CN110753971B - 用于动态监测患者状况和预测不良事件的系统和方法 - Google Patents
用于动态监测患者状况和预测不良事件的系统和方法 Download PDFInfo
- Publication number
- CN110753971B CN110753971B CN201880039310.0A CN201880039310A CN110753971B CN 110753971 B CN110753971 B CN 110753971B CN 201880039310 A CN201880039310 A CN 201880039310A CN 110753971 B CN110753971 B CN 110753971B
- Authority
- CN
- China
- Prior art keywords
- current
- extracted
- window
- results
- sub
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title abstract description 19
- 230000002411 adverse Effects 0.000 title description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract 2
- 201000010099 disease Diseases 0.000 abstract 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract 1
- 230000036541 health Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000013499 data model Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012882 sequential analysis Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供了用于基于对患者状况的动态监测的医疗保健预测分析的系统和方法。医疗保健提供者实体使用动态监测来收集有关其患者的历史要求供给数据。历史要求供给数据用于监测患者的病情和状况。此外，所述数据用于训练和更新用于预测事件发生的预测模型。该模型使用基于滑动窗口的算法预测事件的发生，其中，历史要求供给数据的子集(例如，窗口)被顺序用来训练模型。对于每个数据窗口，模型提取特征和结果，并据此训练模型。然后，所述模型提取下一数据窗口的特征和结果，并基于此更新现有模型。生成的模型针对一组数据运行，以预测事件的发生。
Description
技术领域
本申请总体涉及提供医疗保健分析，并且更具体地涉及用于动态监测医疗保健并预测事件发生的系统和方法。
背景技术
医疗保健提供者实体是向个人提供医疗保健服务的医院、机构和/或个人从业者。近年来，在全球范围内，人们越来越关注监测和改善医疗保健的提供，并且以尽可能最具成本效益的方式做到这一点。传统上，医疗保健提供是由体量驱动的，这意味着医疗保健提供实体有动机增加或最大化其提供的医疗保健服务、就诊、住院和测试的体量。
最近，医疗保健的提供正在从体量驱动转变为结果或价值驱动的趋势。这意味着激励医疗保健提供者实体提供高质量医疗保健，同时将成本降至最低，而不是简单地提供最大体量的医疗保健。激励医疗保健提供实体的一种方式是通过实施付款系统(例如，责任保健组织(ACO))，在该系统中，医疗保健提供者实体的小组合作以提供协调的高质量护理，并根据为性能支付模型被支付。
因此，这种转向结果或价值驱动型服务的转变增加了监测和测量医疗保健数据以实现安全、有效、以患者为中心、及时、高效和公平的医疗保健交付的重要性。有效监测和测量医疗保健数据提供了患者监督，并能够预测医疗保健相关事件(例如不良事件)发生的概率性或可能性。
因此，监测医疗保健数据和预测事件已成为医疗保健提供者实体在医疗保健交付业务中日益重要的组成部分。因此，医疗保健提供者实体的成员、员工、董事和管理人员(例如，首席财务官(CFO)、首席执行官(CEO))负责动态且有效地监测医疗保健数据并准确预测与医疗保健相关的事件的发生。
然而，当前的医疗保健监测和预测分析受到以下因素的限制：现有医疗保健数据集的缺点，包括缺乏特殊性以及它们的陈旧性、采集数据的复杂性和高成本、以及现有模型的刚性，以及其他。例如，现有的医疗保健领域数据集都有各自的局限性，这些局限性会阻止或妨碍有效和有成本效益地编译可用于提供精确预测分析的最佳数据集的能力。医疗保健成本和利用项目(HCUP)是通过医疗保健研究与质量局(AHRQ)赞助的美国联邦和州合作伙伴关系开发的一组医疗保健数据库。但是，HCUP数据库仅在社区粒度级别上限于住院、门诊和急诊科数据，而不是在与ACO相关的特定医疗保健提供者或提供者组的级别上。此外，仅在给定日历年结束后的六到十八个月之后，才能购买和获得该日历年的HCUP数据。飞利浦的eICU计划仅收集和存储仅与重症监护病房住院时间相关的信息。电子健康记录(EHR)数据库包含与健康状况相关的信息，但不包含与患者前往医疗保健提供者实体的访问有关的详细信息。此外，EHR数据集通常在医院和类似实体中不可用，或者医院基础信息技术基础架构的复杂性阻止了对这些数据的轻松访问。与数据类型有关的这些类型的问题，以及采集当前可用数据的成本和复杂性在整个现有医疗保健数据库中都很常见。
除了现有医疗保健数据集的上述缺点外，当前的预测模型不灵活，缺乏提供最佳预测分析所需的流通。例如，约翰霍普金斯调整临床小组(ACG)系统和梅奥诊所健康系统所采用的模型提供了全国或全球分析。因此，将这些模型具体化以提供针对特定医院或其他医疗保健服务提供者实体的预测分析是不可行的，或者过于昂贵和复杂。此外，不仅这些模型所使用的数据集没有被充分地本地化，而且由于其大小，它们常常没有足够的最新信息来提供最佳的预测。实施和维护这些类型的全球或全国模型需要大量的协调，这进一步增加了它们的复杂性和成本。
因此，需要改进的系统和方法，其动态监测医疗保健数据，例如患者健康状况，并预测不良事件的发生。需要动态监测的数据和条件，以包括及时且足够具体的细节。还需要动态地监测以与特定医疗保健提供实体相关的数据和状况，以便可以更准确和准确地预测针对该医疗保健提供实体、在该医疗保健提供实体处或与之相关的不良事件的发生。
发明内容
本申请提供用于动态监测患者状况和预测不良事件的系统和方法。
在一些实施例中，一种医疗保健预测分析系统包括至少一个存储器和至少一个处理器。所述至少一个存储器存储与运行时的当前时间之前的时间段相对应的历史数据的集合。所述至少一个处理器被通信地耦合到所述至少一个存储器。从所述至少一个存储器中检索历史数据的集合。在历史数据的所述集合中识别多个窗口，所述多个窗口中的每个窗口是历史数据的所述集合的子集，其对应于该时间段中的子时间段。从所述多个窗口中识别当前窗口。针对所述多个窗口中的每个窗口：提取与所述当前窗口相对应的特征和结果的当前集合，当前特征是从与所述当前窗口相对应的子时间段中提取的，并且当前结果是从与所述当前窗口相对应的子时间段之后的当前结果子时间段中提取的；基于提取的特征和结果的当前集合来训练当前代预测模型，所述当前代预测模型对应于所述当前窗口；从所述多个窗口中识别下一窗口，所述下一窗口是相对于所述当前窗口的时间上的下一窗口；提取与所述下一窗口相对应的特征和结果的下一集合，下一特征是从与所述下一窗口相对应的子时间段中提取的，并且下一结果是从与所述下一窗口相对应的子时间段之后的下一结果子时间段中提取的；基于所述当前代预测模型和提取的特征和结果的下一集合来训练下一代预测模型，所述下一代预测模型对应于所述下一窗口；并且将所述当前窗口替换为所述下一窗口。使用与所述当前窗口相对应的预测模型，在与所述时间段中的预测子时间段相对应的数据的子集上，预测一个或多个事件的发生的概率。
