CN111164705A - 预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法 - Google Patents

预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法 Download PDF

Info

Publication number
CN111164705A
CN111164705A CN201880064463.0A CN201880064463A CN111164705A CN 111164705 A CN111164705 A CN 111164705A CN 201880064463 A CN201880064463 A CN 201880064463A CN 111164705 A CN111164705 A CN 111164705A
Authority
CN
China
Prior art keywords
health condition
adverse health
population
occurrence
characterizing features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201880064463.0A
Other languages
English (en)
Inventor
U·丘莱纳
F·贝洛奇奥
L·内里
W·阿姆森
C·巴尔别里
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.)
Fresenius Medical Care Deutschland GmbH
Original Assignee
Fresenius Medical Care Deutschland GmbH
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 Fresenius Medical Care Deutschland GmbH filed Critical Fresenius Medical Care Deutschland GmbH
Publication of CN111164705A publication Critical patent/CN111164705A/zh
Pending 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Nutrition Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种生成用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的通用模型的系统，包括：从多个出版物中提取关于多个第二亚群体的表征特征、关于在其中发现的第一不利健康状况的发生和/或严重性和/或关于对应的预后结果的信息。所述表征特征中的一个或多个表征特征与对应的第一因素相关联，所述第一因素指示与表征特征对第一不利健康状况的发生或发展的不利或有益贡献的关系，并且所述表征特征中的一个或多个表征特征与对应的第二因素相关联，所述第二因素指示在相应出版物中所考虑的相应第二亚群体中的相对发生频率。所述表征特征以及其第一因素和第二因素被组合为针对总群体的通用模型，包括计算患者的基线风险。以可取回的方式将所述通用模型存储在计算机可访问和可读介质中。

