或多个相关联的设备作为后续事件的一部分。通过调度器(例如，图10中的示例系统1000中的调度器1010(例如，EMR、电子健康记录(EHR)、个人健康记录(PHR)、日历程序等)结合患者的数字孪生130可有利于该改变。
在框920处，通知护理系统(例如，图10所示的护理系统1020)。例如，可经由语音、文本、数据流等(例如，来自调度器1010等)向护理系统1020通知改变/调度的后续行动。例如，护理系统1020可包括EMR、EHR、PHR、PHM、PACS、RIS、CVIS、LIS、HIS等和/或其他调度系统。
在框930处，访问患者数字孪生130。例如，患者数字孪生130可存储在护理系统1020上和/或以其他方式可经由护理系统1020(例如，经由护理系统1020的图形用户界面1025显示器等)进行访问，以传递后续事件的改变和/或其他调度。因此，后续检查的检查时间的改变和/或其他调度可并入数字孪生130(例如，以对导致事件的患者110行为建模，处理在事件之后所获取/改变的信息，等等)中并且摄取为数字孪生130化身或模型的一部分。
在框940处，通知与数字孪生130相关联的智能护理生态系统。护理生态系统(例如，图10示例中的护理生态系统1030)可包括护理系统1020和/或与数字孪生130、预约等相关联的其他系统(例如，EMR、EHR、PHR、PHM、PACS、RIS、CVIS、LIS、HIS等)。例如，经由护理生态系统1030，可在患者数字孪生130上、在其中或相对于其运行一个或多个算法。例如，使用数字孪生130经由智能护理生态系统1030执行算法来创建输出，该输出可被合成以提供给数字孪生130和/或其他系统。在某些示例中，可从合成的输出创建行动计划(例如，患者护理计划等)。例如，行动计划可并入患者数字孪生130，以对患者110对行动计划的响应建模。可根据患者偏好(例如，文本、语音、电子邮件等，发至一个或多个号码/地址等)发生通信。另外，可根据护理团队偏好通知参与行动计划的护理团队成员。例如，如果针对患者110的行动计划涉及组成护理团队的放射科医生、实验室技术员和主治医生，则根据这些成员的联系偏好(例如，文本、语音、电子邮件等，发至一个或多个号码/地址等)通知他们。因此，例如，可将针对患者110的协调护理行动计划传递给经授权的利益相关者。
在框960处，通知后续监测系统(例如，图10示例中的监测系统1040)。例如，激活多方利益相关者工作流系统，并且可将调度/事件通知给与护理团队成员、患者110等相关联的系统(例如，EMR、EHR、PHR、PHM、PACS、RIS、CVIS、LIS、HIS、日历/调度系统等)。
然后过程900可在下一次改变时循环，以允许更新患者数字孪生130并且相关联的护理计划、护理系统和护理团队成员对新通知作出反应。因此，可动态地更新数字孪生130，接收新信息并驱动相关联的健康系统以监测和治疗患者110。
图11示出了生成和更新患者数字孪生的示例方法1100的流程图。在框1102处，创建患者数字孪生130。例如，数字表示由患者的可用信息形成。形成数字孪生130的数字表示可从多个可用源提取，诸如传感器数据、患者110输入、家人和/或朋友输入、EMR记录、实验室结果、图像数据等。在某些示例中，数字孪生110包括患者110的视觉、数字表示，其中信息覆盖在视觉表示上(例如，作为视觉表示上的点和/或其他指示符等)。
在框1104处，利用基于机器的诊断和基于人类的诊断来改进患者数字孪生130。例如，可利用健康护理软件应用、医学大数据、神经网络、其他机器学习和/或人工智能等来诊断、识别问题，相对于数字孪生130提出解决方案(例如，药物、诊断、治疗等)。在某些示例中，可咨询远程人类专家。例如，临床医生可看到患者数字孪生130的结果和基于机器的分析，并为患者110提供最终诊断和下一步骤。
在框1106处，可基于用户体验获得反馈以增强数字孪生130。可将与患者110类似的病症、规程等的用户体验提供给数字孪生130。还可提供关于数字孪生130用户体验的反馈。用户体验的反馈可用于生成提示/建议、指令等，这些内容可并入数字孪生130中，可提供给用户等。
在框1108处，相对于患者数字孪生130处理医疗事件(例如，手术、图像采集、真实或虚拟办公室访问、其他规程等)。例如，相对于患者数字孪生130的信息和/或建模来处理来自医疗事件的图像数据、传感器数据、观察、测试结果等。可处理图像数据以形成图像分析、计算机辅助检测、图像质量测定等。可处理传感器数据以识别相对于阈值的值、改变、差异等。基于数字孪生130，可与阈值等进行比较来处理测试结果。
在框1110处，生成、接收和结合事件后反馈，以更新患者数字孪生130。从图像分析、传感器数据评估、测试结果、人类反馈等生成的反馈可表示要提供给数字孪生130的事件后反馈，以改进建模、修改参数等。一旦数字孪生130已更新，则过程1000返回到框1104，等待进一步诊断。
因此，数字孪生130可基于可用的健康数据、机器学习、人类反馈、医疗事件处理、新的或更新的数字医学知识和事件后反馈而随着时间的推移的演进。数字孪生130提供了患者110的演进模型，该模型可学习和吸收信息以反映患者身体系统和健康信息系统、规则、规范、最佳实践等。使用患者数字孪生130，健康护理从业者可能不需要咨询患者110。当新数据片进入时，信息被自动分析并用于更新数字孪生130，并且基于孪生130建模交互提供一个或多个推荐和/或进一步行动。
在某些示例中，随着数字孪生130随着时间的推移更新和演进/改进，保存了数字孪生130的先前状态。因此，可检索和查看数字孪生130的先前状态。例如，医生可查看数字孪生130状态随着时间的推移的变化，以了解患者110身体机能的改变。
如上所述，可通过利用可用的患者信息(诸如EMR 210、图像220、遗传学230、实验室结果240、人口统计学250、社会历史260等)来创建患者数字孪生130(框1102)。可利用机器学习和/或其他人工智能以及对患者110的人类诊断来改进数字孪生130(框1104)。例如，可利用应用知识310、护理可及性320、社会决定因素330、个人选择340、成本350等来改进数字孪生130。也可结合来自用户体验的提示和/或指令以改进数字孪生130(框1106)。例如，数字医学知识310(诸如规则410、准则420、医学科学430、分子科学440、化学科学450等)可用于改进数字孪生130，因为该知识涉及数字孪生130中的患者信息。数字孪生130是存储在存储器中的新的、改进的数据结构，其随后可用于响应和/或预测特定的医疗事件(例如，手术、心脏病发作、糖尿病等)(框1108)。例如，数字医学知识310和护理可及性320可与患者数字孪生130一起使用，以帮助健康护理从业者预测和/或响应患者110的医疗事件。事件之后，例如，可将反馈提供给患者数字孪生130和/或经由数字孪生130提供给用户(框1110)。在某些示例中，算法、计分卡、患者限定的通信偏好等可用于演进患者数字孪生130，并提供关于性能指标的反馈和对患者110和/或患者组(例如，具有相同病症、相同提供者、相同位置、其他共性等)的预测。
图12示出了创建患者数字孪生130的示例方法1200的流程图。在框1202处，为数字孪生130输入患者110相关信息。例如，患者110可输入个人识别信息(例如，性别、身高、体重、年龄、社会保障号等)、病史、家庭信息、当前症状等。如图12示例所示，患者相关信息录入(框1202)可包括来自一个或多个源1204的录入。例如，在框1206处，可经由一个或多个表格输入患者相关信息。例如，可经由基于计算机的和/或基于移动的应用提供表格，以从患者110采集信息(例如，“表格访问”)。在框1208处，可经由言语访问获取信息。例如，数字助理(例如，Amazon AlexaTM、Apple SiriTM、Microsoft CortanaTM等)可有利于提取患者相关信息的言语会话。在框1210处，可使用一个或多个技术传感器来采集患者相关信息。例如，可连接数字仪表、座椅传感器、健身追踪器、运动机器、智能量表、糖尿病血糖测试和/或其他健康追踪器，为患者数字孪生130提供数据。在框1212处，可利用一个或多个社会决定因素诸如社交网络和/或其他网上信息来为数字孪生130提供患者相关信息。因此，多个源1204中的一个或多个可提供患者相关信息，以供在框1202处录入数字孪生130。
在框1214处，可提供患者110的一个或多个图像和/或其他身体扫描以形成患者数字孪生130。例如，一个或多个医学图像诸如x射线、超声波、计算机断层显像(CT)、磁共振(MR)、核(NUC)、正电子发射断层显像(PET)和/或其他图像可帮助创建患者数字孪生130的模型。还可添加机场身体扫描和/或其他图像数据以创建数字孪生130。成像数据可用于为患者数字孪生130形成患者110的化身，并且/或者可与其他患者数据组合用于模拟、诊断等。
在框1216处，一个或多个附加数据源可与患者相关信息(框1202)和图像信息(框1214)组合，以为患者110创建数字孪生130。例如，在框1218处，可提取患者110的EMR和/或其他病历(例如，EHR记录、PHR记录等)的信息，以创建数字孪生130。在框1220处，可提取药物/处方史，以创建患者数字孪生130。例如，可从药房系统提取处方信息并且/或者可从另一信息源(例如，EMR、EHR、PHR等)提取其他药物信息(例如，剂量、频率、反应等)，以补充患者数字孪生130。在框1222处，可提取人口统计数据，以创建患者数字孪生130。例如，可提供人口健康信息、患者人口统计学、家人和/或朋友人口统计学、近邻信息、护理可及性数据等，以形成患者数字孪生130(例如，来自EMR、EHR、PHR、企业存档等)。在框1224处，一个或多个附加源可提供信息，以帮助创建患者数字孪生130。
在框1226处，对提交和/或以其他方式提取以形成患者数字孪生130的数据进行准确性验证。在框1228处，例如，相对于“真实”数据验证输入数据。例如，比较多个数据实例，以评估数据的准确性。例如，可将提交的数据片与先前验证的数据片进行比较，以确定所提交的数据是否与先前验证的数据匹配和/或一致。如果从多个源提供相同的信息，则可比较这些信息以帮助确保其一致性。例如，信息可能被错误输入EMR，但在患者访问中正确提供。例如，患者110可能已猜测答案，但在录入患者的图表之前，护士可能已对数据进行了数学验证。
在框1230处，相对于可能、“正常”和/或参考数据来验证所提供的数据。例如，可评估信息以确定信息是否为合理的、可行的、可能的等。例如，指示患者110身高110英尺的数据条目被确定为不合理并从患者数字孪生130中丢弃。例如，如果另一数据源指示患者110身高六英尺，则可使用该测量值，并丢弃110英尺的测量值。
在框1232处，可评估数据质量。例如，可根据计算出的图像质量指数来评估患者图像数据。例如，如果图像数据的质量不够(例如，图像质量指数大于或等于质量阈值等)，则可将该数据作为对于患者数字孪生130无用的、不可靠的而丢弃。又如，表格数据可能不完整，并且如果已完成小于一定的百分比、字段数等，则该信息可能无法驱动可靠的相关性。在某些示例中，如果输入信息不满足质量评估，可生成请求以获取另一样本、另一图像、较高质量的数据等。