在一些实施例中，历史数据的所述集合是与医疗保健提供者实体相对应的要求供给数据。
在一些实施例中，从第三方数据库接收历史数据的所述集合的至少部分。
在一些实施例中，从所述第三方数据库接收的历史数据的集所述合的所述部分是非结构化数据，并且所述至少一个处理器可操作为将所述非结构化数据结构化。
在一些实施例中，对应于所述多个窗口的时间子周期具有相同的长度。
在一些实施例中，用于预测一个或多个事件的发生的概率的预测模型对应于与最接近当前时间的子时间段相对应的窗口。
在一些实施例中，所提取的当前结果和下一结果中的每个与时间到事件变量相关联，所述时间到事件变量指示从分别对应于当前窗口和下一窗口的时间子时段的开始的时间的长度。
在一些实施例中，对当前代预测模型的训练包括：针对每个所提取的当前结果：在所提取的当前特征中识别与给定的所提取的当前结果有关的模式；基于与给定的所提取的当前结果有关的所识别的模式，识别一个或多个当前预测变量，所述一个或多个当前预测变量中的每个是所提取的当前特征中的一个；并且基于与给定的所提取的当前结果有关的所识别的模式，将权重分配给所述一个或多个当前预测变量中的每个。对所述下一代预测模型的训练包括：针对所提取的下一结果中的每个：在所提取的下一特征中识别与给定的所提取的下一结果有关的模式；基于与给定的所提取的下一结果有关的所识别的模式，识别一个或多个下一预测变量，所述一个或多个下一预测变量中的每个是所提取的下一特征中的一个；并且基于与给定的所提取的下一结果有关的所识别的模式，将权重分配给所述一个或多个下一预测变量中的每个。如果给定的所提取的下一结果与所提取的当前结果中的一个相匹配，则权重的分配包括更新所述一个或多个当前预测变量中的如下的当前变量中的每个的权重，所述当前变量与所提取的当前结果中的如下的所提取的当前结果相对应，所述当前结果与如下的一个或多个下一预测变量相匹配，所述一个或多个下一预测变量与所提取的一下结果中的一个相对应。
在一些实施例中，使用该预测模型来预测一个或多个事件发生的概率包括：针对所述一个或多个事件中的每个：在所述预测模型中识别一个或多个相关结果；识别与所述一个或多个相关结果中的每个有关的预测变量；在与预测子时间段相对应的数据子集中，识别匹配的特征，所述匹配的特征与如下的特征相匹配，所述特征对应于如下的所识别的预测变量，所述所识别的预测变量与所述一个或多个相关结果中的每个有关；并且基于相应的匹配特征的权重来计所述算一个或多个事件中的每个的发生的概率。
在一些实施例中，针对指定的未来日期或日期范围执行对一个或多个事件的发生的概率的预测。
在一些实施例中，通过针对提取的下一特征和结果运行当前代模型来计算测试错误率。
在一些实施例中，提供了一种用于医疗保健预测分析的方法，包括：检索存储在至少一个存储器中的历史数据的集合，历史数据的所述集合对应于运行时间的当前时间之前的时间段；在历史数据的所述集合中识别多个窗口，所述多个窗口中的每个窗口是历史数据的所述集合的子集，所述子集对应于所述时间段中的子时间段。从所述多个窗口中识别当前窗口；针对所述多个窗口中的每个窗口：提取与所述当前窗口相对应的特征和结果的当前集合，当前特征是从与所述当前窗口相对应的子时间段中提取的，并且当前结果是从与所述当前窗口相对应的子时间段之后的当前结果子时间段中提取的；基于提取的特征和结果的当前集合来训练当前代预测模型，所述当前代预测模型对应于当前窗口；从所述多个窗口中识别下一窗口，所述下一窗口是相对于所述当前窗口的时间上的下一窗口；提取与所述下一窗口相对应的特征和结果的下一集合，下一特征是从与所述下一窗口相对应的子时间段中提取的，并且下一结果是从与所述下一窗口相对应的子时间段之后的下一结果子时间段中提取的；基于所述当前代预测模型和提取的特征和结果的下一集合来训练下一代预测模型，所述下一代预测模型对应于所述下一窗口；并且用所述下一窗口替换所述当前窗口；并且使用与所述当前窗口相对应的预测模型，在与所述时间段中的预测子时间段相对应的数据的子集上，预测一个或多个事件的发生的概率。
附图说明
通过以下结合随附附图的详细描述，将更充分地理解本申请，其中，
图1图示了包括医疗保健分析预测系统的医疗保健环境的示例性实施例；
图2是图示用于使用图1的医疗保健分析预测系统来动态地监测患者状况并预测事件的过程的示例性实施例的流程图；
图3示出了用于存储由图1的预测系统使用的医疗保健数据的数据模型的示例性实施例；
图4图示了用于从存储的医疗保健数据中提取特征和结果的过程的示例性实施例；
图5A图示了与图形图示为时间数据的医疗保健数据的窗口有关的特征和结果的提取；
图5B图示了与图形图示为时间数据的医疗保健数据的另一个窗口有关的特征和结果的提取以及事件的预测；并且
图6图示了用于动态监测患者状况和预测事件的过程的示例性实施例的图形表示。
具体实施方式
现在将描述特定示例性实施例以提供对本文公开的系统和方法的结构、功能、制造以及使用的原理的整体理解。这些实施例的一个或多个示例在附图中示出。本领域技术人员将理解，本文中具体描述并在附图中示出的系统和方法是非限制性示例性实施例，并且本公开的范围仅由权利要求书限定。结合一个示例性实施例图示或描述的特征可以与其他实施例的特征组合。这样的修改和变化旨在被包括在本公开的范围内。此外，在本公开中，当各种实施例的相似编号的部件具有相似的性质和/或用于相似的目的时，它们通常具有相似的特征。
本文呈现的示例实施例针对用于动态监测患者状况并预测不良事件的系统和方法。更具体地，本文提供的系统和方法描述了医疗保健提供者实体的数据收集和存储。这样的数据的示例包括历史要求供给(claim feed)数据，其是与患者的医学要求有关的信息。该数据被用于通过预测事件(包括不良事件)的发生来动态监测患者状况。为了预测事件的发生，使用历史要求供给数据来训练模型。使用滑动窗口方法或算法来执行模型的训练，其中顺序分析历史要求供给数据中的一个窗口或窗口的集合。即，从现有定义的窗口中提取特征和结果，并基于这些窗口来训练模型。使用提取的特征和下一个到来的窗口的结果来更新现有模型。每个窗口的数据被顺序地用于更新所述模型。最新的模型用于预测将来时间的事件发生。
系统
图1图示了根据示例性实施例的医疗保健分析环境100。医疗保健分析环境100包括医疗保健分析预测系统101，其用于监测患者健康数据和状况，并预测不良事件的发生。医疗保健分析预测系统101包括一个或多个存储器和/或数据库，例如数据库101m。数据库101m可以存储医疗保健相关信息以监测患者的健康和状况。所存储的医疗保健相关信息还可以用于预测不良事件。尽管未示出，但是医疗保健分析预测系统101可以包括一个或多个处理器以及一个或多个通信装置(例如，调制解调器)，用于从诸如本文所述的那些系统接收信息和向其他系统传输信息。