Description

预测从总群体中任意选择的亚群体中测试对象的不利健康状 况的风险、发生或发展的医学设备和计算机实施的方法
技术领域
本方法和装置涉及预测测试对象中的不利健康状况的发生或发展，并且用于支持对这样的不利健康状况的治疗控制和调节。
背景技术
医学相关信息可以源自多个不同的源，诸如临床数据或非临床数据。医学相关信息可以由健康护理专业人员用于处方和测试分析和/或用于对疾病或医学事件或更常见的不利健康状况的诊断和处置。医学相关信息还可以用于评估罹患疾病、现有疾病加剧或遭受不利医学事件的风险。健康风险预测是旨在基于特定类型的医学相关信息来分析特定类型的医学风险的发生概率的过程。例如，健康风险预测能够用于基于人是否是吸烟者来分析罹患肺部疾病的可能性。
已经发表了许多研究和临床试验，在其中已经记录了不利健康状况的发展及其最终结果以及表征所研究对象的各种医学和其他参数。一些研究试图通过将测试对象的医学和其他参数与早先已经记录的参数相匹配，来找到用于预测不利健康状况及其最终结果的发生和发展的数值算法。
一些算法经受基于从对等组中获得的数据，这些对等组不是跨整个群体被代表性地选择的。因此，其对于医学和其他参数与对等组的医学和其他参数不对应的测试对象的预测潜力是有限的。另外，特定当前算法不能够利用与特定医学相关信息有关的新兴科学证据迅速或轻松地进行直接更新。
发明内容
因此，期望提供一种计算机实施的方法，所述方法生成用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的通用模型。此外，期望提供一种计算机实施的方法，该方法自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展。更进一步地，期望提供一种实施生成通用模型的计算机实施的方法的医学设备、以及一种实施自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的计算机实施的方法的医学设备。更进一步地，期望提供一种治疗控制支持系统，所述治疗控制支持系统用于支持响应于第一不利健康状况的预期发生或发展而做出的有关治疗措施的决策，以及用于支持这样的治疗措施的特定于患者的自适应或个性化。
表达“第一不利健康状况”在本文中用于描述来自非穷举性列表中的一项或多项，包括：心血管事件(CVE)、慢性肾脏疾病(CKD)、所有引起住院、骨折、受伤、跌倒，感染、需要肾脏替代的治疗(例如，透析或移植)、终末期肾脏疾病、急性肾脏损伤、移植物衰竭、血管通路并发症、其他疾病结果等。
在下文的描述的部分中，示例性地参考了对亚群体中的慢性肾脏疾病(CKD)的发生的预测和/或对跨严重性的各个阶段的CKD最终发展为终末期肾脏疾病(ESRD)和肾衰竭的预测。然而，在本文中下文所讨论的相同原理、方法和系统能够用于上文示例性列出的其他不利健康状况。例如，相同的方法能够应用于对患有慢性肾脏疾病的患者中的心血管事件/住院发生的预测。
如在本文中所用的表达“第一亚群体”指代具有允许将该个体与总群体的其他成员区分开的特征、属性或其他表征特征的个体。除了指代个体之外，其还可以指代共享相同特征、属性或其他表征特征的个体组，从而将该组与总群体中的其他成员区分开。总群体包括多个第二亚群体，例如在相应的科学研究、文献等中考虑的亚群体。总群体可以包括所有第二亚群体，对其数据可用于分析。不同的第二亚群体与第一亚群体或其他第二亚群体可以共享或可以不共享一个或多个特征、属性或其他表征特征。然而，每个亚群体将在至少一个特征上不同于任何其他亚群体。在个体研究或文献片段中针对相同的不利健康状况分别分析的第二亚群体可能部分重叠，或者甚至可能完全相同。
如上所述，在本文中所使用的表达“表征特征”指代允许将个体或个体组与其他个体或个体组区分开的特征、属性。表征特征可以包括表征个体或群体的一般信息，(例如，从遗传标记物分析系统中获得的)遗传信息、医学事件和状态、处置、诊断和预后表征等。表征特征因此可以包括人口统计数据，例如年龄、种族、性别、工作地点、环境因素、居住位置和环境、生活方式等。类似地，例如，来自从个体或群体成员中间歇性地获取的调查的自我报告的数据(该调查可能涉及感知到的健康状况质量、处方药信息(例如，由个体或群体所摄取的处方药物的类型和/或量)，从诊断记录获得的数据(例如，先前的住院、临床测试和结果)，以及处置数据(例如，疾病、类型、处置的时间和地点、医院和/或医生等))能够用作用于将个体或对象组与其他个体或对象组区别开的特征。另外，医学数据可以用作表征特征，例如，肾小球过滤率、蛋白尿、血压、合并症(例如，糖尿病、高血压或充血性心力衰竭)以及疾病的病因(例如，肾小球肾炎)。可用作表征特征的其他医学数据包括肾小球过滤率随时间的变化、磷酸盐水平、碳酸氢盐、白蛋白、胆固醇、C反应蛋白、血清肌酐或钙水平。这样的医学数据可以从任何种类的常规或高级诊断测试中获得，所述诊断测试包括但不限于任何成像技术(例如，磁共振成像、超声、X射线、CT扫描、闪烁显像等)、电生理测试、体检结果、免疫测定和放射免疫测定系统、生物化学、聚合酶(PCR)链反应分析系统、色谱分析系统和/或受体分析系统等。还可以包括来自其他分析系统的数据，诸如组织分析系统、细胞学和组织分型系统以及免疫细胞化学和组织病理学分析系统。表征特征可以是时不变的或者与当前和/或过去的时刻相关。表征特征还可以涉及不利健康状况的严重性的等级或水平。数据也可以作为时间序列或作为其派生物来提供，指示随时间的变化。通常，适合对患者进行分类的任何种类的信息都能够用作表征特征。
根据一方面，在本文中所描述的生成用于自适应地预测从总群体中任意选择的第一不利健康状况的发生或发展的通用模型的计算机实施的方法包括执行计算机中的计算机程序指令，所述计算机包括一个或多个微处理器、易失性和/或非易失性存储器以及一个或多个数据和/或用户界面，用于从多个出版物和/或在被记录在电子数据库中的并且根据概率统计模型制作的主要临床数据提取关于多个第二亚群体的表征特征、关于其中发现的第一不利健康状况的发生和/或严重性和/或关于对应的预后结果的信息。一个或多个特征(例如，已知在相应上下文中有用的那些)可以作为用于初始化提取的另外的输入来提供，但这不是严格的要求，因为提取本身可以识别其他或另外的表征特征，这些特征也同样或同等相关，或者甚至更相关。计算机程序指令可以将执行那些指令的计算机配置为提供提取模块。所述提取模块可以控制各种接口或者与其协作以访问出版物和/或临床数据记录等。接口包括数据通信接口、相机、扫描仪等中的一个或多个。
在本文使用术语“出版物”来描述科学研究和论文，一般文献或者聚焦于健康问题的文献，将健康问题与能够和一个或多个患者明确链接的患者属性相关的数据集：这样的属性包括但不限于年龄、性别、身高、体重、BMI、使用物质或酒精、吸烟、高血压或低血压病史、糖尿病、COPD、肺癌、CKD分期、脑血管病史、冠状动脉疾病、外周动脉疾病、慢性心脏衰竭、慢性阻塞性肺疾病、自身免疫性疾病、焦虑/抑郁、癌症、肝病、BMI、白蛋白、葡萄糖、HDL、LDL、甘油三酸酯、CRP、IL-6、血清尿酸、HsTNT、磷酸盐、iPTH、蛋白尿和蛋白尿、其他已知的慢性病、过去治愈的疾病、行为或生活方式、心理简档、经由任何成像技术评估的形态特性、或经由任何适当的诊断测试评估的功能特性。上文提供的列表不是穷举的，并且可以代表以上进一步记叙的表征特征的子集。
关于从多个出版物和/或被记录在电子数据库中并且根据概率统计模型制作的主要临床数据中提取的关于表征特征的信息可以包括示出关于第一不利健康状况示出积极或消极关系的那些患者属性。