基于关于患者110和/或与患者110相关的所输入和经验证的信息，创建数字孪生130。例如，神经网络和/或其他机器和/或深度学习概念填充了对应于经验证信息的输入，并且被训练成为患者110的可部署模型。又如，创建新的数据结构，以在各个方面表示患者110。例如，可形成数字地表示患者110的数据结构，并且数据结构可包括表示患者110的各种身体系统(例如，神经系统、血管系统、肌肉系统、骨骼系统、免疫系统等)和/或其他方面的字段。另选地或除此之外，例如，可根据身体系统、病历、环境/社会信息等(例如，如图2、图3等所示)划分数据结构。
在某些示例中，神经网络、数据结构和/或其他数字信息概念可包括形成总体数字孪生130的一部分的多个子系统和/或其他子实例。例如，不同的患者110身体系统(例如血管、神经、肌肉骨骼、免疫等)可被构造并建模为单独的网络、数据结构等。在某些示例中，数字孪生130可实现为一系列嵌套的学习网络、数据结构等，包括伞型概念和在伞型内形成的子系统概念。因此，可针对患者110的诊断、治疗、预测等存储、处理、建模和/或以其他方式使用总体数字孪生130和数字孪生130内的子系统。
在框1234处，在已输入信息(框1202、1204、1214、1216)并验证信息(框1226)来创建患者数字孪生130之后，可利用患者数字孪生130创建患者110信息的可视化。例如，数字孪生130可用于模拟/仿真患者110和患者110患有和/或可能患有的病症。在某些示例中，患者数字孪生130可向用户可视化为化身或其他视觉表示(例如，二维、三维、四维(例如，包括时间元件以模拟、导航等、在时间上向后和/或向前)等)，包括覆盖在人类解剖可视化上、深入到特定解剖结构时可用的患者信息等。
图13示出了患者数字孪生130对患者110健康结果的示例应用。如图13的示例流程1300所示，患者数字孪生130可用于生成患者110的风险预测1302。例如，基于在数字孪生130中存储和/或以其他方式建模的信息，可对患者110在某些病症、疾病等的风险建模以生成患者的风险预测1302。风险预测1302可基于数字孪生130列举患者110存在风险的潜在疾病和/或其他病症。数字孪生130可用于模拟、预测和/或以其他方式呈现患者110的风险，并且该风险可存储为风险预测1302。例如，基于存储在数字孪生130中的体重、血压、饮食习惯信息和/或其他行为信息，可在风险预测1302中建模和量化患者110患上糖尿病的风险。又如，来自数字孪生130的患者110的过往韧带史、年龄和打篮球的社会历史可用于预测患者110的韧带损伤风险。
患者数字孪生130和风险预测1302可与规则和分析1304一起使用，以驱动患者110的健康结果。例如，数字孪生130和/或相关联的系统(例如，EMR系统、RIS/PACS系统等)可用规则和/或分析1304进行编程，利用由数字孪生130提供的信息、建模等来做出决策，通知决策和/或以其他方式驱动患者110(和/或人群，包括患者110等)的健康结果。例如，在框1306处，可将规则和分析1304应用于患者数字孪生130和相关联的风险预测1302以生成自动诊断推荐。在框1308处，可将规则和分析1304应用于患者数字孪生130和相关联的风险预测1302以生成要(例如，由患者110和/或健康护理从业者等)采取的具体推荐行动。因此，可将规则和分析1304散布于患者数字孪生130，以对患者110的概率、风险和可能的结果建模。可为患者110和/或健康护理从业者(例如，护理团队、主治医生、外科医生、护士等)生成计算机辅助诊断(CAD)1306和推荐行动方案(例如，护理计划等)以供遵循。在给定患者数字孪生130的情况下，可针对该特定患者110定制行动方案。
因此，某些示例提供患者数字孪生130的创建、使用和存储。患者数字孪生130可与多个应用一起使用，包括电子病历、收入周期、调度、图像分析等。患者数字孪生130可用于驱动工作流引擎、规则引擎等。患者数字孪生130可与具有数字设备(例如，用于云网络的边缘设备等)、网络应用、社交媒体等的数据捕获引擎结合使用。例如，知识源(诸如医学、化学、遗传等)可与数字孪生130一同利用和/或并入其中。例如，数据摄取引擎可基于患者数字孪生130中和/或缺失的信息来操作。例如，患者数字孪生130可与分析引擎一起使用以驱动健康结果。患者数字孪生130是关于患者110的“记录系统”。例如，患者数字孪生130包括与患者110相关联的临床、遗传、家族史、金融、环境和社会数据。患者数字孪生130可通过人工智能(例如，机器学习、深度学习等)和/或表达科学和医学知识的其他算法来使用，以帮助患者110使其健康最大化。
因此，患者数字孪生130改进患者信息的现有建模。患者数字孪生130提供新的、改进的患者信息表示和用于模拟患者健康结果的概念。患者数字孪生130通过向此类系统提供用于数据检索、数据更新、建模、模拟、预测等、先前未能从静态患者数据表中获得的新孪生或新模型来改进健康信息系统和分析处理器。患者数字孪生130帮助解决患者数据的静态、脱节以及患者信息、医学知识、护理可及性、成本、社会背景和个人选择之间缺乏联系的问题，以主动提供患者护理并改进健康结果。
患者数字孪生130提供了改进患者记录和交互技术的新的、有益表示以及用于患者信息建模的新的、创新数据结构。例如，患者数字孪生130用作驱动人工智能算法的数据集。例如，患者数字孪生130不仅提供要查询搜索结果的表格或数据记录，而且还为患者110及他/她护理提供者提供共享的增强现实体验。例如，患者数字孪生130用作数据集以驱动护理专业人员对患者110的护理计划和交付。例如，患者数字孪生130还有利于向患者110及他/她护理团队传递护理指令，以及对这些指令建模并监测其进展。
因此，患者信息和医学知识可一起数字化并组合到患者数字孪生130中，以提供以有组织的方式检查和处理数据的基础结构，从而作出有效的医学决策。例如，也可将附加数据诸如家族史、健康的社会决定因素等结合到数字孪生130中，并利用这些数据来诊断和治疗患者110。例如，当数据流入健康护理系统中时，与患者110相关联的数据可通过患者数字孪生130来表示，并且数字孪生130可提供用于诊断和建模的机构，而不必看到实际患者110。可从非固定的EMR、RIS、PACS等获得信息，并将其并入数字孪生130中以改进、更新患者110的模型。在某些时间(例如，术前和术后、检查前等)，可将医学知识应用于患者数字孪生130，其基于患者110的病症、设定等在不同情况下具有不同的行为特征。患者数字孪生130表示数字版的患者110，其形成组合了数字患者知识、数字医学知识和社会知识的用以改进患者健康结果的规则/算法驱动的护理管理系统的中心点。
在某些示例中，患者数字孪生130形成模型，该模型可与传输函数一起使用以在数学上表示或建模对患者110的输入和来自该患者的输出(例如，物理改变、精神改变、症状等，以及由此产生的病症、效果等)。例如，传输函数帮助数字孪生130生成并建模患者110属性和/或评估指标。在某些示例中，可基于分析等对变化建模，并且可使用建模的变化经由患者数字孪生130来评估患者110的可能的健康结果。
机器学习示例
例如，机器学习技术(无论是深度学习网络还是其他经验/观察学习系统)可用于对数字孪生130中的信息建模并且/或者利用患者数字孪生130来分析和/或预测患者110的结果。深度学习是使用一组算法的机器学习的子集，以使用具有包括线性和非线性转换的多个处理层的深度曲线图来对数据中的高级抽象建模。虽然许多机器学习系统植入有通过学习和更新机器学习网络来进行修改的初始特征和/或网络权重，但是深度学习网络训练本身来识别“良好”特征用于分析。使用多层架构，采用深度学习技术的机器可以比使用常规机器学习技术的机器更好地处理原始数据。使用不同的评估或抽象层有利于检查高度相关值或独特主题的组的数据。
深度学习是一类采用表示学习方法的机器学习技术，其允许向机器给出原始数据并确定数据分类所需的表示。深度学习使用用于改变深度学习机器的内部参数(例如，节点权重)的反向传播算法来确定数据集中的结构。深度学习机器可以利用各种多层架构和算法。例如，在机器学习涉及用于训练网络的特征的识别时，深度学习处理原始数据以识别感兴趣的特征而无需外部识别。
神经网络环境中的深度学习包括被称为神经元的许多互连节点。从外部源激活的输入神经元基于到由机器参数控制的其他神经元的连接来激活那些其他神经元。神经网络基于其自身的参数以某种方式表现。学习可以细化机器参数，并且可以通过扩展网络中的神经元之间的连接，使得神经网络以期望的方式表现。
利用卷积神经网络(CNN)的深度学习使用卷积过滤器对数据进行分隔，以定位和识别数据中的学习的可观察特征。CNN架构的每个过滤器或层都对输入数据进行转换以增加数据的选择性和不变性。这种数据抽象允许机器专注于其试图分类的数据中的特征并忽略不相关的背景信息。
另选地或除了CNN之外，还可使用深度残差网络。在深度残差网络中，相对于网络的堆叠非线性内部层明确定义期望的底层映射。使用前馈神经网络，深度残差网络可包括略过一个或多个内部层以连接节点的快捷连接。可通过具有反向传播的随机梯度下降(SGD)来端对端地训练深度残差网络，诸如上所述。
深度学习在理解许多数据集包括高级特征(包括低级特征)的条件下操作。例如，在检查图像时，更有效的是寻找形成基序的边缘，而不是寻找形成对象，所述基序形成构成所寻找的对象的部分。这些特征层次可以在许多不同形式的数据中找到，诸如语音和文本等。
学习到的可观察特征包括机器在监督学习期间学习的对象和可量化规律。提供有一大组分类良好的数据的机器能够更好地装备以区分和提取与新数据的成功分类有关的特征。
利用转移学习的深度学习机器可将数据特征正确地连接到由人类专家确认的某些分类。相反，相同机器可以在人类专家通知分类不正确时更新用于分类的参数。例如，设置和/或其他配置信息可以通过学习使用设置和/或其他配置信息来引导，并且当系统被更多地(例如，重复地和/或由多个用户)使用时，可以针对给定情况减少设置和/或其他配置信息的许多变体和/或其他可能性。
例如，可以在一组专家分类数据上训练示例深度学习神经网络。该组数据构建了神经网络的第一参数，并且这将是监督学习的阶段。在监督学习阶段期间，可以测试神经网络是否已经实现期望的行为。
一旦已经实现期望的神经网络行为(例如，已经训练机器根据指定的阈值等操作)，就可以部署机器以供使用(例如，用“真实”数据等测试机器)。在操作期间，可以确认或拒绝神经网络分类(例如，通过专家用户、专家系统、参考数据库等)以继续改进神经网络行为。然后，当基于正在进行的交互来更新确定神经网络行为的用于分类的参数时，示例神经网络处于转移学习状态。在某些示例中，神经网络可以向另一个过程提供直接反馈。在某些示例中，神经网络输出在被提供给另一个过程之前被缓冲和被验证的数据(例如，经由云等)。