应当理解，存储在数据库101m中的医疗保健数据可以是与医疗保健提供实体、其患者、他们的病情和病史、他们的账单信息以及本领域技术人员已知的其他这样的数据有关的任何信息。在一些实施例中，所存储的医疗保健可以是历史要求供给数据。历史要求供给数据是指从医疗保健提供实体提交的医学要求和/或与医疗保健提供实体的患者有关的数据。可用于生成或得出历史要求供给数据的医学要求包括有关患者就诊或与医疗保健提供实体的交互的信息。通常，这些医学要求是出于计费目的而生成的，例如，为了使医疗保健提供实体向健康保险提供商或患者请求支付服务费用。每项要求中信息的非限制性示例包括患者详细信息(例如，姓名、地址、出生日期、出生地点、性别、种族)、相关就诊时的基本医学数据(例如，体重、身高、血压)、拜访原因(例如，症状、症状持续时间、暴露、症状程度)、提供的服务(例如，药物、处置)、诊断、处方等。
应当理解，医疗保健分析预测系统101可以与一个或多个健康提供者实体相关联。例如，如图1中所示，医疗保健分析预测系统101与医院102-1和手术中心102-2(统称为“102”)相关联。在一些实施例中，医疗保健实体102可以是ACO的一部分或与ACO相关联。在这样的配置中，健康提供者实体102可以收集和分享数据，并且医疗保健分析预测系统可以存储和/或分析每个健康提供者实体102的数据。可以基于来自两个提供商102或与之相关的数据的组合来提供分析，或者可以基于每个实体的相应数据来单独提供分析。
同样如图1中所示，医疗保健分析预测系统101经由网络105-1通信地耦合到一个或多个第三方系统103-1和103-2(统称为“103”)。可以用于终端用户系统120与质量测量系统101之间的通信的网络的一些非限制性示例包括局域网(LAN)、个人区域网(PAN)、广域网(WAN)，等等。第三方系统103可以是数据仓库，保险提供者系统，要求管理实体的系统，或本领域技术人员已知的存储、生成或提供诸如要求数据的医疗保健数据的其他类似系统或实体。第三方系统103的一个示例是由医疗保险和医疗补助服务中心(CMS)管理或控制的系统。CMS系统可以连续收集和存储与医疗保险和医疗补助参与者的要求相关的数据。CMS系统或任何第三方系统都可以将与其相应的健康提供者实体102有关的要求数据传输到医疗保健分析预测系统101。
此外，医疗保健分析预测系统101经由网络105-2通信地耦合到终端用户系统104-1和104-2(统称为“104”)。如上所述，网络105-2可以是本领域技术人员已知的各种网络中的一种。终端用户系统104是由最终用户操作以监测患者状况和/或获得不良事件的预测的计算设备。终端用户系统104的一些非限制性示例包括个人计算机、膝上型计算机、移动设备、平板电脑等。尽管未在图1中示出，但是终端用户系统104可以具有输入/输出设备或与输入/输出设备相关联，输入/输出设备包括监测器、投影仪、扬声器、麦克风、键盘等。
在一些示例实施例中，终端用户系统104的用户包括C级成员(例如，首席执行官(CEO)、首席营销官(CMO))、高管以及医疗保健提供者实体的其他护理管理人员(也称为医疗保健提供实体或组织)。终端用户系统的用户可以监测患者状况并预测不良事件，例如，以提供更好的人员配备和资源管理。例如，医院的首席执行官可以使用医疗保健分析预测系统101来获得对患者的预测，所述预测将需要必需特定药物的流程。因此，CEO可以订购足够的这种药物以满足预期的需求。对应于终端用户系统104的终端用户的其他示例包括医师、职员和患者(例如，用于输入或提交医疗保健相关信息)和系统管理员(例如，用于维护系统及其模型)。
处理
图2示出了用于动态监测患者状况并预测不良事件的流程图200。如上所述，医疗保健分析系统101可以动态地监测医疗保健数据并预测不良事件。如上所述，医疗保健分析系统101可以是由一个或多个医疗保健提供者实体(例如与ACO相关联的实体)维护和执行的系统。系统101可包括或可通信地耦合到一个或多个存储各种医疗保健数据(包括历史要求供给数据)的存储器或数据库。存储器或数据库(例如，数据库101m)可以属于系统101或由其管理，或者可以是单独的第三方系统(例如，103)，例如存储要求供给数据的数据仓库系统，并且可以继而将要求供给数据传输到医疗保健提供者实体。在一些实施例中，由医疗保险和医疗补助服务中心(CMS)维护存储并提供历史要求供给数据的数据库。
如图2中所示，在步骤250，医疗保健分析系统101接收或检索历史要求供给数据。如上所述，历史要求供给数据可以从由医疗保健分析系统101维护的存储中获得，或者从第三方存储中获得，例如CMS数据库。历史要求供给数据是与患者的医疗保健相关事件和对医疗保健提供者实体的访问有关或从其导出的信息。更具体地说，历史要求供给数据由与对应于医疗保健分析系统101的医疗保健提供者实体或医疗保健提供者实体的患者相关联的大量要求构成。
组成历史要求供给数据的要求可以由医疗保健提供者实体(例如，在寻求由医疗保健提供者实体提供的医疗保健服务的付款时，向诸如医学保险提供者的付款者实体)生成和/或提交，并且在要求中详细说明。历史要求供给数据中的每个要求都可以对应于患者对医疗保健提供者实体的访问，并且包括有关该访问的信息和从中导出的数据。在一些实施例中，要求中的信息包括关于患者的人口统计、医疗保健提供者实体和患者的医疗保健的数据。
如本领域技术人员所理解的，在步骤250处接收或检索的历史要求供给数据可以是非结构化或结构化格式。尽管如此，医疗保健分析系统101可以以结构化格式(例如在关系数据库中)存储接收到的要求供给数据。图3图示了用于存储历史要求供给数据的关系数据库的数据模型的示例，包括其表格、数据和关系。如图3中所示，历史要求供给数据可以包括与患者、要求、医院、职员、保险单、处方、所提供的服务或治疗、诊断以及本领域技术人员已知的其他信息有关。应当理解，历史要求供给数据或由医疗保健分析系统101存储的任何其他医疗保健数据可以使用本领域技术人员已知的任何数据模型来存储。
在步骤250接收到的历史要求供给数据与过去一段时间的要求有关。例如，图5A和5B图示了在步骤250处接收的作为时间数据的历史要求供给数据图形表示。也就是说，时间数据表示将每个患者(例如，对象，受益人)的历史要求供给数据显示为水平线。水平线的长度表示历史要求供给数据对应的时间段。在一个示例实施例中，患者的历史要求供给数据跨越从2012年1月1日至2016年6月30日的过去四年半的时间。但是，应该理解，历史要求供给数据所涵盖的时间段的长度可以与期望或可能获得的一样短或一样长，但是本领域技术人员已知覆盖更长的时间段和/或更新的时间可以产生更准确和/或及时的不良事件预测。
仍然参考步骤250，历史要求供给数据可以由医疗保健分析系统101动态存储和监测，例如在生成时。在医疗保健分析系统101接收历史医学数据的实施例中，数据被周期性地或以连续流接收或检索(例如，随着数据的生成)。例如，在其中诸如CMS之类的第三方系统周期性地(例如，每周，每月)输出或发布数据的一些实施例中，医疗保健分析系统101可以被配置为每次在由第三方系统发布时接收或检索历史要求供给数据。如下面进一步详细解释的，在步骤250接收或检索的历史要求供给数据用于从中提取特征和结果，并且使用提取的特征和结果来生成用于预测事件(例如不良事件)的模型。
在步骤252，识别并准备被称为“窗口”的第(i)个数据块，以供医疗保健分析系统使用基于滑动窗的算法或方法进行分析。该窗口也称为构成历史要求供给数据的n个窗口中的当前窗口。应当理解，窗口是指历史要求供给数据的子集，其对应于历史要求供给数据所覆盖的时间段中的子时间段。该子时间段的长度可以是被医疗保健分析系统101认为是最佳的或选择的任何时间段(例如，一个月、六个月、一年)。