所述方法还包括执行计算机中的计算机程序指令，用于基于来自多个出版物和/或被记录在电子数据库中并且根据概率统计模型制作的主要临床数据中的每个的数据，来将在其中识别出的表征特征中的一个或多个表征特征与对应的第一因素相关联，所述第一因素指示表征特征对第一不利健康状况的发生或发展的不利或有益贡献的关系。因此，所述第一因素可以例如通过效应量度量来表示，诸如优势率、危险率、相对风险。
由所述第一因素指示的关系可以表达患者中第一不利健康状况的发生或发展的风险增加或减少，例如，相对于健康或适当选择的对等组的参考群体进行表达，表达为通过与其中不存在特定表征特征或处于“正常”水平的基线模型进行比较而生成的值，或者表达为绝对风险。
所述方法还包括：从多个出版物和/或被记录在电子数据库中的并且根据概率统计模型制作的主要临床数据源中的每个中，将其中识别出的表征特征中的一个或多个表征特征与对应的第二因素相关联，所述第二因素指示在相应出版物中所考虑的相应第二亚群体中的相对发生频率或流行率。表征特征上的数据与多个出版物和/或被记录在电子数据库中的并且根据概率统计模型制作的主要临床数据源上的相关联第一因素和第二因素的组合可以提供在总群体中发生或发展的可能性的指示。计算机程序指令可以将执行那些指令的计算机配置为提供适于执行关联步骤的关联器模块。所述关联器模块可以实施根据第一不利健康状况、数据的类型和/或表征特征等可选择的各种概率统计模型。
所述方法还包括执行计算机中的计算机程序指令，用于将表征特征和其第一因素和第二因素组合为针对总群体的通用模型，其中，组合包括计算总群体的虚拟“一般”成员的基线风险，并且针对对第一不利健康事件风险有贡献的已知健康状况的所有可能的配置来估计第一不利健康状况的条件概率。对于总群体中没有所有识别出和已知风险因素或者风险因素处于其最低可能值的虚拟“一般”成员，基线风险可以被视为一般风险。计算机程序指令可以将执行那些指令的计算机配置为提供适于执行组合步骤的组合器模块。组合器模块可以实施根据第一不利健康状况、数据的类型和/或表征特征等可选择的各种概率统计模型。
表征特征以及其第一因素和第二因素的组合可以遵循以下示例性描述的步骤。
在效应量表达为优势率的情况下，对该过程的输入为：
不利后果发生率I
风险因素流行率P1，P2，...，Pn
效应量测量：OR1，OR2，…，ORn
过程的输出是风险因素的条件概率：
PRF_1，PRF_2，…，PRF_n
针对给定的结果
该过程可以简要总结为：
1、获得I
2、获得P1，P2，...，Pn
3、获得OR1，OR2，…，ORn
4、针对每个风险因素计算对结果风险的贡献为：
W_RFi＝ln(ORi)×Pi
5、将基本风险计算为λ＝-ln((1-I)/I)-ΣiW_RFi
6、给定每个风险因素，计算结果的概率为：
P_ORF_i＝exp(Σj≠iW_RFj+ln(ORi)+λ)/(1+exp(Σj≠iW_RFj+ln(ORi)+λ))
7、计算结果和每个风险因素的联合概率为：
P_O_RFi＝P_ORF_i×Pi(贝叶斯定理)
8、给定结果，计算每个风险因素的概率为：
PRF_i＝P_O_RFi/I
要注意的是，能够将相同的方法扩展到从指数分布族导出的各种统计模型。类似地，取决于所考虑的表征特征集，可以使用其他统计计算将各种表征特征以及其各自的第一和/或第二因素组合成通用模型或者用于计算基线风险。
所述方法还包括以可取回的方式将通用模型存储在计算机可访问和可读介质上。为此，所述方法可以包括执行在计算机中的计算机程序指令以提供通信模块。所述通信模块可以控制各种接口或者与各种接口协作以相应地访问数据存储介质。
换言之，上文所提出的方法的各方面：从大量可用出版物和/或被记录在电子数据库中的并且根据概率统计模型制作的主要临床数据中选择最相关的信息，如临床和患者报告的数据；评估特定于患者的健康状况属性对未来风险的贡献；创建包括基线参考的通用模型；并且使用亚群体的属性作为输入值来存储所述模型以供将来应用。针对不同的不利健康状况的通用模型可能在其中表示的表征特征有所不同，主要取决于其对特定不利健康状况的发生或发展的可能性的相应影响。所述通用模型可以包括基线风险和指示每个或选定数量的表征特征对风险增加或减少的贡献的数据。
在所述方法的一方面中，权重被导出并且与第一和/或第二因素相关联。权重可以从以下项导出：来自单个出版物或关于多个出版物的数据，或者多个出版物和被记录在多个电子数据库中的并且根据概率统计模型制作的主要临床数据的混合体。
在所述方法的一方面中，提取包括使用电子文本处理、光学字符识别、自然语言处理以及手工数据输入中的一项或多项的自动提取。在对表征特征的自动提取的情况下，可以使用基于规则的提取或者人工智能辅助的提取以及其他方法。计算机程序指令可以将提取模块配置为提供一种或多种上述功能或者提供对其的访问。
在所述方法的一方面中，在生成通用模型之前，针对多个出版物来调节、排序和/或选择表征特征和相关联的因素。可以通过考虑经分析的参与者数量、通过标准化程序的偏见的风险、作者间不存在利益冲突等来评估出版物和主要数据集来源的质量。
在所述方法的一方面中，针对与跨多个出版物的单个表征特征相关联的结果的条件概率，来调节、排序和/或选择表征特征和相关联的因素。换言之，提供了跨多个出版物和/或出版物和主要临床数据的概率分析的混合体对相同表征特征的重要性的概要视图。
在所述方法的一方面中，针对不同的预后时间段来不同地调节、排序和/或选择表征特征和相关联的因素，由此适应以下发现：针对不同的预后时间段，个体表征特征可以具有不同的值或可靠性。这可以减少需要监测并馈送到预测的表征特征或参数的数量，并且因此减少计算努力。当没有提供预后时间段或预测时间段时，可以使用一个或多个预设的预测或预后时间段，并且可以生成相应的模型。
例如，针对慢性肾脏疾病发展为终末期肾脏疾病的2年的预测时间段，最有影响力的表征特征或参数的列表包括肾小球过滤率梯度、肾小球过滤率(GFR)、蛋白尿、体重、血红蛋白、查尔森指数和血清磷酸盐，其中前三个对预测非常有影响。针对慢性肾脏疾病发展为终末期肾脏疾病的5年的预测时间段，最有影响力的表征特征或参数的列表包括收缩压、舒张压、血清磷酸盐、GFR、血清钙、蛋白尿、PTH、血清白蛋白、心率，其中前四个对预测非常有影响。不难看出，不同的预测时间段需要不同的表征特征或参数的集合，或者至少给予表征特征或参数不同的权重。当使用通用模型预测不利健康状况的发生或发展时，该信息本身可以用于为医师提供支持，以确定或决定要更密切监测的表征特征或者对其应用额外测试。通过计算与针对每个个体患者的每个表征特征相关联的预测概率变化，所述方法还允许创建针对每个个体患者对结果预测有贡献的每个表征特征的预后值的特定于患者的排序。以这种方式，支持医师为每个给提患者规划个性化的诊断评估策略，从而使预后准确性最大化，同时减少描述患者健康状况所需要的诊断测试数量。
类似地，在该方法的一方面中，针对特定的第一不利健康状况和/或第一不利健康状况的严重性或当前阶段，不同地调节、排序和/或选择表征特征和相关联的因素。例如，当第一不利健康状况能够采取不同水平的严重性或不同阶段时，表征特征可以具有不同的值或可靠性，以预测不利健康状况发展到下一水平的严重性或阶段的风险。
因此，所述方法可以包括执行计算机中的计算机程序指令用于提供填装模块，所述填装模块适于接收与选择不利健康状况的预测时间段和/或当前水平的严重性或阶段相对应的输入。来自填装模块的输入可以用于选择多种统计模型之一，以根据填装输入来生成通用模型。例如，当不利健康状况通常分为严重性的五个不同阶段时，可以使用装填输入来生成将不利健康状况从3级发展到4级的通用模型。该输入可能因此导致选择针对数据输入的第二亚群体，不考虑不适当的那些亚群体，例如，因为不利健康状况没有跳级发展。