使用卷积神经网络(CNN)的深度学习机器可以用于数据分析。CNN分析的阶段可以用于自然图像、计算机辅助诊断(CAD)等中的面部识别。
深度学习机器可以提供计算机辅助检测支持，以改进针对患者110的图像分析以及计算机辅助诊断。例如，监督深度学习可以帮助降低对错误分类的敏感性。深度学习机器可以在与医生交互时利用转移学习来抵消监督培训中可用的小数据集。这些深度学习机器可以通过培训和转移学习来随着时间的推移改进其计算机辅助诊断。
图14表示可用于实现患者数字孪生130的示例深度学习神经网络1400。示例神经网络1400包括层1420、1440、1460和1480。层1420和1440与神经连接1430连接。层1440和1460与神经连接1450连接。层1460和1480与神经连接1470连接。数据经由输入1412、1414、1416从输入层1420向前流到输出层1480并到达输出1490。
层1420是输入层，其在图14的示例中包括多个节点1422、1424、1426。层1440和1460是隐藏层，并且在图14的示例中包括节点1442、1444、1446、1448、1462、1464、1466、1468。神经网络1400可包括比所示更多或更少的隐藏层1440和1460。层1480是输出层，并且在图14的示例中包括具有输出1490的节点1482。每个输入1412至1416对应于输入层1420的节点1422至1426，并且输入层1420的每个节点1422至1426具有到隐藏层1440的每个节点1442至1448的连接1430。隐藏层1440的每个节点1442至1448具有到隐藏层1460的每个节点1462至1468的连接1450。隐藏层1460的每个节点1462至1468具有到输出层1480的连接1470。输出层1480具有输出1490以提供来自示例神经网络1400的输出。
在连接1430、1450和1470中，某些示例连接1432、1452、1472可被赋予增加的权重，而其他示例连接1434、1454、1474可在神经网络1400中被赋予较小的权重。例如，通过经由输入1412至1416接收输入数据来激活输入节点1422至1426。分别通过使数据经由连接1430和1450向前流过网络1400来激活隐藏层1440和1460的节点1442至1448和1462至1468。在经由连接1470发送在隐藏层1440和1460中处理的数据之后，激活输出层1480的节点1482。当输出层1480的输出节点1482被激活时，节点1482基于在神经网络1400的隐藏层1440和1460中完成的处理来输出适当的值。
示例健康护理系统和环境
健康信息(也称为健康护理信息和/或健康护理数据)涉及由健康护理实体生成和/或使用的信息。例如，健康信息可为与一个或多个患者的健康相关联的信息。健康信息可包括如《健康保险便利和责任法案》(HIPAA)中所述的受保护健康信息(PHI)，该信息被识别为与特定患者相关联并且受到保护而免于未经授权的公开。健康信息可编组为内部信息和外部信息。内部信息包括患者就诊信息(例如，患者专用数据、聚合数据、比较数据等)和一般健康护理操作信息等。外部信息包括比较数据、专家和/或基于知识的数据等。信息可既具有临床(例如，诊断、治疗、预防等)又具有行政(例如，调度、计费、管理等)用途。
具有复杂网络支持环境并且有时具有无序驱动过程流的机构(诸如健康护理机构)利用敏感信息(例如，个人隐私)流的安全处理和安全防护。随着对此类信息交换的灵活性、容积和速度的需求的增长，对信息的安全处理和安全防护的需要增加。例如，健康护理机构对不同位置之间敏感患者受保护健康信息(PHI)的交换和存储提供增强的控制和安全防护，以在典型地具有患者对医院服务的无序驱动需求的操作环境中改进医院运营效率。在某些示例中，患者识别信息可根据数据存储位置以及数据访问权限持有者而被掩蔽或甚至从某些数据剥离。在一些示例中，已经“去识别”的PHI可基于密钥和/或其他编码器/解码器而重新识别。
健康护理信息技术基础结构可以适于服务于多种商业利益同时提供临床信息和服务。此类基础结构可包括集中能力，其包括例如数据储存库、报告、分立的数据交换/连接性、“智能”算法、个性化/消费者决策支持等。例如，该集中能力向多个用户提供信息和功能，这些用户包括医疗设备、电子记录、访问门户、绩效薪酬(P4P)、慢性病模型和临床健康信息交换/区域健康信息组织(HIE/RHIO)和/或企业医药研究、住宅健康。
多个数据源的互连帮助实现患者护理团队的所有相关成员的参与并且帮助改进对患者的行政和管理的负担以便管理其护理。具体地讲，使患者的电子病历和/或其他医疗数据互连可帮助改进患者护理和患者信息的管理。此外，通过提供自动适于患者的特定和改变的健康状况的工具而有利于患者护理遵从并且提供全面教育和遵从工具来推动积极的健康结果。
在某些示例中，可使用多种数据库和存储技术和数据格式在多个应用之间传播健康护理信息。为了对跨这些应用驻存的数据提供共同接口和访问，可提供连接性框架(CF)，其利用共同数据和服务模型(CDM和CSM)和面向服务技术(诸如企业服务总线(ESB))来提供对数据的访问。
在某些示例中，多种用户界面框架和技术可用于建立对于健康信息系统的应用，其包括但不限于
Figure BDA0002300731060000221
ASP.NET、
Figure BDA0002300731060000222
Figure BDA0002300731060000223
WindowsPresentation Foundation、
Figure BDA0002300731060000224
Web Toolkit、
Figure BDA0002300731060000225
Silverlight、等。应用可由信息小程序库组成来显示例如多内容和多媒体信息。此外，框架使用户能够定制应用的布局并且与底层数据交互。
在某些示例中，具有现代技术堆叠的先进的面向服务的架构(SOA)帮助提供稳健的互操性、可靠性和性能。示例SOA包括三重互操性策略，其包括中央储存库(例如，从健康等级七(HL7)事务构建的中央储存库)、对于在联邦环境中运作的服务和与第三方应用的视觉集成。某些示例提供在健康护理组织之间实现即插即用内容交换的便携式内容。使用共同标准的标准化词汇(例如，LOINC、SNOMED CT、RxNorm、FDB、ICD-9、ICD-10、CCDA等)用于例如互操性。某些示例提供直观用户界面以帮助使最终用户培训最小化。某些示例有利于直接从桌面界面的用户发起的第三方应用启动以通过共享用户、患者和/或其他背景而帮助提供无缝工作流。某些示例提供来自一个或多个信息技术(IT)系统的实时(或假设某一系统延迟而导致的至少基本实时)患者数据并且有利于与基于证据的最佳实践的比较。某些示例对于特定患者集提供一个或多个仪表板。仪表板可基于条件、作用和/或其他准则来指示相对于例如期望实践的变化。
示例健康护理信息系统
信息系统可定义为信息/数据、过程和信息技术的布置，它们进行交互来收集、处理、存储和提供信息输出以支持健康护理到一个或多个患者的交付。信息技术包括计算机技术(例如，硬件和软件)连同数据和电信技术(例如，数据、图像和/或语音网络等)。
现在转向附图，图15示出了示例集中于健康护理的信息系统1500的框图。示例系统1500可被配置为实现多种系统(例如，调度器1010、护理系统1020、护理生态系统1030、监测系统1040等)和过程，该过程包括图像存储(例如，图像存档与通信系统(PACS)等)、图像处理和/或分析、放射学报告和/或查看(例如，放射学信息系统(RIS)等)、计算机化提供方医嘱录入(CPOE)系统、临床决策支持、患者监测、人群健康管理(例如，人群健康管理系统(PHMS)、健康信息交换(HIE)等)、健康护理数据分析、基于云的图像共享、电子病历(例如，电子病历系统(EMR)、电子健康记录系统(EHR)、电子患者记录(EPR)、个人健康记录系统(PHR)等)和/或其他健康信息系统(例如，临床信息系统(CIS)、医院信息系统(HIS)、患者数据管理系统(PDMS)、实验室信息系统(LIS)、心血管信息系统(CVIS)等)。
如图15所示，示例信息系统1500包括输入1510、输出1520、处理器1530、存储器1540和通信接口1550。示例系统1500的部件可集成在一个设备中或分布在两个或更多个设备上。
示例输入1510可包括键盘、触摸屏、鼠标、轨迹球、触控板、光学条形码识别、语音命令等或其组合，用于将指令或数据传递到系统1500。示例输入1510可包括系统之间、用户和系统1500之间等的接口。
示例输出1520可提供由处理器1530生成、用于在监测器等上视觉图示的显示。该显示可采用网络接口或图形用户界面(GUI)的形式以例如经由通信接口1550在计算设备上交换数据、指令或图示。示例输出1520可包括监测器(例如，液晶显示器(LCD)、等离子体显示器、阴极射线管(CRT)等)、发光二极管(LED)、触摸屏、打印机、扬声器或其他常规显示设备或其组合。
示例处理器1530包括硬件和/或使硬件配置为执行一个或多个任务和/或实现特定系统配置的软件。示例处理器1530处理在输入1510接收的数据并且生成可提供给输出1520、存储器1540和通信接口1550中的一个或多个的结果。例如，示例处理器1530可采取经由输入1510提供的关于经由输出1520显示的图像的用户注释并且可基于该注释生成与图像相关联的报告。又如，处理器1530可处理经由输入1510获得的成像协议信息以经由通信接口1550向成像扫描仪提供更新配置。
示例存储器1540可包括关系数据库、面向对象数据库、Hadoop数据结构存储库、数据字典、临床数据存储库、数据仓库、数据集市、供应商中立存档、企业存档等。示例存储器1540存储图像、患者数据、最佳实践、临床知识、分析、报告等。示例存储器1540可存储数据和/或指令以供处理器1530访问(例如，包括患者数字孪生130)。在某些示例中，存储器1540可通过外部系统经由通信接口1550访问。
示例通信接口1550有利于电子数据在一个或多个系统内和/或之间的传输。经由通信接口1550的通信可使用一个或多个协议来实现。在一些示例中，经由通信接口1550的通信根据一个或多个标准(例如，医学数字成像和通信(DICOM)、健康等级七(HL7)、ANSIX12N等)或专用系统发生。示例通信接口1550可为有线接口(例如，数据总线、通用串行总线(USB)连接等)和/或无线接口(例如，射频、红外(IR)、近场通信(NFC)等)。例如，通信接口1550可经由有线局域网(LAN)、无线LAN、广域网(WAN)等使用任何过去、目前或未来通信协议(例如，BLUETOOTHTM、USB 2.0、USB 3.0等)来传递。
在某些示例中，基于网络的门户或应用编程接口(API)可用来有利于对信息、协议库、成像系统配置、患者护理和/或实践管理等的访问。经由基于网络的门户而可用的信息和/或功能可包括医嘱录入、实验室测试结果查看系统、患者信息、临床决策支持、药物管理、调度、电子邮件和/或消息传递、医疗资源等中的一个或多个。在某些示例中，基于浏览器的界面可充当零占用空间、零下载和/或对于客户端设备的其他通用查看器。