例如，如图4中所示，历史要求供给数据涵盖了从2012年1月1日到2016年6月30日的四年半。在示例性实施例中，其中在滑动窗口方法中由窗口覆盖的每个子时段的选定长度为一年，第一次迭代中的第一窗口(i＝1)覆盖或对应于2012年1月1日至2012年12月31日的子时段。图4图示了其中的第(i)个窗口W(i)，其是示例性第一次迭代，其中，在i＝1是覆盖2012年1月1日至2012年12月31日的子时段的第W(i＝1)个窗口以及其历史要求供给数据。
继而，一旦在步骤252识别出窗口W(i)，则在步骤254提取(i)特征和结果的第(i)集合。图5A以图形方式示出了从历史要求供给数据中提取的(i)特征和结果的第(i)集合。应当理解，所提取的特征可以是由医疗保健提供者实体或与医疗保健分析系统101相关联的实体选择的，从存储或接收的医疗保健数据中的任何数据。换句话说，每个医疗保健分析系统101可以被配置为提取特定特征而不是其他特征。这可以基于可能会产生影响的特征对比先前认为会对结果产生影响的特征的先验知识。例如，所提取的特征可以包括在窗口W(i)的时间段期间(例如，在i＝1的实施例中，例如，2012年1月1日至2012年12月31日)的患者人口统计信息(例如，年龄、性别、体重、身高、种族、居住、离医院的距离等)和医院信息(例如，位置、医师、工作人员、机器)。
还在步骤254提取结果。所提取的结果可以包括事件的发生(例如，缓解，再次入院等)，访问医疗保健实体(例如，访问医院，访问医师)，或提供的处方。然而，应当理解，可以为每个系统101配置被认为适当、最佳或必要的所提取的结果。在一些实施例中，在当前第(i)窗口W(i)之后的预定长度的时间段内提取结果。例如，如果确定提取结果的期望或最佳时间段是六个月，则在步骤254，分析历史要求供给数据以识别在W(i)之后的六个月内发生的结果。在其中i＝1的示例性第一次迭代中，从中提取结果的窗口W(i＝1)之后的第六个月期间是2013年1月1日至2013年6月30日。所提取的结果的第(i)组针对当前第(i)窗口在图5A的时间数据表示中以图形表示。
图4是如上所述结合步骤254描述的特征和结果的提取的图形表示。如图4中所示，可以从历史要求供给数据中提取特征。在一些实施例中，可以将特征分为人口统计数据、医院信息和时间数据(例如结果)。这些特征(和结果)可以被编译为一个特征(和候选)库，其中，包括潜在的特征和结果，以便将来快速识别。
继而，在步骤256，使用步骤254的提取特征和结果来训练第(i)代模型。应该理解，可以使用各种机器学习或预测分析算法来训练第(i)代模型，包括贝叶斯生存分析算法，在线生存LASSO算法和在线随机生存森林算法，以及本领域技术人员已知的其他预测分析算法。
尽管可以以本领域技术人员已知的许多方式来执行训练模型的操作，但是在一些示例实施例中，为了训练第(i＝1)代模型，可以确定特征的重要性和/或将权重分配给一个或多个已识别特征，这些特征基于它们对特定(i)窗口W(i)内结果的明显影响。即，对于第(i)组提取结果的每个结果，系统101分析第(i)组提取特征的特征以识别模式。这些模式可以是例如显示某些特征(或某些特征类型的某些值)通常与给定结果相关联的模式。例如，系统101可以分析特征并确定居住在特定社区中的大量患者遭受呼吸问题。该系统将其解释为与呼吸有关的就诊等的结果，很大程度上受到患者居住地或住所特征的影响。此外，例如，如果结果是因抑郁而入院，则将分析第(i)组提取的特征和结果中该结果的所有实例，以确定哪些特征是最常见的。例如，如果90％的抑郁症住院病例发生在50至60岁之间的男性中，则年龄和性别的人口统计学特征被认为对预测具有较高重要性。因此，对于每个特定的窗口和相应的模型，与结果相关联且确定对结果有影响的特征被视为重要变量，并且被视为预测变量。对于与第(i)窗口W(i)对应的每个预测变量，基于提取的数据计算相应的权重，并基于预测变量对第(i)窗口W(i)内结果的计算的影响来分配权重。在第(i)代模型中被赋予较高权重的(i)窗口的预测值是那些经常与第(i)窗口中的特定结果相关联出现的预测值，而那些特征或预测值则是不经常与结果相关的权重较低。应当理解，在一些实施例中，一个窗口中变量的重要性或权重不一定影响或改变其他窗口中那些相同变量的重要性或权重。
仍然参考步骤256，一旦已经训练了第(i)代模型，就可以在第(i)个窗口W(i)之后的六个月内对其进行验证。可以通过以下来验证第(i)代模型：针对窗口W(i)的数据和从其提取的特征运行模型，并观察在针对窗口W(i)之后第6个月时段的预测结果是否与实际发生并且在历史要求供给数据中记录的结果相匹配，和/或匹配达到何种程度。
继而，在步骤258，从历史要求供给数据中识别或检索窗口W(i+1)。图5B以图形的方式图示了在历史要求供给数据中被识别的窗口W(i+1)。在步骤258对窗口的识别类似于在步骤252中对窗口W(i)进行识别的步骤。如上所述，窗口是指以固定的时间间隔分隔的子时间段。因此，对于以一个月为增量间隔的一年的窗口，窗口W(i+1)对应于窗口W(i)开始和结束后一个月开始的时间段。因此，在如上所述的i＝1的初始示例性实施方式中，窗口W(i+1)是指从2012年2月1日到2013年1月31日的子时间段。
类似于步骤256，在步骤260，从窗口W(i+1)或关于窗口W(i+1)提取(i+1)特征和结果第(i+1)集合。图5B以图形方式示出了所提取的(i+1)特征和结果的第(i+1)集合，即，所提取的特征对应于窗口W(i+1)的时间段，并且所提取的结果对应于窗口W(i+1)之后的六个月时间段。因此，在其中i＝1的示例性第一迭代中，针对窗口W(i+1)的提取特征对应于从2012年2月1日到2013年1月31日的子时间段，并且所提取的结果对应于随后的六个月时间段，即从2013年2月1日到2013年8月1日。
在步骤262，针对窗口W(i+1)的数据测试第(i)代模型，以确定第(i)代模型的准确性。更具体地，第(i)代模型针对窗口W(i+1)的数据和提取的特征而运行。将通过对窗口W(i+1)运行第(i)代模型预测的结果与窗口W(i+1)之后的第六个月的实际结果进行比较，例如，从(i+1)所提取的特征和结果的第(i+1)集合。根据该比较来确定测试错误率。测试错误率是表示预测结果与实际结果之间的差异或相似性的值。换言之，如果预测结果与实际发生的结果相同，则可以说测试错误率为0％。可以针对每个第(i)代模型计算测试错误率，以确保该模型的每个后续代都得到改善。换句话说，随着模型的发展和新一代的训练，测试错误率应该继续增加。
继而，在步骤264，生成和/或训练第(i+1)代模型。在一些实施例中，基于第(i+1)代模型，或者通过使用在步骤260提取的(i+1)特征和结果的第(i+1)集合来更新第(i)代模型，来训练第(i+1)代模型。如上所述，可以使用本领域技术人员已知的各种技术和算法来执行训练第(i+1)代模型。在一些实施例中，训练第(i+1)代模型是通过相对于结合第(i)代模型计算的特征权重和特征的关系进行修改来进行的。例如，如果基于(i+1)所提取的特征和结果的第(i+1)集合确定，在(i+1)提取的结果第(i+1)集合中，只有总共60％的因抑郁而入院的实例与年龄在50至60岁之间的男性(与(i)提取的结果的第(i)集合中的90％本比)相关联，则在模型的第(i+1)代中可以降低年龄和/或性别特征的权重。这样，随着对其他历史要求供给数据的分析，系统可以继续演化。