经受上述方法的多个出版物可以限于已经提及或考虑了不利健康状况的那些出版物，而与已经发现的在第一不利健康状况和在出版物中分析的患者特性之间的积极相关、消极相关或无相关无关。这可以用作预选以增强预测的质量或加速该方法的执行。因此，在所述方法的一方面中，作为另外的步骤，所述方法的第一轮的结果，例如，与不利健康状况相关的表征特征，包括跨多个出版物中发现的、从单个出版物中单独看不到的那些特征，可以用作重新运行所述方法的输入，包括先前未能考虑的那些出版物，例如以便找到在不利健康状况与另外的表征特征之间不太可能并且先前未知的关联。
类似地，在上文所描述方法的一方面中，针对新出版物执行定期或事件触发的检查，例如通过扫描出版物来查找不利健康状况或先前识别出的与不利健康状况相关的表征特征中的一个或多个表征特征的术语或表达或同义词的发生。每当发现这样的新出版物时，就以上文另外描述的方式提取数据，并且将该数据输入到所述方法中用于重新运行由于生成通用模型的步骤。
通过将新的汇总数据添加到从临床研究、现实世界证据或文献片段中提取出的初始证据库中，所述方法允许容易地进行迭代调节和改进。现有模型的这样的连续微调是可行的，因为模型生成过程能够唯一地基于群体概括测量。与传统的数据驱动方法相比，这种基于文献的分析方法的显著优势在于：该方法被优化以完全依赖已发布的、公开可用的汇总数据进行模型推导或更新，而无需枚举和跟踪用于模型推导或更新的新队列，这是一项昂贵、耗时并且通常不可行的工作。即使不是严格必要的，对主要临床数据的分析可以可选地用于补充通过文献回顾获得的模型。通过简单地将从任何合格的新研究中提取出的新汇总数据测量添加到先前用于导出模型的完整证据库中，能够使用与上述各节中所描述的方法相同的方法容易地重新计算模型参数。
上文所描述的方法的若干方面可以彼此组合和/或可以集成在基础方法中。例如，两轮方面可以与调节、排序和/或选择表征特征相组合。
一旦已经生成了通用模型，就可以将其用在计算机实施的方法中，该方法自适应地预测针对总群体中的任意可选择的第一亚群体的第一不利健康状况的发生或发展。在一方面中，所述方法包括执行计算机中的计算机程序指令，以从根据如上文进一步描述的生成用于自适应地预测从总群体中任意选择的第一不利健康状况的发生或发展的通用模型的方法生成和存储在计算机可访问和可读介质中的通用模型接收一个或多个表征特征。执行计算机程序指令的计算机可以表示治疗控制支持系统。所述表征特征可以是那些被识别为风险因素的特征，其与当前正在考虑的不利健康状况至少具有某些相关性，或者是有益的或者是加重的。待接收的表征特征的选择可以反映出第一亚群体中存在的严重性的当前级别或水平，例如，用于预测不利健康状况发展到下一阶段，或者可以反映出预测时间段。对用于不利健康状况发展到下一阶段或用于预测时间段的表征特征的选择可以有效地是对已发现是有用的预测子的表征特征的有限集合或者甚至单个表征特征的选择。所选择的表征特征可以不同，以用于预测不利健康状况发展到不同的接下来的阶段或者用于不同的预测时间段。所述计算机程序指令可以将执行那些指令的计算机配置为提供和/或控制通信模块。所述通信模块可以控制各种硬件和/或软件接口或者与其协作，以从数据库接收一个或多个表征特征和/或通用模型。
自适应地预测总群体中的任意可选择的第一亚群体的第一不利健康状况的发生或发展的方法还包括执行计算机中的计算机程序指令，以接收表征第一亚群体的数据。表征第一亚群体的数据可以包括在生成通用模型时所需、提供、使用、分析或考虑的表征特征的全部或子集。因此，表征第一亚群体的数据可以包括表示生理特征、群体统计学信息、合并症、并发症和药物治疗的数据，例如：年龄、性别、饮酒、吸烟、BMI、高血压病史、糖尿病、CKD分期、脑血管病史、冠状动脉疾病、外周动脉疾病、慢性心力衰竭、慢性阻塞性肺疾病、自身免疫性疾病、焦虑/抑郁、癌症、肝脏疾病、白蛋白水平、葡萄糖、HDL、LDL、甘油三酸酯、CRP、IL-6、S-尿酸、HsTNT、磷酸盐、iPTH、蛋白尿和蛋白尿。要注意的是，针对该方法的第一亚群体不必与在生成通用模型的方法中所引用的第一亚群体相同，并且并非所有表征数据都需要使用或者甚至可用。可以通过通信模块来接收表征第一亚群体的数据，并且计算机程序指令可以相应地控制通信模块。
所述方法还包括将来自通用模型的一个或多个接收到的表征特征和表征亚群体的数据提供给实施概率模型的计算模块，或者更一般地，提供给预测器模块。可以将所述计算或预测器模块实施为排他地或者在与计算机上的其他任务并行运行的专用线程中执行对应软件的计算机。概率模型可以是多个已知模型之一，例如，贝叶斯网络。所述概率模型产生或计算指示针对第一亚群体的不利健康状况的发生或发展的风险或概率的概要分数，作为输出信号。例如，在没有所有风险因素的群体中，可以将风险或概率提供作为绝对值或相对值。根据针对那些表征特征的基线风险，可以忽略或采取存在于通用模型中但是不可用于所考虑的第一亚群体的表征特征。
所述输出信号被提供给用户或计算机。提供可以包括在显示屏上显示结果、打印结果、(例如，在文本到语音转换之后通过扬声器)声学地提供结果，等等。提供还可以包括通过数字通信通道将结果传输到用户的计算机。提供可以包括相应地控制所述通信模块。
在一方面中，实施所述方法的治疗控制支持系统可以包括：提供表示一个或多个表征特征对概要分数的积极影响或消极影响或者不利健康状况的发生或发展的概率的数据信号。可以根据数据信号对概要分数的贡献的重要性，以排序的次序来提供数据信号。
在实施所述方法的治疗控制支持系统的一方面中，如果提供了多个表征特征以及其对概要分数或概率的影响，则根据其各自针对正在评估的第一亚群体(即，针对单个患者或者针对一组患者)的概要分数的贡献的重要性，以排序的次序来提供这些特征和影响。所述排序可以是绝对贡献或相对贡献。表征因素的贡献可能是有益的，即降低了风险，也可能是不利的，即增加了风险，按重要性排序可能是按绝对重要性进行的，而不管是有利的还是不利的，或者分组为有益表征因素和不利表征因素。
在实施所述方法的治疗控制支持系统的一个方面中，所述预测器模块还被配置为根据被接收作为另外的输入的在第一亚群体中的不利健康状况的当前阶段或严重性来调节、加权、排序和/或选择表征特征和相关联的因素。这可以提高预测不利健康状况发展到下一更严重阶段的准确性。
在实施所述方法的治疗控制支持系统的一方面中，突出对针对不利健康状况而确定的风险具有积极影响或消极影响的表征特征，所述表征特征能通过来自包括治疗、生活方式改变、饮食改变和医学干预的非详尽列表中的一个或多个相应动作进行更改。突出可以包括以粗体、斜体、不同的字体、不同的字体或背景颜色打印。例如根据改变饮食或生活方式对亚群体的难易程度或持久遵守改变的饮食或生活方式的可能性的排序，可以应用选择性突出。针对突出的其他排序可以包括针对改变的估计费用，例如，与对可能的治疗或医学干预的选择相结合。
在一方面中，实施所述方法的治疗控制支持系统还包括：提供关于通过相应动作(例如，通过指示停止吸烟或减轻体重将在特定程度上降低风险)来更改不利健康状况的发生或发展的风险或概率的程度的信息。另外，可以指示符合相应动作的不同程度的风险降低，例如，与最佳可能结果等相比，推荐的相应动作仅将糖摄入量减少50％将产生60％的风险降低。可以响应于由预测器模块提供的数据来通过通信模块提供信息。
在一方面中，实施所述方法的治疗控制支持系统还适于基于不利健康状况的种类和/或风险分数来提供对治疗推荐的选择。对治疗推荐的选择可以例如包括例如通过远程医学、用于监测身体功能的便携式设备来更密切监测患者或亚群体，更频繁地拜访医师或诊所，由病例管理员进行更密切监督，转诊给专家，进行更积极的药物治疗等。还可以根据第一亚群体中存在的表征特征以及其对不利健康状况的发生或发展的总体风险的各自贡献来选择和/或排序对治疗推荐的选择。可以响应于对与其连接的数据库或人工智能系统的先前请求来提供对治疗推荐的选择。所述数据库为多种不利健康状况中的每种不利健康状况存储至少一种治疗推荐。