在某些示例中，基于网络的门户或API充当访问例如信息和应用的中央接口。数据可通过例如基于网络的门户或查看器来查看。另外，可例如使用基于网络的门户来操纵和传播数据。例如，可生成、修改、存储和/或使用数据并且然后例如经由基于网络的门户将其传递到另一应用或系统以供修改、存储和/或使用。
例如，基于网络的门户或API可本地(例如，在办公室中)和/或远程(例如，经由互联网和/或其他专用网络或连接)访问。例如，基于网络的门户可被配置为在访问数据和/或功能以有利于患者护理和实践管理方面帮助或指导用户。在某些示例中，基于网络的门户可例如根据某些规则、偏好和/或功能来配置。例如，用户可根据特定期望、偏好和/或要求来定制网络门户。
示例健康护理基础结构
图16示出了示例健康护理信息基础结构1600的框图，该基础结构包括一个或多个子系统(例如，调度器1010、护理系统1020、护理生态系统1030、监测系统1040等)，诸如在图15中示出的示例健康护理相关信息系统1500。示例健康护理系统1600包括成像模态1604、RIS 1606、PACS 1608、接口单元1610、数据中心1612和工作站1614。在例示的示例中，扫描仪/模态1604、RIS 1606和PACS 1608被容纳在健康护理机构中并且在本地存档。然而，在其他具体实施中，成像模态1604、RIS1606和/或PACS1608可以容纳在一个或多个其他合适的位置内。在某些具体实施中，PACS 1608、RIS 1606、模态1604等中的一个或多个可以经由瘦客户端和/或可下载的软件解决方案远程实现。此外，健康护理系统1600的一个或多个部件可以组合在一起和/或一起实现。例如，RIS 1606和/或PACS 1608可以与成像扫描仪1604集成；PACS 1608可以与RIS 1606集成；和/或三个示例系统1604、1606和/或1608可以集成在一起。在其他示例具体实施中，健康护理系统1600包括所示系统1604、1606和/或1608的子集。例如，健康护理系统1600可以只包括模态1604、RIS 1606和/或PACS 1608中的一个或两个。可以由健康护理从业者(例如，放射科医师、医生、和/或技术人员)和/或管理员在患者检查之前和/或之后将信息(例如，日程安排、测试结果、检查图像数据、观察、诊断等)输入扫描仪1604、RIS 1606和/或PACS 1608中。成像扫描仪1604、RIS 1606和/或PACS 1608中的一个或多个可以与操作室、病房等中的设备和系统通信，以跟踪活动、关联信息、生成报告和/或后续行动等。
RIS 1606存储信息，诸如例如放射学报告、放射学检查图像数据、消息、警告、警报、患者调度信息、患者人口统计数据、患者跟踪信息和/或医生和患者状态监测器。另外，RIS 1606使得能够录入检查顺序(例如，对患者的x射线检查进行排序)以及跟踪图像和胶片(例如，跟踪已经检查出胶片的一个或多个人的身份)。在一些示例中，根据HL-7(健康级别七)临床通信协议来格式化RIS 1606中的信息。在某些示例中，医学检查分发器位于RIS1606中，以有利于将放射学检查分发给放射科医师工作量，以便由例如管理员查看和管理检查分发。
PACS 1608将医学图像(例如，x射线、扫描、三维渲染等)存储为例如数据库或注册表中的数字图像。在一些示例中，使用医学数字成像和通信(DICOM)格式将医学图像存储在PACS 1608中。在对患者医学成像之后，图像由健康护理从业者(例如，成像技术人员、医生、放射科医师)存储在PACS 1608中和/或自动从医学成像设备传输到PACS 1608以进行存储。在一些示例中，PACS 1608还可以包括显示设备和/或查看工作站，以使得健康护理从业者或提供者能够与PACS 1608通信。
接口单元1610包括医院信息系统接口连接1616、放射学信息系统接口连接1618、PACS接口连接1620和数据中心接口连接1622。接口单元1610有利于成像模态1604、RIS1606、PACS 1608和/或数据中心1612之间的通信。接口连接1616、1618、1620和1622可以通过例如广域网(WAN)诸如专用网络或互联网来实现。因此，接口单元1610包括一个或多个通信部件，诸如例如以太网设备、异步传输模式(ATM)设备、802.11设备、DSL调制解调器、电缆调制解调器、蜂窝调制解调器等。继而，数据中心1612经由网络1624与在多个位置(例如，医院、诊所、医生办公室、其他医疗办公室或终端等)实现的工作站1614通信。网络1624由例如互联网、内联网、专用网络、有线或无线局域网和/或有线或无线广域网实现。在一些示例中，接口单元210还包括代理(例如，Mitra Imaging的PACS代理)，以允许医疗信息和医学图像一起传输并一起存储。
接口单元1610经由接口连接1616、1618、1620从信息系统1604、1606、1608接收图像、医学报告、管理信息、检查工作量分发信息和/或其他临床信息。如果必要(例如，当接收到的信息的不同格式不兼容时)，接口单元1610将医疗信息(诸如医学报告)转译或重新格式化(例如，为结构化查询语言(“SQL”)或标准文本)以便正确存储在数据中心1612。可以使用传输协议来传输重新格式化的医疗信息，以使得不同的医疗信息能够共享共同的识别元素，诸如患者姓名或社会保障号。接下来，接口单元1610经由数据中心接口连接1622将医疗信息传输到数据中心1612。最后，医学信息以例如DICOM格式存储在数据中心1612中，这使得医学图像和相对应的医疗信息能够一起传输和存储。
稍后可以在工作站1614处查看并且可以容易地检索这些医疗信息(例如，通过它们的共同识别元素，诸如患者姓名或记录号)。工作站1614可以是能够执行允许获取、存储或传输电子数据(例如，医学报告)和/或电子医学图像(例如，x射线、超声波、MRI扫描等)以供查看和操作的软件的任何设备(例如，个人计算机)。工作站1614经由例如键盘、鼠标、轨迹球、麦克风等从用户接收命令和/或其他输入。工作站1614能够实现用户界面1626以使得健康护理从业者和/或管理员能够与健康护理系统1600进行交互。例如，响应于来自医生的请求，用户界面1626呈现患者病史。在其他示例中，放射科医师能够经由用户界面1626检索和管理所分发的检查工作量以进行查看。在另外的示例中，管理员经由用户界面1626查看与检查分发相关联的放射科医师工作量、检查分配和/或操作统计。在一些示例中，管理员经由用户界面1626调整一个或多个设置或结果。
图16的示例数据中心1612是存储诸如图像、数据、医学报告和/或更一般地患者病历之类的信息的存档。此外，数据中心1612还可以作为前往位于其他源的信息的中央管道，其他源诸如例如本地存档、医院信息系统/放射学信息系统(例如，HIS 1604和/或RIS1606)，或医学成像/存储系统(例如，PACS 1608和/或连接的成像模态)。也就是说，数据中心1612可以存储前往信息的连接或指示符(例如，标识号、患者姓名或记录号)。在例示的示例中，数据中心1612由应用服务器提供方(ASP)管理，并且位于可以由多个系统和设施(例如，医院、诊所、医生办公室、其他医疗办公室，和/或终端)访问的中央位置。在一些示例中，数据中心1612可以在空间上远离成像模态1604、RIS 1606和/或PACS 1608。在某些示例中，数据中心1612可以位于云中(例如，在基于云的服务器、边缘设备等上)。
图16的示例数据中心1612包括服务器1628、数据库1630和记录组织器1632。服务器1628在其与健康护理系统1600的部件之间接收、处理和传送信息。数据库1630存储本文所述的医疗信息并提供对其的访问。例如，图16的示例记录组织器1632管理患者病历。例如，记录组织器1632还可以辅助规程调度。
某些示例可以实现为基于云的临床信息系统和相关联的使用方法。示例基于云的临床信息系统使得健康护理实体(例如，患者、临床医生、站点、组、社区和/或其他实体)能够经由基于网络的应用、云存储和云服务来共享信息。例如，基于云的临床信息系统可以使得第一临床医生能够将信息安全地上传到基于云的临床信息系统中，以允许第二临床医生经由网络应用查看和/或下载该信息。因此，例如，第一临床医生可以将x射线成像协议上传到基于云的临床信息系统中，并且第二临床医生可以经由网络浏览器查看和下载该x射线成像协议和/或将该x射线成像协议下载到第二临床医生采用的本地信息系统上。
在某些示例中，例如，用户(例如，患者和/或护理提供者)可以经由云或其他计算机网络上的软件即服务(SaaS)实现来访问由系统1600提供的功能。在某些示例中，系统1600的全部或部分也可以经由平台即服务(PaaS)、基础结构即服务(IaaS)等来提供。例如，系统1600可以被实现为云交付的移动计算集成平台即服务。例如，一组面向消费者的基于网络的、移动的和/或其他应用使得用户能够与PaaS交互。
工业互联网示例
物联网(也称为“工业互联网”)涉及可以使用互联网连接与网络上的其他设备和/或应用通话的设备之间的互连。使用该连接，设备可以通信以触发事件/动作(例如，改变温度、打开/关闭、提供状态等)。在某些示例中，机器可以与“大数据”合并以改进效率和操作，提供改进的数据挖掘，有利于更好的操作等。
大数据可以指代使用传统的数据处理工具/方法变得难以处理的庞大和复杂的数据集合。与大型数据集相关联的挑战包括数据捕获、排序、存储、搜索、传输、分析和可视化。朝向更大数据集的趋势至少部分地归因于可从单个大数据集的分析中得到的附加信息，而不是对多个单独的、较小数据集的分析。通过分析单个大数据集，可以找到数据中的相关性，并且可以评估数据质量。
图17示出了示例工业互联网配置1700。示例配置1700包括经由工业互联网基础结构1700通信的多个集中于健康护理的系统1710至1712，诸如多个健康信息系统1500(例如，PACS、RIS、EMR、PHMS和/或其他调度器1010、护理系统1020、护理生态系统1030、监测系统1040等)。示例工业互联网1700包括经由云1720与服务器1730和相关联的数据存储1740通信的多个健康相关信息系统1710至1712。
如图17的示例中所示，多个设备(例如，信息系统、成像模态等)1710至1712可以访问云1720，该云将设备1710至1712与服务器1730和相关联的数据存储1740连接。例如，信息系统包括用于经由云1720与服务器1730和数据存储1740交换信息的通信接口。诸如医学成像扫描仪、患者监测器等的其他设备可以配备有传感器和通信接口，以使得它们能够彼此通信并且经由云1720与服务器1730通信。
因此，系统1700内的机器1710至1712变得“智能”，成为具有高级传感器、控制件、基于分析的决策支持和托管软件应用的网络。使用这样的基础结构，可以对相关联数据提供高级分析。该分析组合了基于物理的分析、预测算法、自动化和深度域专业知识。例如，经由云1720，可以连接设备1710至1712和相关联的人以支持更智能的设计、操作、维护以及更高的服务器质量和安全。