应当理解的是，上述对窗口的一个接一个的分析被称为“滑动窗口”方法。
一旦训练了模型的第(i+1)代，系统就可以确定历史要求供给数据内的其他窗口是否仍有待处理。更具体地，在步骤266，医疗保健预测分析系统101将i的值增加1(i++)，并且在步骤268，确定是否i<N。换言之，在步骤266和268，系统确定历史要求供给数据中的窗口是否被用于训练新一代的模型。这些步骤可确保将最新的完整数据窗口用于最新一代的模型，以便在以后用于预测结果时，模型可以尽可能准确和最新。
仍然参考步骤268，如果医疗保健预测分析系统101在步骤268确定i<N,并且因此窗口仍然需要的N个窗口的组中被处理，则在步骤258识别随后的窗口W(i+1)。应当理解，因为在步骤266增加了i的值，所以新窗口W(i+1)指的是用于训练模型的最后一个窗口之后的窗口。结合新窗口W(i+1)重复步骤260、262和264。
医疗保健预测分析系统101参与步骤258和268之间的循环，直到在步骤268确定i>＝N为止，指示已处理了最近一年的数据窗口。因此，继而在步骤270，使用最新一代模型来预测不良事件。也就是说，在步骤270，医疗保健分析系统使用模型的最近和最新的一代(即，第(i)代)来确定将来是否会发生结果以及发后结果的概率或可能性(例如，即时风险)。将第(i)代模型应用于历史要求供给数据的一部分未完成整个窗口(例如，部分窗口)，或者应用于之后采集的数据，或者应用于从其提取的特征。
例如，在步骤270，将模型的第(i)代应用于部分历史要求供给数据中的一组特征，以预测预期在以后的时间(例如，在随后的六个月内发生)的不良事件(例如，在历史要求供给数据之后的6个月内)。
尽管未在图2中示出，当随着以后获得或接收历史要求供给数据(例如，从第三方系统)，可以进一步更新模型。例如，如果在步骤270仍需要使用10个月的数据的部分窗口来训练新一代模型，则系统可以继续接收历史要求供给数据，直到历史要求供给数据针对一整年时段可用为止，根据每个窗口的大小而定。那时，可以使用新窗口，窗口W(i+1)，重复步骤258至270。
图6图示了上面结合图2描述的预测分析过程的图形表示。如图6中所示，接收历史要求供给数据，并且通过识别窗口或其中的预定长度的数据集来准备数据集。从每个窗口中提取特征和结果。对于每个窗口，基于与之相关联的提取的特征和结果来训练(或更新)模型。并且，继而，根据最新模型的执行情况，可以预测不良事件。
本文中描述的本实施例可以使用硬件、软件或其组合来实现，并且可以在一个或多个计算设备、移动设备或其他处理系统中实现。就本发明所执行的操作是关于人类操作而引用的而言，但是在本文所述的构成本发明一部分的任何操作中，人类操作者的这种能力不是必要的。而是，本文描述的操作是机器操作。用于执行本发明的操作的有用的机器包括计算机、膝上型计算机、移动电话、智能电话、个人数字助理(PDA)或类似设备。
上面描述的示例实施例，包括结合图1-7描述或讨论的系统和过程，或其任何部分或功能，可以通过使用硬件、软件或两者的组合来实现。该实现可以在一个或多个计算机或其他处理系统中。尽管己经关于通常与人类操作者执行的精神操作相关联的术语来指代这些示例实施例执行的操作，但是不需要人类操作者来执行本文所述的任何操作。换句话说，可以用机器操作完全实现这些操作。用于执行本文呈现的示例实施例的操作的有用机器包括通用数字计算机或类似设备。
对于计算机领域的技术人员显而易见的是，可以通过使用常规的通用计算机，专用数字计算机和/或根据本公开的教导编程的微处理器来方便地实现本发明的示例实施例的部分。基于本公开的教导，熟练的程序员可以容易地准备适当的软件编码。
一些实施例还可以通过准备专用集成电路、现场可编程门阵列或通过互连常规部件电路的适当网络来实现。
一些实施例包括计算机程序产品。该计算机程序产品可以是一个或多个具有存储在其上或其中的指令的非瞬态存储介质，所述指令可用于控制计算机或使计算机执行本发明的示例实施例的任何过程。该存储介质可以包括但不限于软盘、小型磁盘、光盘、蓝光碟、DVD、CD或CD-ROM、微型驱动器、磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪存、闪存卡、磁卡、光卡、纳米系统、分子存储集成电路、RAID、远程数据存储/归档/仓库和/或适合存储指令和/或数据的任何其他类型的设备。
存储在一种或多种非瞬态计算机可读介质中的任何一种上，一些实现方式包括用于控制通用和/或专用计算机或微处理器的硬件，以及用于使得计算机或微处理器能够使用本发明示例实施例的结果与人类用户交互的软件或其他机制。这样的软件可以包括但不限于设备驱动程序、操作系统和用户应用程序。最终，如上所述，这样的计算机可读介质还包括用于执行本发明的示例方面的软件。
通用和/或专用计算机或微处理器的程序和/或软件中包括用于实现上述过程的软件模块。
虽然上面已经描述了本发明的示例实施例，但是应当理解，它们是作为示例呈现的，而不是限制性的。对于(一个或多个)相关领域的技术人员显而易见的是，可以在形式和细节上进行各种改变。因此，本公开不应被任何上述示例实施例所限制，而应仅根据权利要求及其等价范围来限定。
另外，应当理解，附图仅仅是出于示例目的给出的。本文呈现的示例实施例的架构足够灵活且可配置，使得可以用除了附图所示方式之外的方式来利用和导航。
此外，摘要的目的是使美国专利商标局和广大公众，尤其是不熟悉专利或法律术语或用语的本领域的科学家、工程师和从业人员能够从粗略的角度快速确定检查应用技术公开的性质和实质。摘要不旨在以任何方式限制本文所呈现的示例实施例的范围。还应理解，权利要求中记载的过程不需要以所呈现的顺序执行。
Claims (22)
1.一种医疗保健预测分析系统，包括：
至少一个存储器，其能存储与运行时的当前时间之前的时间段相对应的历史数据的集合；
至少一个处理器，其被通信地耦合到所述至少一个存储器，所述至少一个处理器能：
从所述至少一个存储器中检索历史数据的所述集合；
在历史数据的所述集合中识别多个窗口，所述多个窗口中的每个窗口是历史数据的所述集合的子集，所述子集对应于所述时间段中的子时间段；
从所述多个窗口中识别当前窗口；
针对所述多个窗口中的每个窗口：
提取与所述当前窗口相对应的特征和结果的当前集合，当前特征是从与所述当前窗口相对应的子时间段中提取的，并且当前结果是从与所述当前窗口相对应的子时间段之后的当前结果子时间段中提取的；
基于所提取的特征和结果的当前集合来训练当前代预测模型，所述当前代预测模型对应于当前窗口；
从所述多个窗口中识别下一窗口，所述下一窗口是相对于所述当前窗口的时间上的下一窗口；
提取与所述下一窗口相对应的特征和结果的下一集合，下一特征是从与所述下一窗口相对应的子时间段中提取的，并且下一结果是从与所述下一窗口相对应的子时间段之后的下一结果子时间段中提取的；
基于所述当前代预测模型和所提取的特征和结果的下一集合来训练下一代预测模型，所述下一代预测模型对应于所述下一窗口；并且
用所述下一窗口替换所述当前窗口；并且
使用与所述当前窗口相对应的预测模型，在与所述时间段中的预测子时间段相对应的数据的子集上，预测一个或多个事件的发生的概率。