在一方面中，实施所述方法的治疗控制支持系统还适于建议选择额外的诊断测试和/或治疗，所述诊断测试和/或治疗可以产生涉及或描述另外的表征特征，与所述另外的表征特征相关的结果或数据能够作为对方法的输入而提供，即，实现预测的软件模块，以提高概要分数的准确性。可以按排序的次序提供对额外测试的选择，例如根据其对患者的侵袭度和水平/或成本、其在区域或位置内的可用性、直到能够预期测试结果的时间等。建议选择额外的诊断测试和/或治疗可以包括相应地控制预测器模块和/或通信模块。
在一方面中，所述方法还包括接收预测时间段。所述预测时间段可以在执行该方法的早期阶段被接收，并且可以导致选择不同集合的表征特征和/或相关联的因素或权重作为针对预测的输入，和/或者针对特定的预测时间段确定出的不同的通用模型。
本公开的另一方面包括一种医学设备，例如由执行计算机程序指令的计算机系统来实施，所述计算机程序指令实施上文所描述的方法的一个或多个方面。所述医学设备可以表示治疗控制支持系统的模型生成器和治疗控制支持系统，其一起充当系统。所述医学设备中的每个医学设备可以包括显示器和用户界面、用于接收数字数据的界面、以及一个或多个微处理器和相关联的易失性和/或非易失性存储器。根据IEEE 802.11标准族(也已知为商标名称“WiFi”)、根据IEEE 802.15标准族(也已知为注册商标名称“Bluetooth”)，用于接收数字数据的接口可以是常规类型的，并且可以提供与诸如以太网(LAN)的有线或无线网络的连接，但是还具有通过串行或并行连接(诸如通用串行总线(USB)或根据IEEE1394(FireWire)的连接)的便携式数据存储设备。这些接口中的每个接口都包括物理发射机和接收机部分以及逻辑发射机和接收机部分，其中的一些在各种标准上的结构和操作可以是相似的。所述医学设备还可以包括或者被配置为访问数据库，所述数据库包含与多个医学风险和多个健康参数和/或表征特征相关联的数据记录，以及描述总群体和/或多个亚群体的其他数据。所述数据库还可以提供对多个出版物和其他医学文献的访问。
根据本公开的一个方面，当所述处理器执行计算机程序指令时，实施治疗控制支持系统的模型生成器的医学设备可以被配置为生成用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的通用模型。所述通用模型可以表示在多个医学风险与多个健康参数之间的相互关系。根据该方面，所述医学设备被配置为提取关于多个第二亚群体的表征特征、关于第一不利健康状况的发生和/或严重性和/或关于在多个出版物中发现的对应预后结果的信息。可以例如通过访问一个或多个数据库来获得出版物。所述医学设备还可以被配置为从多个出版物中的每个出版物中将在其中识别出的表征特征中的一个或多个表征特征与对应的第一因素相关联，所述第一因素指示与表征特征对第一不利健康状况的发生或发展的不利或有益贡献的关系，并且还将所述表征特征中的一个或多个表征特征与对应的第二因素相关联，所述第二因素指示在相应出版物中所考虑的相应第二亚群体中中出现的相对频率。所述医学设备还可以被配置为将所述表征特征以及其第一因素和第二因素组合成针对总群体的通用模型，其中，组合包括计算总群体的虚拟“一般”成员的基线风险，并且以可取回的方式将所述通用模型和/或所述基线风险存储在计算机可访问和可读介质上。对于没有表现出或没有暴露于已被识别为对不利健康状况的发生或发展具有消极影响的任何表征特征的对象，所述基线风险可以表示不利健康状况的发生或发展的风险，或中以尽可能最低的程度展示或暴露于这样的表征特征。
在本公开的一方面中，所述医学设备可以被配置为使用电子文本处理、光学字符识别和自然语言处理中的一种或多种来执行从出版物中自动提取信息。
在本公开的一方面中，所述医学设备可以被配置为：在生成所述通用模型之前，针对出版物的质量，来调节、排序和/或选择表征特征以及相关联的因素。可以根据出版物的质量，或者根据与跨多个出版物中的单个表征特征相关联的结果的条件概率，来执行调节、排序和/或选择。
在本公开的一方面中，所述医学设备可以被配置为：在所述方法的第一轮中，将多个出版物限于考虑第一不利健康状况的那些出版物；并且在所述方法的第二轮中，使用第一轮的结果作为对所述方法的输入，并且使用不考虑第一不利健康状况的一个或多个出版物。
根据本公开的一方面中，当所述处理器执行计算机程序指令时，实施所述治疗控制支持系统的医学设备可以被配置为：针对总群体中的任意可选择的第一亚群体，自适应地预测第一不利健康状况的发生或发展。根据该方面，所述医学设备被配置为：从例如根据上文所描述的方法生成并存储在计算机可访问和可读介质中的通用模型接收一个或多个表征特征。所述医学设备还被配置为接收表征第一亚群体的数据，并且将来自所述通用模型的一个或多个接收到的表征特征以及表征亚群体的数据提供给实施概率模型的软件模块。所述医学设备还被配置为：提供从软件模块输出的概要分数，指示针对第一亚群体的不利健康状况的发生或发展的风险或概率，并且向用户提供一个或多个特征以及其对不利健康状况的发生或发展的风险或概率的积极影响或消极影响。
在本公开的一方面中，所述医学设备可以被配置为：根据所述一个或多个表征特征对概要分数的贡献的重要性，以排序的次序提供一个或多个表征特征和所述一个或多个表征特征对不利健康状况的发生或发展的风险或概率的积极影响或消极影响。
在本公开的一方面中，所述医学设备可以被配置为：突出对不利健康状况的发生或发展的风险或概率具有积极影响或消极影响的那些表征特征，这能够通过来自包括治疗、生活方式的改变、饮食的改变和医学干预的非穷尽列表的一个或多个相应动作来更改或影响。
在本公开的一方面中，所述医学设备可以被配置为：提供关于通过相应动作来更改不利健康状况的发生或发展的风险或概率的程度的信息。
在本公开的一方面中，所述医学设备可以被配置为：基于不利健康状况的种类和/或风险分数来提供对治疗推荐的选择。
在本公开的一方面中，所述医学设备可以被配置为：提供对额外诊断测试和/或治疗的选择，所述额外诊断测试和/或治疗能够产生涉及或描述另外的表征特征的数据，与所述另外的表征特征相关的结果或数据能够被提供给软件模块以提高概要分数的准确性。可以按排序的次序提供对额外诊断测试和/或治疗的选择，例如，根据其成本、在区域或位置内的可用性、直到能够预期测试结果可用或可见效果的时间等。
本公开的另一方面包括一种用于是计算机系统上使用的计算机可读介质，所述计算机系统被配置为实施生成用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的通用模型。根据该方面的计算机可读介质具有计算机可执行指令用于执行包括以下项的方法：从多个出版物提取关于多个第二亚群体的表征特征、关于在其中发现的第一不利健康状况的发生和/或严重性和/或关于对应的预后结果的信息；将在所述多个出版物中的每个出版物中识别出的表征特征中的一个或多个表征特征与对应的第一因素相关联，所述对应的第一因素指示与表征特征对第一不利健康状况的出现或发展的不利或有益贡献的关系，还将所述表征特征中的一个或多个表征特征与对应的第二因素相关联，所述第二因素指示在相应出版物中所考虑的相应第二亚群体中的相对发生频率；将所述表征特征与其第一因素和第二因素组合为针对总群体的通用模型，其中，组合包括计算患者的基线风险；并且以可取回的方式将所述通用模型存储在计算机可访问和可读介质上。
本公开的又一方面包括一种用于在计算机系统上使用的计算机可读介质，所述计算机系统被配置为实施自适应地预测总群体中的任意可选择的第一亚群体的第一不利健康状况的发生或发展。根据该方面的计算机可读介质具有计算机可执行指令用于执行方法，所述方法包括：从被生成并存储在计算机可访问和可读存储器中的通用模型接收一个或多个表征特征，接收表征第一亚群体的数据，将来自所述通用模型的一个或多个接收到的表征特征以及表征亚群体的数据提供给实施概率模型的软件模块，从所述软件模块提供概要分数，指示针对第一亚群体的不利健康状况的发生或发展的风险或概率，并且向用户提供一个或多个表征特征以及其对不利健康状况的发生或发展的风险或概率的积极影响或消极影响。