例如，使用工业互联网基础结构，可以从设备1710中提取专用机器数据流。基于机器的算法和数据分析应用于提取的数据。数据可视化可以在远程、在中央等。然后，与授权用户共享数据，并且任何收集的智能被反馈到机器1710至1712。
虽然过去几十年来在工业设备自动化方面取得了进步，而且资产变得“更加智能”，但与多个智能设备连接在一起时可获得的智能相比，任何单个资产的智能都相形见绌。例如，如果开发和应用适当的工业特定数据收集和建模技术，则收集从多个资产或围绕多个资产聚合的数据可以使得用户能够改进业务流程，例如通过改进资产维护的有效性或改进运营绩效。
在一个示例中，可以记录来自一个或多个传感器的数据或将其传输到基于云的或其他远程计算环境。通过在基于云的计算环境中分析此类数据而获得的见解可以导致增强的资产设计，或者用于在其边缘(即在其预期或可用操作条件的两端)操作相同或类似资产的增强软件算法。例如，与患者110相关联的传感器可以补充患者数字孪生130的建模信息，其可以在基于云的计算环境中存储和/或以其他方式实例化，以供多个系统相对于患者110访问。
本文所述的系统和方法可以包括使用“云”或远程或分布式计算资源或服务。例如，云可以用于接收、中继、传输、存储、分析或以其他方式处理用于或关于患者110和他/她的数字孪生130的信息。在一个示例中，云计算系统包括至少一个处理器电路、至少一个数据库，以及与云计算系统进行数据通信的多个用户或资产。该云计算系统还可以包括或可以与被配置为执行特定任务的一个或多个其他处理器电路或模块耦接，诸如经由数字孪生130执行与患者监测、诊断、治疗、调度等相关的任务。
数据挖掘示例
成像信息学包括确定如何以逻辑、结构化和机器可读格式标记和索引在诊断成像中获取的大量数据。通过逻辑地构造数据，可以由表示临床路径和决策支持系统的算法来发现和利用信息。数据挖掘可用于帮助确保患者安全，减少治疗差异，提供临床决策支持等。从放射学报告以及实际图像像素数据中挖掘结构化和非结构化数据两者可用于标记和索引成像报告和相关联图像本身。例如，数据挖掘可用于向患者数字孪生130提供信息。
示例使用方法
临床工作流通常被定义为包括响应于一个或多个事件和/或根据时间表要采取的一个或多个步骤或行动。事件可以包括接收与临床记录的一个或多个方面相关联的健康护理消息，打开新患者的记录，接收转移的患者，就图像进行查看和报告，执行针对特定护理的指令，签署关于出院的指令，和/或需要或指示响应性动作或处理的任何其他实例和/或情况。临床工作流的动作或步骤可包括下达进行一个或多个临床测试的订单，规程调度，请求某些信息以补充所接收的健康护理记录，检索与患者相关联的附加信息，向患者和/或与患者的治疗相关联的健康护理从业者提供指令，放射学图像阅片，调度室清洁和/或患者运送，和/或用于处理健康护理信息或使得关键路径护理活动进展的任何其他动作。所定义的临床工作流可以包括例如管理员或从业者要采取的人工动作或步骤，系统或设备要采取的电子动作或步骤，和/或人工和电子动作和步骤的组合。虽然健康护理企业的一个实体可以以第一方式为特定事件定义临床工作流，但是健康护理企业的第二实体可以以第二不同方式定义该事件的临床工作流。换句话讲，不同的健康护理实体可以以不同的方式处理或响应相同的事件或环境。工作流方法的差异可能源于不同健康护理实体之间不同的偏好、能力、要求或义务、标准、协议等。
在某些示例中，对患者进行的医学检查可以涉及由健康护理从业者(诸如放射科医师)进行查看，以从例如检查中获得诊断信息。在医院环境中，可以为多个患者订购医学检查，所有这些医学检查都需要由检查从业者进行查看。每个检查都有相关联的属性，诸如模态、接受检查的人类身体部位，和/或与患者危急程度相关的检查优先级。在管理检查的分发以供从业者查看时，医院管理员可以考虑检查属性以及人员可用性、人员证书和/或制度因素，诸如服务水平协议和/或间接成本。
可以有利于附加工作流，诸如账单处理、收入周期管理、人口健康管理、患者身份、同意管理等。
虽然结合图1至图17示出了示例具体实施，但结合图1至图17示出的元件、过程和/或设备可以任何其他方式组合、划分、重新布置、省略、消除和/或实现。此外，本文所公开和描述的部件可通过硬件、机器可读指令、软件、固件和/或硬件、机器可读指令、软件和/或固件的任何组合实现。因此，例如，本文公开和描述的部件可通过模拟和/或数字电路、逻辑电路、可编程处理器、专用集成电路(ASIC)、可编程逻辑器件(PLD)和/或现场可编程逻辑器件(FPLD)实现。在阅读本专利的任何装置或系统权利要求书以涵盖纯粹的软件和/或固件具体实施时，所述部件中的至少一个由此被明确地定义为包括存储软件和/或固件的有形计算机可读存储设备或存储盘，诸如存储器、数字通用光盘(DVD)、光盘(CD)、蓝光盘等。
代表用于实现本文所公开和描述的部件的示例机器可读指令的流程图结合图1至图17示出。在这些示例中，机器可读指令包括由处理器诸如下文结合图18讨论的示例处理器平台1800中所示的处理器1812执行的程序。该程序可体现在存储在有形计算机可读存储介质(诸如CD-ROM、软盘、硬盘驱动器、数字通用光盘(DVD)、蓝光盘或与处理器1812相关联的存储器)上的机器可读指令中，但整个程序和/或其部分可以另选地由除处理器1812之外的设备执行和/或体现在固件或专用硬件中。此外，尽管参考至少结合图9、图11、图12、图13示出的流程图描述了示例程序，但是可另选地使用实现本文公开和描述的部件的许多其他方法。例如，框的执行顺序可被改变，并且/或者所述框中的一些可被改变、消除或组合。尽管至少图9和图11至图13的流程图以示出的顺序描绘了示例操作，但是这些操作不是穷举性的，并且不限于示出的顺序。此外，本领域的技术人员可在本公开的精神和范围内作出各种改变和修改。例如，流程图中所示的框可以替代顺序执行或者可以并行地执行。
如上所述，至少图2至图8、图9、图11至图13和图14的示例数据结构和/或过程可使用存储在有形计算机可读存储介质上的编码指令(例如，计算机和/或机器可读指令)来实现，所述有形计算机可读存储介质诸如硬盘驱动器、闪存存储器、只读存储器(ROM)、光盘(CD)、数字通用光盘(DVD)、高速缓存、随机存取存储器(RAM)和/或任何其他存储设备或存储盘，其中信息被存储任何持续时间(例如，延长的时间段、永久、短暂、用于暂时缓存和/或用于信息的高速缓存)。如本文所用，术语有形计算机可读存储介质被明确定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号并排除传输介质。如本文所用，“有形计算机可读存储介质”和“有形机器可读存储介质”可互换使用。附加地或另选地，至少图2至图8、图9、图11至图13和图14的示例数据结构和过程可使用存储在非暂态计算机和/或机器可读存介质上的编码指令(例如，计算机和/或机器可读指令)来实现，所述非暂态计算机和/或机器可读存介质诸如硬盘驱动器、闪存存储器、只读存储器、光盘、数字通用光盘、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，其中信息被存储任何持续时间(例如，延长的时间段、永久、短暂、用于暂时缓存和/或用于信息的高速缓存)。如本文所用，术语非暂态计算机可读介质被明确定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号并排除传输介质。如本文所用，当短语“至少”用作权利要求的前言中的过渡术语时，其为开放式的，与术语“包含”为开放式的方式相同。此外，术语“包括”为开放式的，与术语“包含”为开放式的方式相同。
图18是被构造成执行至少图9和图11至图13的指令以实现本文公开和描述的示例部件的示例处理器平台1800的框图。处理器平台1800可为例如服务器、个人计算机、移动设备(例如，手机、智能电话、平板电脑诸如iPadTM)、个人数字助理(PDA)、互联网设备或任何其他类型的计算设备。
例示的示例的处理器平台1800包括处理器1812。例示的示例的处理器1812为硬件。例如，处理器1812可由来自任何期望的系列或制造商的集成电路、逻辑电路、微处理器或控制器实现。
例示的示例的处理器1812包括本地存储器1813(例如，高速缓存)。图18的示例处理器1812执行至少图9和图11至图13的指令，以实现患者数字孪生130和相关联的调度系统1010、护理系统1020、护理生态系统1030、监测系统1040等。例示的示例的处理器1812经由总线1818与包括易失性存储器1814和非易失性存储器1816的主存储器通信。易失性存储器1814可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现。非易失性存储器1816可通过闪存存储器和/或任何其他期望类型的存储器设备来实现。对主存储器1814、1816的访问由时钟控制器控制。
例示的示例的处理器平台1800还包括接口电路1820。接口电路1820可通过任何类型的接口标准来实现，诸如以太网接口、通用串行总线(USB)和/或PCI express接口。
在例示的示例中，一个或多个输入设备1822连接到接口电路1820。输入设备1822允许用户将数据和命令输入到处理器1812中。输入设备可通过例如传感器、麦克风、相机(静态或视频)、键盘、按钮、鼠标、触摸屏、跟踪板、轨迹球、等点鼠标(isopoint)和/或语音识别系统来实现。
一个或多个输出设备1824也连接到例示的示例的接口电路1820。输出设备1824可例如通过显示设备(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、触觉输出设备和/或扬声器)来实现。因此，例示的示例的接口电路1820通常包括图形驱动卡、图形驱动芯片或图形驱动处理器。
例示的示例的接口电路1820还包括通信设备，诸如发射器、接收器、收发器、调制解调器和/或网络接口卡，以有利于经由网络1826(例如，以太网连接、数字用户线路(DSL)、电话线、同轴电缆、蜂窝电话系统等)与外部机器(例如，任何类型的计算设备)交换数据。
例示的示例的处理器平台1800还包括用于存储软件和/或数据的一个或多个海量存储设备1828。此类海量存储设备1828的示例包括软盘驱动器、硬盘驱动器、光盘驱动器、蓝光光盘驱动器、RAID系统和数字通用光盘(DVD)驱动器。
图18的编码指令1832可存储在大容量存储设备1828中、易失性存储器1814中、非易失性存储器1816中和/或可移动的有形计算机可读存储介质(诸如CD或DVD)上。
根据前述内容，应当理解，已公开了上述公开的方法、装置和制品以创建和动态更新患者数字孪生，患者数字孪生可用于患者模拟、分析、诊断和治疗以改进患者健康结果。
虽然本文已经描述了某些示例方法、装置和制品，但本专利的覆盖范围并不限于此。相反，该专利涵盖了完全落在本专利权利要求范围内的所有方法、装置和制品。