2.根据权利要求1所述的系统，其中，历史数据的所述集合是与医疗保健提供者实体相对应的要求供给数据。
3.根据权利要求2所述的系统，其中，从第三方数据库接收历史数据的所述集合的至少部分。
4.根据权利要求3所述的系统，
其中，从所述第三方数据库接收到的历史数据的所述集合的所述部分是非结构化数据，并且
其中，所述至少一个处理器能将所述非结构化数据结构化。
5.根据权利要求1所述的系统，其中，对应于所述多个窗口的子时间段具有相同的长度。
6.根据权利要求1所述的系统，其中，用于预测所述一个或多个事件的所述发生的所述概率的所述预测模型对应于与最接近所述当前时间的所述子时间段相对应的窗口。
7.根据权利要求1所述的系统，其中，所提取的当前结果和下一结果中的每个与时间到事件变量相关联，所述时间到事件变量指示从分别对应于所述当前窗口和所述下一窗口的所述子时间段的开始的时间的长度。
8.根据权利要求1所述的系统，
其中，对所述当前代预测模型的训练包括：
针对所提取的当前结果中的每个：
在所提取的当前特征中识别与给定的所提取的当前结果有关的模式；
基于与给定的所提取的当前结果有关的所识别的模式，识别一个或多个当前预测变量，所述一个或多个当前预测变量中的每个是所提取的当前特征中的一个；并且
基于与给定的所提取的当前结果有关的所识别的模式，将权重分配给所述一个或多个当前预测变量中的每个；并且
其中，对所述下一代预测模型的训练包括：
针对所提取的下一结果中的每个：
在所提取的下一特征中识别与给定的所提取的下一结果有关的模式；
基于与给定的所提取的下一结果有关的所识别的模式，识别一个或多个下一预测变量，所述一个或多个下一预测变量中的每个是所提取的下一特征中的一个；并且
基于与给定的所提取的下一结果有关的所识别的模式，将权重分配给所述一个或多个下一预测变量中的每个，
其中，如果给定的所提取的下一结果与所提取的当前结果中的一个相匹配，则权重的分配包括更新所述一个或多个当前预测变量中的如下的每个当前预测变量的权重，所述每个当前预测变量与所提取的当前结果中的如下的当前结果相对应，所述当前结果与如下的一个或多个下一预测变量相匹配，所述一个或多个下一预测变量与所提取的一下结果中的一个相对应。
9.根据权利要求8所述的系统，
其中，使用所述预测模型来预测一个或多个事件的发生的概率包括：
针对所述一个或多个事件中的每个：
在所述预测模型中识别一个或多个相关结果；
识别与所述一个或多个相关结果中的每个有关的预测变量；
在与预测子时间段相对应的数据子集中，识别匹配的特征，所述匹配的特征与如下的特征相匹配，所述特征与如下的所识别的预测变量相对应，所述所识别的预测变量与所述一个或多个相关结果中的每个有关；并且
基于相应的匹配特征的权重来计算所述一个或多个事件中的每个的发生的概率。
10.根据权利要求8所述的系统，其中，针对指定的未来日期或日期范围执行对所述一个或多个事件的所述发生的所述概率的预测。
11.根据权利要求1所述的系统，其中，至少一个处理器还可用于通过针对所提取的下一特征和结果运行当前代模型来计算测试错误率。
12.一种提供医疗保健预测分析的方法，包括：
检索存储在至少一个存储器中的历史数据的集合，历史数据的所述集合对应于运行时间的当前时间之前的时间段；
在历史数据的所述集合中识别多个窗口，所述多个窗口中的每个窗口是历史数据的所述集合的子集，所述子集对应于所述时间段中的子时间段；
从所述多个窗口中识别当前窗口；
针对所述多个窗口中的每个窗口：
提取与所述当前窗口相对应的特征和结果的当前集合，当前特征是从与所述当前窗口相对应的子时间段中提取的，并且当前结果是从与所述当前窗口相对应的子时间段之后的当前结果子时间段中提取的；
基于所提取的特征和结果的当前集合来训练当前代预测模型，所述当前代预测模型对应于所述当前窗口；
从所述多个窗口中识别下一窗口，所述下一窗口是相对于所述当前窗口的时间上的下一窗口；
提取与所述下一窗口相对应的特征和结果的下一集合，下一特征是从与所述下一窗口相对应的子时间段中提取的，并且下一结果是从与所述下一窗口相对应的子时间段之后的下一结果子时间段中提取的；
基于所述当前代预测模型和所提取的特征和结果的下一集合来训练下一代预测模型，所述下一代预测模型对应于所述下一窗口；并且
用所述下一窗口替换所述当前窗口；并且
使用与所述当前窗口相对应的预测模型，在与所述时间段中的预测子时间段相对应的数据的子集上，预测一个或多个事件的发生的概率。
13.根据权利要求12所述的方法，其中，历史数据的所述集合是与医疗保健提供者实体相对应的要求供给数据。
14.根据权利要求13所述的方法，其中，从第三方数据库接收历史数据的所述集合的至少部分。
15.根据权利要求14所述的方法，
其中，从所述第三方数据库接收到的历史数据的所述集合的所述部分是非结构化数据，并且
其中，所述方法还包括将所述非结构化数据结构化。
16.根据权利要求12所述的方法，其中，对应于所述多个窗口的子时间段具有相同的长度。
17.根据权利要求12所述的方法，其中，用于预测所述一个或多个事件的所述发生的所述概率的所述预测模型对应于与最接近所述当前时间的子时间段相对应的窗口。
18.根据权利要求12所述的方法，其中，所提取的当前结果和下一结果中的每个与时间到事件变量相关联，所述时间到事件变量指示从分别对应于所述当前窗口和所述下一窗口的所述子时间段的开始的时间的长度。
19.根据权利要求12所述的方法，
其中，对所述当前代预测模型的训练包括：
针对所提取的当前结果中的每个：
在所提取的当前特征中识别与给定的所提取的当前结果有关的模式；
基于与给定的所提取的当前结果有关的所识别的模式，识别一个或多个当前预测变量，所述一个或多个当前预测变量中的每个是所提取的当前特征中的一个；并且
基于与给定的所提取的当前结果有关的所识别的模式，将权重分配给所述一个或多个当前预测变量中的每个；并且
其中，对所述下一代预测模型的训练包括：
针对所提取的下一结果中的每个：
在所提取的下一特征中识别与给定的所提取的下一结果有关的模式；
基于与给定的所提取的下一结果有关的所识别的模式，识别一个或多个下一预测变量，所述一个或多个下一预测变量中的每个是所提取的下一特征中的一个；并且
基于与给定的所提取的下一结果有关的所识别的模式，将权重分配给所述一个或多个下一预测变量中的每个，
其中，如果给定的所提取的下一结果与所提取的当前结果中的一个相匹配，则权重的分配包括更新所述一个或多个当前预测变量中的如下的每个当前预测变量的权重，所述每个当前预测变量与所提取的当前结果中的如下的当前结果相对应，所述当前结果与如下的一个或多个下一预测变量相匹配，所述一个或多个下一预测变量与所提取的一下结果中的一个相对应。
20.根据权利要求19所述的方法，
其中，使用所述预测模型来预测一个或多个事件的发生的概率包括：
针对所述一个或多个事件中的每个：
在所述预测模型中识别一个或多个相关结果；
识别与所述一个或多个相关结果中的每个有关的预测变量；
在与预测子时间段相对应的数据子集中，识别匹配的特征，所述匹配的特征与如下的特征相匹配，所述特征与如下的所识别的预测变量相对应，所述所识别的预测变量与所述一个或多个相关结果中的每个有关；并且
基于相应的匹配特征的权重来计算所述一个或多个事件中的每个的所述发生的所述概率。
21.根据权利要求19所述的方法，其中，针对指定的未来日期或日期范围执行对所述一个或多个事件的所述发生的所述概率的预测。