在整个说明书中使用的存储、接收和/或提供可以包括通过数字通信连接或网络或者其组合在处理器与存储器之间、在第一计算机与第二计算机之间建立物理和/或逻辑数字通信信道。
当前的医学设备、系统和方法可以基于从出版物、文献等中获得的聚焦于有限或选定亚群体的健康信息，为任意选择的亚群体或个体提供对不利健康状况的有效并且准确的预测。这样的技术可以用于预测和管理个体健康风险以及分析和管理群组或群体的健康风险。
在患有CKD的对象中，尽可能准确地预测疾病的发展可能有助于确定何时准备对象进行肾脏补充或替代治疗(透析)，因为将导管置于腹部或形成瘘管、移植物或通往血液循环的其他接入点通常需要手术和治愈和/或成熟的时间。
类似地，在患有CKD或ESRD的患者中，对住院风险的预测可以允许护理人员或医师发起措施以减轻或者甚至消除住院的风险，特别是心血管疾病住院。
通过风险因素和有益因素对绝对或相对风险的影响，对风险因素和有益因素的特定于患者或特定于亚群体的排序允许医师或其他医学护理人员提供更有针对性和更有效的治疗或预防措施。
个体用户可以使用所公开的医学设备和方法，以基于其自己的健康数据或表征特征来预测可能不利健康状况的发生或发展。个体用户还可以获得信息，用于对应于其对风险或可能性的贡献而降低改变相关行为(例如，生活方式)的不利健康状况的发生或发展的风险或可能性。
群组或机构用户可以使用所公开的医学设备和方法来计算群体之间的健康风险，诸如群体之间的特定分布。机构用户还可以优化分布，以减少群体的健康风险并且促进健康的生活方式。
附图说明
在以下部分中，将参考附图来描述所述方法。在附图中：
图1图示了生成用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的通用模型的示例性方法100的流程图；
图2描述了图1中所示的选择步骤的更详细的示例性实施例；
图3图示了图1中所示的合并和计算步骤的更详细的示例性实施例；
图4描绘了预测总群体中的任意可选择的第一亚群体的第一不利健康状况的发生或发展的示例性方法的数据和结果流程图；
图5示出了生成用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的通用模型的方法的一个示例性方面的流程图，其中，所述通用模型通过分析新出版物而被更新；以及
图6示出了适于执行本方法的一个或多个方面的示例性计算机系统。
具体实施方式
现在将详细参考在附图中所图示的示例性实施例。只要有可能，就贯穿附图使用相同的附图标记指代相同或相似的零件。
图1图示了生成用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的通用模型的示例性方法的流程图。在步骤102中，系统性地回顾包括来自医院或其他健康机构的医学记录的文献或其他出版物；并且在步骤104中，选择来自文献或出版物的最可靠的文章或元分析。在步骤106中，从表征特征(例如，不利结果发生率)的这些所选文档中，提取风险因素流行率和风险因素优势率，并且在步骤108中进行合并。然后，在步骤110中，使用合并的信息来计算针对通用模型的模型参数，其在步骤112中进行存储。可以使用任何适当类型的概率模型(例如，指数族函数)，来计算模型参数。
图2描述了在图1中所示的步骤102-106的更详细的示例性实施例。在步骤202和204中，目标群体和预后推理工具的端点被定义并作为输入转发给步骤206，其中定义了针对出版物的包含和排除标准。步骤208至216需要定义证据的来源，并搜索定义目标群体、感兴趣端点和表征特征的项。在每个周期结束时，定性地评估文献，以便识别潜在的新暴露/风险因素。
一旦进行了搜索策略和所有要求的定义，就分别在步骤218和220中对出版物进行筛选和分级，并且在步骤222中对出版物进行最终选择以进行分析和提取。然后，在步骤224中执行对表征特征等的提取。
图3图示了在图1中分别示出的合并步骤108和计算步骤110的更详细的示例性实施例。在步骤302中，执行评估以生成表示链接暴露和感兴趣结果的因果过程的理论。在步骤304和306中，将从文献中提取的关联的测量被合并为通用效应量测量。这可以包括针对不同样本大小、不同的离散化等进行缩放。此时，能够在步骤308中为每个独立的风险因素或标记物执行不同的元分析技术。
图4描绘了预测总群体中的任意可选择的第一亚群体的第一不利健康状况的发生或发展的示例性方法的数据和结果流程图。在示例中，亚群体是单个患者。来自患者记录的数据402被提供给通用概率模型404。使用通用概率模型404运行分析提供了以下中的一项或多项：针对额外诊断测试的建议406、表示针对不利健康状况的患者风险的指示408、以及每个表征特征或风险因素对不利健康状况的罹患或发展的患者风险有多大影响的指示410。
图5示出了生成用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展的通用模型的方法的一个示例性方面的流程图，其中通用模型通过分析新出版物而被更新。在步骤502中，执行对新出版物的定期或事件触发的检查。可以以与图1的步骤102相同的方式来执行回顾，并且可以以与参考图2所解释的相同的方式来确定适当的关键字。只要在步骤504中找到承诺提供有关不利健康状况的新证据或一般新数据的出版物，例如新的亚群体、新的表征特征等，所述方法遵循“是”路径到步骤508，在该步骤508中，例如，以与参考图1所讨论的方式来执行数据提取。以下步骤510和512同样可以对应于参考图1所讨论的步骤106至110中的一个或多个步骤。使用新出版物更新通用模型允许使模型变得更加准确或有效地预测，而不必再次导出最初需要的完整模型生成过程，并因此节省了时间和精力。
图6示出了适于执行本方法的一个或多个方面的示例性计算机系统600。计算机系统600可以包括处理器602、随机存取存储器(RAM)604、只读存储器(ROM)606、控制台608、输入设备610、网络接口612、数据库614和存储装置616。应当理解，所列出的设备的类型和数量仅是示例性的，而并不旨在限制。所列出设备的数量可以变化，并且可以添加其他设备。
处理器602可以包括任何适当类型的通用微处理器、数字信号处理器或微控制器。处理器602可以执行计算机程序指令的序列以执行如上所述的各种过程或方法步骤。可以将计算机程序指令从只读存储器(ROM)或从存储装置616加载到RAM 604中以由处理器602执行。存储装置616可以包括被提供来存储处理器602执行过程所需的任何类型的信息的任何适当类型的大容量存储设备。例如，存储装置616可以包括一个或多个硬盘设备、光盘设备或者其他存储设备以提供存储空间。
控制台608可以提供图形用户界面(GUI)以向计算机系统600的用户显示信息。控制台608可以包括任何适当类型的计算机显示设备或计算机监测器。可以提供输入设备610以供用户将信息输入到计算机系统600中。输入设备610可以包括键盘、鼠标或者其他光学或无线计算机输入设备等。此外，网络接口612可以提供通信连接，使得可以经由各种通信协议(诸如传输控制协议/互联网协议(TCP/IP)、超文本传输协议(HTTP)等)通过计算机网络远程地访问计算机系统600。
数据库614可以包含模型数据和/或者与正在分析的数据记录相关的任何信息，诸如模型参数和测试数据。数据库614可以包括任何类型的商业或定制数据库。数据库614还可以包括用于分析数据库中的信息的分析工具。处理器602还可以使用数据库614来确定和存储广义模型的性能特性。
所公开的示例性医学设备和方法的其他实施例、特征、方面和原理对于本领域技术人员而言将是显而易见的，并且可以在各种环境和系统中来实施。