Claims (23)

1.一种装置，所述装置包括：
处理器和存储器，所述处理器根据第一患者的患者数字孪生配置所述存储器，所述患者数字孪生包括从患者病历数据、图像数据、遗传信息和历史信息的组合创建的数据结构，所述组合从一个或多个信息系统提取并在所述数据结构中布置以形成所述第一患者的数字表示，所述患者数字孪生被布置用于经由所述处理器进行查询和模拟，
所述患者数字孪生可与一个或多个规则组合，使用所述处理器，基于根据所述一个或多个规则所指示的对所述患者数字孪生建模来生成对患者健康结果的推荐。
2.根据权利要求1所述的装置，其中所述患者数字孪生将通过经由机器学习模型的学习来改进。
3.根据权利要求1所述的装置，其中所述数据结构包括伞型身体数据结构和所述伞型身体数据结构内的多个数据结构，所述多个数据结构中的每一个对形成所述伞型身体数据结构的一部分的身体系统建模，所述患者数字孪生使得能够单独分析所述伞型身体数据结构和所述多个身体系统数据结构。
4.根据权利要求1所述的装置，其中验证所述患者数字孪生的所述数据的准确性。
5.根据权利要求1所述的装置，其中所述患者数字孪生用于生成所述患者的可视化和相关联的患者数字孪生数据。
6.根据权利要求1所述的装置，其中所述患者数字孪生用于生成将与所述一个或多个规则交互的风险预测，以基于基于根据所述一个或多个规则所指示的所述风险预测对所述患者数字孪生建模来生成对患者健康结果的所述推荐。
7.根据权利要求1所述的装置，其中还从与实验室信息、人口统计数据或社会历史中的至少一个的组合创建所述患者数字孪生的所述数据结构。
8.根据权利要求1所述的装置，其中所述装置通过与数字医学知识、护理可及性、社会决定因素、个人选择或成本中的至少一个的交互来改进所述患者数字孪生。
9.一种计算机可读存储介质，所述计算机可读存储介质包括指令，所述指令在被执行时使得机器实现至少：
第一患者的患者数字孪生，所述患者数字孪生包括从患者病历数据、图像数据、遗传信息和历史信息的组合创建的数据结构，所述组合从一个或多个信息系统中提取并在所述数据结构中布置以形成所述第一患者的数字表示，所述患者数字孪生被布置用于查询和模拟，
所述患者数字孪生可与一个或多个规则组合，使用所述处理器，基于根据所述一个或多个规则所指示的对所述患者数字孪生建模来生成对患者健康结果的推荐。
10.根据权利要求9所述的计算机可读存储介质，其中所述患者数字孪生将通过经由机器学习模型的学习来改进。
11.根据权利要求9所述的计算机可读存储介质，其中所述数据结构包括伞型身体数据结构和所述伞型身体数据结构内的多个数据结构，所述多个数据结构中的每一个对形成所述伞型身体数据结构的一部分的身体系统建模，所述患者数字孪生使得能够单独分析所述伞型身体数据结构和所述多个身体系统数据结构。
12.根据权利要求9所述的计算机可读存储介质，其中验证所述患者数字孪生的所述数据的准确性。
13.根据权利要求9所述的计算机可读存储介质，其中所述患者数字孪生用于生成所述患者的可视化和相关联的患者数字孪生数据。
14.根据权利要求9所述的计算机可读存储介质，其中所述患者数字孪生用于生成将与所述一个或多个规则交互的风险预测，以基于基于根据所述一个或多个规则所指示的所述风险预测对所述患者数字孪生建模来生成对患者健康结果的所述推荐。
15.根据权利要求9所述的计算机可读存储介质，其中还从与实验室信息、人口统计数据或社会历史中的至少一个的组合来创建所述患者数字孪生的所述数据结构。
16.根据权利要求9所述的计算机可读存储介质，其中所述装置通过与数字医学知识、护理可及性、社会决定因素、个人选择或成本中的至少一个的交互来改进所述患者数字孪生。
17.一种方法，所述方法包括：
使用处理器，从一个或多个信息系统中提取用于第一患者的信息，以形成患者病历数据、图像数据、遗传信息和历史信息的组合；
使用所述处理器，将所述组合布置在存储器中的数据结构中以形成患者数字孪生，所述患者数字孪生形成所述第一患者的数字表示，所述患者数字孪生可与一个或多个规则组合，使用所述处理器，基于根据所述一个或多个规则所指示的对所述患者数字孪生建模来生成对患者健康结果的推荐；以及
使用所述处理器，经由图形用户界面提供对所述存储器中的所述患者数字孪生的访问以进行查询和模拟。
18.根据权利要求17所述的方法，所述方法还包括通过经由机器学习模型的学习来改进所述患者数字孪生。
19.根据权利要求17所述的方法，其中所述数据结构包括伞型身体数据结构和所述伞型身体数据结构内的多个数据结构，所述多个数据结构中的每一个对形成所述伞型身体数据结构的一部分的身体系统建模，所述患者数字孪生使得能够单独分析所述伞型身体数据结构和所述多个身体系统数据结构。
20.根据权利要求17所述的方法，所述方法还包括验证所述患者数字孪生的所述数据的准确性。
21.根据权利要求17所述的方法，所述方法还包括为使用所述患者数字孪生的所述图形用户界面生成所述患者的可视化和相关联的患者数字孪生数据。
22.根据权利要求17所述的方法，所述方法还包括使用所述患者数字孪生来生成将与所述一个或多个规则交互的风险预测，以基于基于根据所述一个或多个规则所指示的所述风险预测对所述患者数字孪生建模来生成对患者健康结果的所述推荐。
23.一种系统，所述系统包括：
装置，所述装置用于根据物理患者的数字孪生配置存储器，所述数字孪生包括：
第一数据结构，所述第一数据结构包括病历数据；
第二数据结构，所述第二数据结构包括图像数据；
第三数据结构，所述第三数据结构包括遗传信息；以及
第四数据结构，所述第四数据结构包括历史信息，
其中所述第一数据结构、第二数据结构、第三数据结构和第四数据结构在所述存储器中组合相关以形成提供所述物理患者的数字表示的数字孪生，所述数字孪生被布置用于查询和模拟。
CN201780091563.8A 2017-06-28 2017-09-14 用于生成患者数字孪生的方法和系统 Withdrawn CN110709938A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/635,805 US20190005200A1 (en) 2017-06-28 2017-06-28 Methods and systems for generating a patient digital twin
US15/635,805 2017-06-28
PCT/US2017/051465 WO2019005184A1 (en) 2017-06-28 2017-09-14 METHODS AND SYSTEMS FOR GENERATING A DIGITAL PATIENT TWIN