22.根据权利要求12所述的方法，还包括通过针对所提取的下一特征和结果运行所述当前代模型来计算测试错误率。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762518033P | 2017-06-12 | 2017-06-12 | |
| US62/518,033 | 2017-06-12 | ||
| PCT/EP2018/064685 WO2018228852A1 (en) | 2017-06-12 | 2018-06-05 | Systems and methods for dynamic monitoring of patient conditions and prediction of adverse events |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110753971A CN110753971A (zh) | 2020-02-04 |
| CN110753971B true CN110753971B (zh) | 2023-12-12 |
Family
ID=62597460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880039310.0A Active CN110753971B (zh) | 2017-06-12 | 2018-06-05 | 用于动态监测患者状况和预测不良事件的系统和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20200152332A1 (zh) |
| CN (1) | CN110753971B (zh) |
| WO (1) | WO2018228852A1 (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11508465B2 (en) * | 2018-06-28 | 2022-11-22 | Clover Health | Systems and methods for determining event probability |
| US11763950B1 (en) | 2018-08-16 | 2023-09-19 | Clarify Health Solutions, Inc. | Computer network architecture with machine learning and artificial intelligence and patient risk scoring |
| US11625789B1 (en) | 2019-04-02 | 2023-04-11 | Clarify Health Solutions, Inc. | Computer network architecture with automated claims completion, machine learning and artificial intelligence |
| US11621085B1 (en) | 2019-04-18 | 2023-04-04 | Clarify Health Solutions, Inc. | Computer network architecture with machine learning and artificial intelligence and active updates of outcomes |
| US11238469B1 (en) | 2019-05-06 | 2022-02-01 | Clarify Health Solutions, Inc. | Computer network architecture with machine learning and artificial intelligence and risk adjusted performance ranking of healthcare providers |
| US11270785B1 (en) | 2019-11-27 | 2022-03-08 | Clarify Health Solutions, Inc. | Computer network architecture with machine learning and artificial intelligence and care groupings |
| CN113327682A (zh) * | 2020-02-28 | 2021-08-31 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于关键词搜索时间序列的传染病疫情预测与监控系统、方法及其应用 |
| CN111419249B (zh) * | 2020-03-26 | 2023-04-25 | 心图熵动科技(苏州)有限责任公司 | 一种抑郁预测模型的生成方法和预测系统 |
| US11961598B1 (en) | 2020-06-26 | 2024-04-16 | Express Scripts Strategic Development, Inc. | Machine learning systems for error detection in data processing systems and related methods |
| US11721429B1 (en) * | 2020-09-30 | 2023-08-08 | Change Healthcare Holdings, Llc | Event prediction based on medical service and provider information using an artificial intelligence prediction engine |
| CN113269509A (zh) * | 2021-04-01 | 2021-08-17 | 国网河南省电力公司电力科学研究院 | 一种电力气象数据库的构建方法 |
| CN113012808B (zh) * | 2021-04-15 | 2022-11-01 | 北京理工大学 | 一种健康预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0917078A1 (en) * | 1996-09-30 | 1999-05-19 | Smithkline Beecham Corporation | Disease management method and system |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8145582B2 (en) * | 2006-10-03 | 2012-03-27 | International Business Machines Corporation | Synthetic events for real time patient analysis |
| US9934361B2 (en) * | 2011-09-30 | 2018-04-03 | Univfy Inc. | Method for generating healthcare-related validated prediction models from multiple sources |