Claims (32)

1.一种计算机实施的治疗控制支持方法，其生成用于自适应地预测从总群体中任意选择的第一亚群体的特定的第一不利健康状况的发生或发展的通用模型，所述方法包括：
-控制提取模块以从多个出版物和/或主要临床数据源中提取关于多个第二亚群体的表征特征、关于在其中发现的所述第一不利健康状况的发生和/或严重性和/或关于对应的预后结果的信息；
-控制关联器模块以：从所述多个出版物和/或主要临床数据源中的每个中，将在其中识别出的所述表征特征中的一个或多个表征特征与对应的第一因素相关联，所述第一因素指示与所述表征特征对所述第一不利健康状况的出现或发展的不利或有益贡献的关系；并且还将所述表征特征中的一个或多个表征特征与对应的第二因素相关联，所述第二因素指示在相应出版物中所考虑的相应第二亚群体中的相对发生频率；
-控制组合器模块以将所述表征特征以及所述表征特征的第一因素和第二因素组合为针对所述总群体的通用模型，其中，组合包括计算患者的基线风险；以及
-控制通信模块以可取回的方式将所述通用模型存储在计算机可访问和可读介质上。
2.根据权利要求1所述的方法，还包括：控制所述提取模块以实施电子文本处理、光学字符识别和自然语言处理中的一个或多个。
3.根据权利要求1或2所述的方法，还包括：在生成所述通用模型之前，根据表示所述出版物和/或主要临床数据源的质量的值，来控制所述提取模块以调节、排序和/或选择所述表征特征和相关联的因素。
4.根据权利要求1至3中的任一项所述的方法，还包括：根据表示与跨所述多个出版物和/或主要临床数据源的单个表征特征相关联的结果的条件概率的值，来调节、排序和/或选择所述表征特征和相关联的因素。
5.根据权利要求1至4中的任一项所述的方法，还包括：根据接收到的预测时间目标或者针对至少一个预设的预测时间目标，来调节、排序和/或选择所述表征特征和相关联的因素。
6.根据权利要求1至5中的任一项所述的方法，还包括：根据在所述第一亚群体中的所述第一不利健康状况的接收到的当前阶段或严重性或者针对至少一个预设的阶段或严重性，来调节、排序和/或选择所述表征特征和相关联的因素。
7.根据权利要求1至6中的任一项所述的方法，还包括：在所述方法的第一轮中，将所述多个出版物和/或主要临床数据源限于考虑所述第一不利健康状况的那些出版物和/或主要临床数据源；并且在所述方法的第二轮中，使用所述第一轮的结果作为对所述方法的输入，并且使用不考虑所述第一不利健康状况的一个或多个出版物和/或主要临床数据源。
8.一种自适应地预测总群体中的任意可选择的第一亚群体的第一不利健康状况的发生或发展的计算机实施的方法，包括：
-控制通信模块以从根据权利要求1至7中的一项或多项所述的方法生成并存储在计算机可访问和可读存储器中的通用模型接收一个或多个表征特征；
-控制所述通信模块以接收表征所述第一亚群体的数据；
-控制所述通信模块以将来自所述通用模型的接收到的所述一个或多个表征特征和表征所述亚群体的数据提供给实施概率模型的预测器模块；
-控制所述预测器模块以提供来自软件模块的概要分数，指示针对所述第一亚群体的所述不利健康状况的发生或发展的风险或概率；以及
-控制所述通信模块以向用户提供一个或多个表征特征以及所述一个或多个表征特征对所述不利健康状况的发生或发展的风险或概率的积极影响或消极影响。
9.根据权利要求8所述的方法，其中，所述预测器模块还被配置为：根据作为另外的输入而接收到的所述第一亚群体中的所述第一不利健康状况的当前阶段或严重性，来调节、排序和/或选择所述表征特征和相关联的因素。
10.根据权利要求8或9所述的方法，还包括：根据所述一个或多个表征特征对所述概要分数的贡献的重要性，以排序的次序提供所述一个或多个表征特征和所述一个或多个表征特征对所述不利健康状况的发生或发展的风险或概率的积极影响或消极影响。
11.根据权利要求10所述的方法，还包括：突出对所述不利健康状况的发生或发展的风险或概率具有积极影响或消极影响的那些表征特征，所述表征特征能够通过来自包括治疗、生活方式的改变、饮食的改变和医学干预的非穷尽列表的一个或多个相应动作来更改或影响。
12.根据权利要求11所述的方法，还包括：提供关于通过相应动作来更改所述不利健康状况的发生或发展的风险或概率的程度的信息。
13.根据权利要求8至12中的任一项所述的方法，还包括：基于不利健康状况的种类和/或风险分数来提供对治疗推荐的选择。
14.根据权利要求8至13中的任一项所述的方法，还包括：提供对额外诊断测试和/或治疗的选择，所述额外诊断测试和/或治疗能够产生涉及或描述另外的表征特征的数据，所述数据能够被提供给所述预测器模块以提高所述概要分数的准确性。
15.根据权利要求14所述的方法，还包括：以排序的次序提供对额外诊断测试和/或治疗的选择。
16.一种治疗控制支持系统的模型生成器，其被配置为生成用于自适应地预测从总群体中任意选择的第一亚群体的特定的第一不利健康状况的发生或发展的通用模型，所述模型生成器和/或所述模型生成器的组成部件包括微处理器、易失性和/或非易失性存储器、一个或多个数据和/或用户界面或者与其协作，并且所述模型生成器还包括：
-提取模块，其适于从多个出版物和/或主要临床数据源中提取关于多个第二亚群体的表征特征、关于在其中发现的所述第一不利健康状况的发生和/或严重性和/或关于对应的预后结果的信息；
-关联器模块，其适于：从所述多个出版物和/或主要临床数据源中的每个中，将在其中识别出的所述表征特征中的一个或多个表征特征与对应的第一因素相关联，所述第一因素指示与所述表征特征对所述第一不利健康状况的出现或发展的不利或有益贡献的关系；并且还将所述表征特征中的一个或多个表征特征与对应的第二因素相关联，所述第二因素指示在相应出版物中所考虑的相应第二亚群体中的相对发生频率；
-组合器模块，其适于将所述表征特征以及所述表征特征的第一因素和第二因素组合为针对所述总群体的通用模型，其中，组合包括计算患者的基线风险；以及
-通信模块，其适于以可取回的方式将所述通用模型存储在计算机可访问和可读介质上。
17.根据权利要求16所述的模型生成器，还包括填装模块，其适于接收与选择特定的第一不利健康状况和/或所述第一不利健康状况的严重性或当前阶段相对应的输入，其中，所述特定的第一不利健康状况和/或者所述第一不利健康状况的严重性或当前阶段用于选择各种统计模型中的一个统计模型以生成所述通用模型。
18.根据权利要求16所述的模型生成器，其中，所述提取模块被配置为实施电子文本处理、光学字符识别和自然语言处理中的一个或多个。
19.根据权利要求16至18中的任一项所述的模型生成器，还被配置为：在生成所述通用模型之前，根据表示所述出版物和/或主要临床数据源的质量的值，来调节、排序和/或选择所述表征特征和相关联的因素。
20.根据权利要求16至19中的任一项所述的模型生成器，还被配置为：根据表示与跨所述多个出版物和/或主要临床数据源的单个表征特征相关联的结果的条件概率的值，来调节、排序和/或选择所述表征特征和相关联的因素。
21.根据权利要求16至20中的任一项所述的模型生成器，还被配置为：根据接收到的预测时间目标或者针对至少一个预设的预测时间目标，来调节、排序和/或选择所述表征特征和相关联的因素。
22.根据权利要求16至22中的任一项所述的模型生成器模块，还被配置为：根据在所述第一亚群体中的所述第一不利健康状况的接收到的当前阶段或严重性或者针对至少一个预设的阶段或严重性，来调节、排序和/或选择所述表征特征和相关联的因素。
23.根据权利要求16至22中的任一项所述的模型生成器模块，还被配置为：在第一轮中，控制所述提取模块以将所述多个出版物和/或主要临床数据源限于考虑所述第一不利健康状况的那些出版物和/或主要临床数据源；并且在第二轮中，使用所述第一轮的结果作为输入，并且使用不考虑所述第一不利健康状况的一个或多个出版物和/或主要临床数据源。
24.一种被配置为自适应地预测总群体中的任意可选择的第一亚群体的第一不利健康状况的发生或发展的治疗控制支持系统，所述系统和/或所述系统的构成部件包括微处理器、易失性和/或非易失性存储器、一个或多个数据和/或用户接口或者与其协作，并且所述系统还包括：
-通信模块，其被配置为接收识别或选择所述第一不利健康状况的输入，和由根据权利要求16至23中的一项或多项所述的治疗控制支持系统的所述模型生成器生成并存储在计算机可访问和可读存储器中的适于所述第一不利健康状况的通用模型以及用在所述通用模型中的一个或多个表征特征；所述通信模块还被配置为接收表征所述第一亚群体的对应数据；
-预测器模块，其被配置为处理根据所述通用模型和表征所述亚群体的数据接收到的所述一个或多个表征特征，其中，所述预测器模块包括由计算机可执行的实施概率模型的计算机程序指令，其中，根据所述第一不利健康状况来选择或适应所述概率模型和/或所述概率模型的参数，其中，所述预测器模块被配置为根据接收到的通用模型、所述表征特征和表征所述第一亚群体的数据来应用所述概率模型，用于输出指示所述第一亚群体中的所述不利健康状况的发生或发展的风险或概率的概要分数；并且
-其中，所述通信模块还被配置为向用户或另外的计算机系统提供所述概要分数和/或一个或多个表征特征以及所述一个或多个表征特征对所述不利健康状况的发生或发展的风险或概率的积极影响或消极影响。
25.根据权利要求24所述的治疗控制支持系统，其中，所述预测器模块还被配置为：根据作为另外的输入而接收到的所述第一亚群体中的所述第一不利健康状况的当前阶段或严重性，来调节、加权、排序和/或选择所述表征特征和相关联的因素。
26.根据权利要求24或25所述的治疗控制支持系统，其中，所述预测器模块或所述通信模块还被配置为：根据所述一个或多个表征特征对所述概要分数的贡献的重要性，以排序的次序提供所述一个或多个表征特征和所述一个或多个表征特征对所述不利健康状况的发生或发展的风险或概率的积极影响或消极影响。
27.根据权利要求24至26中的任一项所述的治疗控制支持系统，其中，所述通信模块还被配置为：突出对所述不利健康状况的发生或发展的风险或概率具有积极影响或消极影响的那些表征特征，所述表征特征能够通过来自包括治疗、生活方式的改变、饮食的改变和医学干预的非穷尽列表的一个或多个相应动作来更改或影响。
28.根据权利要求24至27中的任一项所述的治疗控制支持系统，其中，所述预测器模块或所述通信模块还被配置为：提供关于通过相应动作来更改所述不利健康状况的发生或发展的风险或概率的程度的信息。
29.根据权利要求24至28中的任一项所述的治疗控制支持系统，其中，所述通信模块还被配置为：响应于发布给数据库的请求，或者与所述通信模块连接的人工智能系统，基于不利健康状况的种类和/或风险分数来提供对治疗推荐的选择，所述数据库存储针对多个不利健康状况的每一个不利健康状况的至少一个治疗推荐。
30.根据权利要求24至29中的任一项所述的治疗控制支持系统，其中，所述预测器模块还被配置为：通过所述通信模块来提供对额外诊断测试和/或治疗的选择，所述额外诊断测试和/或治疗能够产生涉及或描述另外的表征特征的数据，所述数据能够被提供给所述预测器模块以提高所述概要分数的准确性。
31.一种用于生成通用模型的系统，所述通用模型用于自适应地预测从总群体中任意选择的第一亚群体的第一不利健康状况的发生或发展，所述系统包括：
-提取模块，其被配置为：接收表示多个出版物和/或主要临床数据源的第一数据信号；从源自所述多个出版物和/或主要临床数据源的所述数据信号中提取关于多个第二亚群体的表征特征、关于在其中发现的所述第一不利健康状况的发生和/或严重性和/或关于对应的预后结果的信息；并且生成对应的第二数据信号；
-关联模块，其被配置为：接收所述第二数据信号；将在所述多个出版物和/或主要临床数据源中的每个中识别出并且由所述第二数据信号表示的所述表征特征中的一个或多个表征特征与对应的第一因素相关联，所述第一因素指示与所述表征特征对所述第一不利健康状况的发生或发展的不利或有益贡献的关系；生成对应的第三数据信号；还将所述表征特征中的一个或多个表征特征与对应的第二因素相关联，所述第二因素指示在相应出版物和/或主要临床数据源中所考虑的相应第二亚群体中的相对发生频率；并且生成对应的第四数据信号；
-组合模块，其被配置为：接收所述第二数据信号、所述第三数据信号和所述第四数据信号；将由所述第二数据信号、所述第三数据信号和所述第四数据信号表示的所述表征特征以及所述表征特征的第一因素和第二因素组合为针对所述总群体的通用模型，其中，组合包括计算患者的基线风险；并且提供表示所述通用模型的第五数据信号；以及
-数据访问模块，其被配置为：访问计算机可访问和可读介质；并且以可取回的方式在所述计算机可访问和可读介质中存储表示所述通用模型的所述第五数据信号。
32.一种用于自适应地预测总群体中的任意可选择的第一亚群体的第一不利健康状况的发生或发展的系统，包括：
-第一数据接收器模块，其被配置为从根据权利要求1至7中的一项或多项所述的方法生成并存储在计算机可访问和可读存储器中的通用模型接收表示一个或多个表征特征的数据信号；
-第二数据接收器模块，其被配置为接收表示所述第一亚群体的表征的数据信号；
-软件模块，其被配置为从所述通用模型接收并处理表示接收到的所述一个或多个表征特征的数据信号和表示所述亚群体的表征的数据信号，所述软件模块包括概率模型的实施方式，并且被配置为提供来自所述软件模块的概要分数，指示针对所述第一亚群体的所述不利健康状况的发生或发展的风险或概率；以及
-提供模块，其被配置为向用户或另外的医学设备提供一个或多个表征特征以及所述一个或多个表征特征对所述不利健康状况的发生或发展的风险或概率的积极影响或消极影响。
CN201880064463.0A 2017-10-12 2018-10-05 预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法 Pending CN111164705A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17196137.8 2017-10-12
EP17196137.8A EP3471107A1 (en) 2017-10-12 2017-10-12 Medical device and computer-implemented method of predicting risk, occurrence or progression of adverse health conditions in test subjects in subpopulations arbitrarily selected from a total population
PCT/EP2018/077069 WO2019072692A1 (en) 2017-10-12 2018-10-05 MEDICAL DEVICE AND COMPUTER-IMPLEMENTED METHOD FOR PREDICTING THE RISK, APPEARANCE OR PROGRESSION OF ADVERSE HEALTH CONDITIONS IN TEST SUBJECTS IN ARBITRAINLY CHOSEN SUB POPULATIONS FROM A TOTAL POPULATION