Publications (1)

Publication Number Publication Date
CN110709938A true CN110709938A (zh) 2020-01-17

Family

ID=59955715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780091563.8A Withdrawn CN110709938A (zh) 2017-06-28 2017-09-14 用于生成患者数字孪生的方法和系统

Country Status (4)

Country Link
US (1) US20190005200A1 (zh)
EP (1) EP3646331A1 (zh)
CN (1) CN110709938A (zh)
WO (1) WO2019005184A1 (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132955A (zh) * 2020-09-01 2020-12-25 大连理工大学 人体骨骼的数字孪生体构建方法
CN112233747A (zh) * 2020-11-16 2021-01-15 广东省新一代通信与网络创新研究院 一种基于个人数字孪生网络数据分析方法及系统
CN112364070A (zh) * 2020-09-30 2021-02-12 北京仿真中心 一种工业领域人的数字孪生服务方法和系统
CN112395341A (zh) * 2020-11-18 2021-02-23 深圳前海微众银行股份有限公司 一种基于联邦云合作网络的联邦学习管理方法及系统
CN112967788A (zh) * 2021-02-22 2021-06-15 河南省肿瘤医院 一种基于数字孪生的医用报警方法
CN113146632A (zh) * 2021-04-20 2021-07-23 北京洛必德科技有限公司 一种基于数字孪生技术的家用机器人控制方法及系统
CN113592227A (zh) * 2021-06-28 2021-11-02 广州市健齿生物科技有限公司 一种种植体的管理方法、装置及设备
CN114200903A (zh) * 2021-12-13 2022-03-18 中国联合网络通信集团有限公司 自动化工艺生产控制方法、设备及计算机可读存储介质
CN114707076A (zh) * 2022-03-11 2022-07-05 重庆邮电大学 一种个性化物联网实体推荐方法
CN114822849A (zh) * 2022-05-06 2022-07-29 深圳市第二人民医院(深圳市转化医学研究院) 基于数字孪生的数据监测方法、装置、设备和存储介质
CN114864088A (zh) * 2022-04-26 2022-08-05 福建福寿康宁科技有限公司 一种基于医疗健康的数字孪生建立方法、装置和存储介质
CN115862821A (zh) * 2023-02-16 2023-03-28 深圳市汇健智慧医疗有限公司 基于数字孪生的智慧手术室的构建方法及相关装置
CN116052864A (zh) * 2023-02-03 2023-05-02 广东工业大学 基于数字孪生的穿刺手术机器人虚拟测试环境构建方法
WO2023082832A1 (en) * 2021-11-11 2023-05-19 International Business Machines Corporation Ai based context aware multidirectional patient movement
WO2023207793A1 (zh) * 2022-04-26 2023-11-02 吴运良 用于健康决策的人机交互方法、设备和系统
CN117352118A (zh) * 2023-12-06 2024-01-05 惠医(天津)健康科技有限公司 基于移动互联网的多端诊疗交互方法及装置

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190050774A1 (en) * 2017-08-08 2019-02-14 General Electric Company Methods and apparatus to enhance emotional intelligence using digital technology
US11804311B1 (en) * 2017-09-29 2023-10-31 Commure, Inc. Use and coordination of healthcare information within life-long care team
US20190244691A1 (en) * 2018-02-05 2019-08-08 Dharmendra Sushilkumar GHAI Medical record/management system with augmented patient images for rapid retrieval
US11694094B2 (en) 2018-03-21 2023-07-04 Swim.IT Inc Inferring digital twins from captured data
EP3824477A1 (en) * 2018-08-22 2021-05-26 Siemens Healthcare GmbH Data-driven estimation of predictive digital twin models from medical data
US20210005292A1 (en) * 2018-09-25 2021-01-07 Patientory, Inc. System and method of utilizing a user's health data stored over a health care network, for disease prevention
US11182411B2 (en) * 2018-09-28 2021-11-23 Palo Alto Research Center Incorporated Combined data driven and knowledge driven analytics
US10818386B2 (en) * 2018-11-21 2020-10-27 Enlitic, Inc. Multi-label heat map generating system
US11819279B2 (en) * 2018-11-30 2023-11-21 Koninklijke Philips N.V. Patient lumen system monitoring
US10963518B2 (en) * 2019-02-22 2021-03-30 General Electric Company Knowledge-driven federated big data query and analytics platform
US10997187B2 (en) * 2019-02-22 2021-05-04 General Electric Company Knowledge-driven federated big data query and analytics platform
EP3709195B1 (en) * 2019-03-11 2022-08-17 ABB Schweiz AG System and method for interoperable communication between entities with different structures
US11714152B2 (en) * 2019-04-26 2023-08-01 Regents Of The University Of Minnesota Methods for scan-specific artifact reduction in accelerated magnetic resonance imaging using residual machine learning algorithms
US20210049159A1 (en) * 2019-08-15 2021-02-18 International Business Machines Corporation Visualization and Validation of Cardinality-Constrained Groups of Data Entry Fields
US12014823B2 (en) 2019-08-30 2024-06-18 GE Precision Healthcare LLC Methods and systems for computer-aided diagnosis with deep learning models
CN110600132B (zh) * 2019-08-31 2023-12-15 深圳市广宁股份有限公司 基于振动检测的数字孪生智能健康预测方法及装置
CN110853746A (zh) * 2019-10-14 2020-02-28 边缘智能研究院南京有限公司 基于数字孪生的智慧医院系统及其构建方法
EP3809420A1 (en) * 2019-10-15 2021-04-21 Koninklijke Philips N.V. System and method for physiological parameter estimations
US11379727B2 (en) * 2019-11-25 2022-07-05 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for enhancing a distributed medical network
US20210174453A1 (en) * 2019-12-07 2021-06-10 Cerity Services, Inc. Managing risk assessment and services through modeling
US11687778B2 (en) 2020-01-06 2023-06-27 The Research Foundation For The State University Of New York Fakecatcher: detection of synthetic portrait videos using biological signals
US11068046B1 (en) * 2020-01-21 2021-07-20 At&T Intellectual Property I, L.P. Evaluation of digital twins using social automatons
US20210241909A1 (en) * 2020-02-03 2021-08-05 Koninklijke Philips N.V. Method and a system for evaluating treatment strategies on a virtual model of a patient
US11393175B2 (en) 2020-02-06 2022-07-19 Network Documentation & Implementation Inc. Methods and systems for digital twin augmented reality replication of non-homogeneous elements in integrated environments
CN114001771A (zh) * 2020-07-28 2022-02-01 通用电气公司 使用物理辅助机器学习模型诊断增材制造设备的系统及方法
US20220076841A1 (en) * 2020-09-09 2022-03-10 X-Act Science, Inc. Predictive risk assessment in patient and health modeling
US20220230759A1 (en) * 2020-09-09 2022-07-21 X- Act Science, Inc. Predictive risk assessment in patient and health modeling
CN116114031A (zh) * 2020-09-17 2023-05-12 松下电器（美国）知识产权公司 信息处理方法、信息处理装置以及程序
JP2022076084A (ja) * 2020-11-09 2022-05-19 キヤノンメディカルシステムズ株式会社 診療支援装置
US11283863B1 (en) 2020-11-24 2022-03-22 Kyndryl, Inc. Data center management using digital twins
US11944785B2 (en) * 2020-12-04 2024-04-02 Medtronic Minimed, Inc. Healthcare service management via remote monitoring and patient modeling
CN112950758B (zh) * 2021-01-26 2023-07-21 长威信息科技发展股份有限公司 一种时空孪生可视化构建方法及系统
CN113035353A (zh) * 2021-01-30 2021-06-25 周浩 一种数字孪生健康管理系统
US20220310276A1 (en) * 2021-03-23 2022-09-29 The Government of the United States of America, as represented by the Secretary of Homeland Security Platform for collobarative analysis of electronic records
US20220375621A1 (en) * 2021-05-23 2022-11-24 Innovision LLC Digital twin
US11769066B2 (en) * 2021-11-17 2023-09-26 Johnson Controls Tyco IP Holdings LLP Building data platform with digital twin triggers and actions
US11934966B2 (en) 2021-11-17 2024-03-19 Johnson Controls Tyco IP Holdings LLP Building data platform with digital twin inferences
CN114493281A (zh) * 2022-01-27 2022-05-13 中铁第四勘察设计院集团有限公司 一种基于数字孪生的人员检修操作防错引导方法及系统
WO2023208775A1 (en) * 2022-04-29 2023-11-02 Koninklijke Philips N.V. Digital twin uncertainty resolution
CN116258821A (zh) * 2023-05-15 2023-06-13 北京科技大学 一种基于数字孪生的虚拟带标签图像数据生成方法及装置
CN116884557B (zh) * 2023-06-25 2024-03-22 深圳市梦网物联科技发展有限公司 基于数字孪生的体检报告生成方法、终端设备及介质
CN116912430B (zh) * 2023-09-14 2023-12-15 北京唯迈医疗设备有限公司 用于构建远程介入手术室的三维数字孪生系统的装置
CN117252047B (zh) * 2023-11-20 2024-03-19 深圳市联特微电脑信息技术开发有限公司 基于数字孪生的教学信息处理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030046114A1 (en) * 2001-08-28 2003-03-06 Davies Richard J. System, method, and apparatus for storing, retrieving, and integrating clinical, diagnostic, genomic, and therapeutic data
CN101526980A (zh) * 2008-02-27 2009-09-09 积极健康管理公司 用于产生实时健康护理警报的系统和方法
US20100082369A1 (en) * 2008-09-29 2010-04-01 General Electric Company Systems and Methods for Interconnected Personalized Digital Health Services
US20140081659A1 (en) * 2012-09-17 2014-03-20 Depuy Orthopaedics, Inc. Systems and methods for surgical and interventional planning, support, post-operative follow-up, and functional recovery tracking
CN105682607A (zh) * 2013-09-17 2016-06-15 梅里亚股份有限公司 多腔室、多制剂流体递送系统
US20160307316A1 (en) * 2013-12-06 2016-10-20 The Johns Hopkins University Methods and systems for analyzing anatomy from multiple granularity levels
CN106530111A (zh) * 2016-12-01 2017-03-22 东华大学 一种面向智能棉纺生产的cps架构