| WO2013192593A2 (en) * | 2012-06-21 | 2013-12-27 | Battelle Memorial Institute | Clinical predictive analytics system |
-
2018
- 2018-06-05 CN CN201880039310.0A patent/CN110753971B/zh active Active
- 2018-06-05 US US16/619,293 patent/US20200152332A1/en not_active Abandoned
- 2018-06-05 WO PCT/EP2018/064685 patent/WO2018228852A1/en active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0917078A1 (en) * | 1996-09-30 | 1999-05-19 | Smithkline Beecham Corporation | Disease management method and system |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018228852A1 (en) | 2018-12-20 |
| CN110753971A (zh) | 2020-02-04 |
| US20200152332A1 (en) | 2020-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110753971B (zh) | 用于动态监测患者状况和预测不良事件的系统和方法 | |
| US11250954B2 (en) | Patient readmission prediction tool | |
| US8190451B2 (en) | Method and computer program product for predicting and minimizing future behavioral health-related hospital admissions | |
| US20170185723A1 (en) | Machine Learning System for Creating and Utilizing an Assessment Metric Based on Outcomes | |
| US11386986B2 (en) | System and method for identifying complex patients, forecasting outcomes and planning for post discharge care | |
| US11195213B2 (en) | Method of optimizing patient-related outcomes | |
| US20150039343A1 (en) | System for identifying and linking care opportunities and care plans directly to health records | |
| WO2006055630A2 (en) | Systems and methods for predicting healthcare related risk events and financial risk | |
| CN106793957B (zh) | 用于预测患者护理未来结果的医疗系统和方法 | |
| JP7244711B2 (ja) | 臨床リスクモデル | |
| US10622099B2 (en) | Systems and methods for supporting hospital discharge decision making | |
| Hunter-Zinck et al. | Predicting emergency department orders with multilabel machine learning techniques and simulating effects on length of stay | |
| US20210118557A1 (en) | System and method for providing model-based predictions of beneficiaries receiving out-of-network care | |
| US20160358282A1 (en) | Computerized system and method for reducing hospital readmissions | |
| US20230005607A1 (en) | System And Method For Optimizing Home Visit Appointments And Related Travel | |
| US20210158909A1 (en) | Precision cohort analytics for public health management | |
| US11328825B1 (en) | Machine learning techniques for identifying opportunity patients | |
| US20200035360A1 (en) | Predictive modeling for health services | |
| Vest et al. | Contribution of different data sources to the prediction of emergency department revisits in a safety-net population | |
| US11694239B2 (en) | Method of optimizing patient-related outcomes | |
| US12008613B2 (en) | Method of optimizing patient-related outcomes | |
| US20230343428A1 (en) | Method and apparatus for adaptive actions based on temporal-based predictions of non-compliance | |
| Silva | Explaining mortality rates from COVID-19: an application of business analytics | |
| WO2013163632A1 (en) | Method of optimizing patient-related outcomes | |
| Wodchis | Population Health Management Series: Part 2 February 2021 |
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 |