Publications (1)

Publication Number Publication Date
CN111164705A true CN111164705A (zh) 2020-05-15

Family

ID=60117510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880064463.0A Pending CN111164705A (zh) 2017-10-12 2018-10-05 预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法

Country Status (5)

Country Link
US (1) US20200258639A1 (zh)
EP (2) EP3471107A1 (zh)
JP (1) JP7245236B2 (zh)
CN (1) CN111164705A (zh)
WO (1) WO2019072692A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114334125A (zh) * 2021-11-30 2022-04-12 安徽科大讯飞医疗信息技术有限公司 诊断预测方法及相关装置、电子设备和存储介质
CN117727456A (zh) * 2023-12-28 2024-03-19 江苏智慧智能软件科技有限公司 一种基于人工智能的产科心理评估模型塑造系统及方法
CN118095871A (zh) * 2024-04-28 2024-05-28 安徽省立医院(中国科学技术大学附属第一医院) 一种基于数字医疗下的手术患者安全控制系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3665705A1 (en) 2017-08-08 2020-06-17 Fresenius Medical Care Holdings, Inc. Systems and methods for treating and estimating progression of chronic kidney disease
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
US11532132B2 (en) * 2019-03-08 2022-12-20 Mubayiwa Cornelious MUSARA Adaptive interactive medical training program with virtual patients
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
US20220189590A1 (en) * 2020-12-16 2022-06-16 Intervention Insights, Inc. System and method for determining testing and treatment
EP4109464A1 (en) 2021-06-22 2022-12-28 Fresenius Medical Care Deutschland GmbH Value-based advanced clinical benchmarking
US12079230B1 (en) 2024-01-31 2024-09-03 Clarify Health Solutions, Inc. Computer network architecture and method for predictive analysis using lookup tables as prediction models
CN117958763B (zh) * 2024-03-29 2024-05-31 四川互慧软件有限公司 一种基于时间轴的患者360度指标检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0563654A1 (en) * 1992-03-18 1993-10-06 Hoechst-Roussel Pharmaceuticals Incorporated Risk determination for drug treatment
US20060173663A1 (en) * 2004-12-30 2006-08-03 Proventys, Inc. Methods, system, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality
CN102246197A (zh) * 2008-10-10 2011-11-16 心血管疾病诊断技术公司 利用专家知识和应用复杂性科学自动化管理医学数据以用于风险评估和诊断
US20140095201A1 (en) * 2012-09-28 2014-04-03 Siemens Medical Solutions Usa, Inc. Leveraging Public Health Data for Prediction and Prevention of Adverse Events

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6059724A (en) * 1997-02-14 2000-05-09 Biosignal, Inc. System for predicting future health
US7693683B2 (en) * 2004-11-25 2010-04-06 Sharp Kabushiki Kaisha Information classifying device, information classifying method, information classifying program, information classifying system
AU2008310576B2 (en) * 2007-10-12 2014-01-23 Patientslikeme, Inc. Personalized management and comparison of medical condition and outcome based on profiles of community of patients
JP6734582B2 (ja) 2015-12-22 2020-08-05 国立研究開発法人理化学研究所 リスク評価方法、リスク評価装置及びリスク評価プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0563654A1 (en) * 1992-03-18 1993-10-06 Hoechst-Roussel Pharmaceuticals Incorporated Risk determination for drug treatment
US20060173663A1 (en) * 2004-12-30 2006-08-03 Proventys, Inc. Methods, system, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality
CN102246197A (zh) * 2008-10-10 2011-11-16 心血管疾病诊断技术公司 利用专家知识和应用复杂性科学自动化管理医学数据以用于风险评估和诊断
US20140095201A1 (en) * 2012-09-28 2014-04-03 Siemens Medical Solutions Usa, Inc. Leveraging Public Health Data for Prediction and Prevention of Adverse Events

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114334125A (zh) * 2021-11-30 2022-04-12 安徽科大讯飞医疗信息技术有限公司 诊断预测方法及相关装置、电子设备和存储介质
CN117727456A (zh) * 2023-12-28 2024-03-19 江苏智慧智能软件科技有限公司 一种基于人工智能的产科心理评估模型塑造系统及方法
CN117727456B (zh) * 2023-12-28 2024-05-24 江苏智慧智能软件科技有限公司 一种基于人工智能的产科心理评估模型塑造系统及方法
CN118095871A (zh) * 2024-04-28 2024-05-28 安徽省立医院(中国科学技术大学附属第一医院) 一种基于数字医疗下的手术患者安全控制系统

Also Published As

Publication number Publication date
EP3471107A1 (en) 2019-04-17
JP7245236B2 (ja) 2023-03-23
US20200258639A1 (en) 2020-08-13
JP2020537232A (ja) 2020-12-17
WO2019072692A1 (en) 2019-04-18
EP3695418A1 (en) 2020-08-19

Similar Documents

Publication Publication Date Title
CN111164705A (zh) 预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法
Edwards et al. Development and validation of a risk prediction model for in-hospital mortality after transcatheter aortic valve replacement
JP6127160B2 (ja) 個人化ヘルスケアシステム及び方法
JP6780520B2 (ja) オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステム及び方法
US20190156947A1 (en) Automated information collection and evaluation of clinical data
US11037070B2 (en) Diagnostic test planning using machine learning techniques
US7584166B2 (en) Expert knowledge combination process based medical risk stratifying method and system
WO2021226132A2 (en) Systems and methods for managing autoimmune conditions, disorders and diseases
US20110202486A1 (en) Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions
JP7010946B2 (ja) 健康状態の計算解析を容易化するシステム及び方法
WO2007123914A2 (en) Prognosis modeling from one or more sources of information
KR20190062461A (ko) 의료 데이터 마이닝을 위한 시스템 및 방법
US11710572B2 (en) Experience engine-method and apparatus of learning from similar patients
US20240197245A1 (en) Methods and systems for utilizing diagnostics for informed vibrant constituional guidance
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
Abdelhak et al. Challenges and opportunities for the promising biomarker blood neurofilament light chain
JP2009205464A (ja) 医療情報処理装置、医療情報処理方法、及び医療情報処理プログラム
WO2020148757A1 (en) System and method for selecting required parameters for predicting or detecting a medical condition of a patient
Canino et al. Feature selection model for diagnosis, electronic medical records and geographical data correlation
JP4729444B2 (ja) 健康指導支援システム
Alotaibi et al. Early prediction of gestational diabetes using machine learning techniques
US20220319650A1 (en) Method and System for Providing Information About a State of Health of a Patient
US20240087756A1 (en) Systems and methods for susceptibility modelling and screening based on multi-domain data analysis
US20240071623A1 (en) Patient health platform
Roy et al. The Advent of Artificial Intelligence in Diabetes Diagnosis: Current Practices and building blocks for future prospects

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