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030046114A1 (en) * 2001-08-28 2003-03-06 Davies Richard J. System, method, and apparatus for storing, retrieving, and integrating clinical, diagnostic, genomic, and therapeutic data
CN101526980A (zh) * 2008-02-27 2009-09-09 积极健康管理公司 用于产生实时健康护理警报的系统和方法
US20100082369A1 (en) * 2008-09-29 2010-04-01 General Electric Company Systems and Methods for Interconnected Personalized Digital Health Services
US20140081659A1 (en) * 2012-09-17 2014-03-20 Depuy Orthopaedics, Inc. Systems and methods for surgical and interventional planning, support, post-operative follow-up, and functional recovery tracking
CN105682607A (zh) * 2013-09-17 2016-06-15 梅里亚股份有限公司 多腔室、多制剂流体递送系统
US20160307316A1 (en) * 2013-12-06 2016-10-20 The Johns Hopkins University Methods and systems for analyzing anatomy from multiple granularity levels
CN106530111A (zh) * 2016-12-01 2017-03-22 东华大学 一种面向智能棉纺生产的cps架构

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "BiG Data,Analytics & Artifical Intelligence,The future of health care is here", 《HTTP://NEWSROOM.GEHEALTHCARE.COM/WP-CONTENT/UPLOADS/2016/12/GE-HEALTHCARE-WHITE-PAPER_FINAL.PDF》 *
DIAZ 等: "《Roadmap for the Digital Patient》", 31 October 2013 *
HANS LEHRBACH ET AL: "Future Health;The future of health care:deep data,smart sensors,virtual patients and the internet of humans", 《HTTPS://EC.EUROPA.EU/FUTURIUM/EN/SYSTEM/FILES/GED/FUTUREHEALTH_WHITE_PAPER.PDF》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132955A (zh) * 2020-09-01 2020-12-25 大连理工大学 人体骨骼的数字孪生体构建方法
CN112132955B (zh) * 2020-09-01 2024-02-06 大连理工大学 人体骨骼的数字孪生体构建方法
CN112364070B (zh) * 2020-09-30 2024-03-22 北京仿真中心 一种工业领域人的数字孪生服务方法和系统
CN112364070A (zh) * 2020-09-30 2021-02-12 北京仿真中心 一种工业领域人的数字孪生服务方法和系统
CN112233747A (zh) * 2020-11-16 2021-01-15 广东省新一代通信与网络创新研究院 一种基于个人数字孪生网络数据分析方法及系统
CN112395341A (zh) * 2020-11-18 2021-02-23 深圳前海微众银行股份有限公司 一种基于联邦云合作网络的联邦学习管理方法及系统
CN112395341B (zh) * 2020-11-18 2023-10-27 深圳前海微众银行股份有限公司 一种基于联邦云合作网络的联邦学习管理方法及系统
CN112967788B (zh) * 2021-02-22 2023-12-01 河南省肿瘤医院 一种基于数字孪生的医用报警方法
CN112967788A (zh) * 2021-02-22 2021-06-15 河南省肿瘤医院 一种基于数字孪生的医用报警方法
CN113146632A (zh) * 2021-04-20 2021-07-23 北京洛必德科技有限公司 一种基于数字孪生技术的家用机器人控制方法及系统
CN113592227A (zh) * 2021-06-28 2021-11-02 广州市健齿生物科技有限公司 一种种植体的管理方法、装置及设备
WO2023082832A1 (en) * 2021-11-11 2023-05-19 International Business Machines Corporation Ai based context aware multidirectional patient movement
CN114200903A (zh) * 2021-12-13 2022-03-18 中国联合网络通信集团有限公司 自动化工艺生产控制方法、设备及计算机可读存储介质
CN114707076A (zh) * 2022-03-11 2022-07-05 重庆邮电大学 一种个性化物联网实体推荐方法
CN114864088A (zh) * 2022-04-26 2022-08-05 福建福寿康宁科技有限公司 一种基于医疗健康的数字孪生建立方法、装置和存储介质
WO2023207793A1 (zh) * 2022-04-26 2023-11-02 吴运良 用于健康决策的人机交互方法、设备和系统
WO2023212994A1 (zh) * 2022-05-06 2023-11-09 深圳市第二人民医院(深圳市转化医学研究院) 基于数字孪生的数据监测方法、装置、计算机设备和存储介质
CN114822849B (zh) * 2022-05-06 2023-09-05 深圳市第二人民医院(深圳市转化医学研究院) 基于数字孪生的数据监测方法、装置、设备和存储介质
CN114822849A (zh) * 2022-05-06 2022-07-29 深圳市第二人民医院(深圳市转化医学研究院) 基于数字孪生的数据监测方法、装置、设备和存储介质
CN116052864B (zh) * 2023-02-03 2023-10-20 广东工业大学 基于数字孪生的穿刺手术机器人虚拟测试环境构建方法
CN116052864A (zh) * 2023-02-03 2023-05-02 广东工业大学 基于数字孪生的穿刺手术机器人虚拟测试环境构建方法
CN115862821A (zh) * 2023-02-16 2023-03-28 深圳市汇健智慧医疗有限公司 基于数字孪生的智慧手术室的构建方法及相关装置
CN117352118A (zh) * 2023-12-06 2024-01-05 惠医(天津)健康科技有限公司 基于移动互联网的多端诊疗交互方法及装置
CN117352118B (zh) * 2023-12-06 2024-03-08 惠医(天津)健康科技有限公司 基于移动互联网的多端诊疗交互方法及装置

Also Published As

Publication number Publication date
US20190005200A1 (en) 2019-01-03
WO2019005184A1 (en) 2019-01-03
EP3646331A1 (en) 2020-05-06

Similar Documents

Publication Publication Date Title
US20190005200A1 (en) Methods and systems for generating a patient digital twin
US20190005195A1 (en) Methods and systems for improving care through post-operation feedback analysis
US11735294B2 (en) Client management tool system and method
Tresp et al. Going digital: a survey on digitalization and large-scale data analytics in healthcare
US20190087544A1 (en) Surgery Digital Twin
US10496788B2 (en) Holistic hospital patient care and management system and method for automated patient monitoring
US10593426B2 (en) Holistic hospital patient care and management system and method for automated facial biological recognition
US9147041B2 (en) Clinical dashboard user interface system and method
US20150213217A1 (en) Holistic hospital patient care and management system and method for telemedicine
US20150213225A1 (en) Holistic hospital patient care and management system and method for enhanced risk stratification
US20150213222A1 (en) Holistic hospital patient care and management system and method for automated resource management
US20150213202A1 (en) Holistic hospital patient care and management system and method for patient and family engagement
US20150213206A1 (en) Holistic hospital patient care and management system and method for automated staff monitoring
US20150213223A1 (en) Holistic hospital patient care and management system and method for situation analysis simulation
US20130262357A1 (en) Clinical predictive and monitoring system and method
CA3003426A1 (en) Automated patient chart review system and method
WO2015157577A2 (en) Holistic hospital patient care and management system and method for telemedicine
EP2896015A1 (en) Clinical dashboard user interface system and method
EP3910648A1 (en) Client management tool system and method
Verma et al. Digital Assistant in the Pharmaceutical Field for Advancing Healthcare Systems

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200117

WW01 Invention patent application withdrawn after publication