CN111540474A - 个体化用药中信息的电子递送 - Google Patents

Abstract

根据实施例的方面，一种在临床非研究性环境中提供信息驱动的个体化保健的方法可包括捕捉一个或多个数据流，其中每个数据流与患者的保健有关。所述方法还可包括：将所述数据流整合以生成综合诊断数据；以及分析所述综合诊断数据以生成经分析的诊断数据。所述方法还可包括：策管所述经分析的诊断数据；以及基于所述策管的分析诊断数据生成综合报告以呈现给所述患者的医师。

Description

个体化用药中信息的电子递送

本申请是申请号为201480026650.1、申请日为2014年3月14日、发明名称为“个体化用药中信息的电子递送”的申请的分案申请。

本申请技术领域

本文论述的实施例涉及个体化用药中信息的电子递送。

背景技术

医药变得越来越个体化，这意味着根据包括基因型数据和表型数据的患者个体健康数据来制定治疗。基因型数据可以包括选择的遗传标记、单核苷酸多态性(SNP)或完整基因序列。表型数据可以包括患者体检数据、临床评分以及量表、实验室结果(诸如来自体外测试)、以及体内成像数据(诸如磁共振成像(MRI)扫描)。测序成本因诸如下一代测序(NGS)的新颖技术而迅速下降，并且可预见的是，此类数据将变为像MRI扫描那样普遍而且低成本。嵌入式消费电子设备诸如加速计和移动心电图仪(ECG)中的穿戴式传感器正出现，并提供了经由互联网来实时连续测量表型数据以给出“数字健康”的装置。

诊断是定义患者疾病状态的确切性质的第一个步骤，通常涉及转变成数字信息的实体测量，诸如转变成DICOM图像格式文件的MRI扫描。实验室数据可转变成可移植文档格式(PDF)文件或以结构化健康层7(HL7)格式递送。随后可基于共同特征将患者疾病状态“分成不同等级”，并且之后为患者选择实现最佳成果的定制治疗方案。

阿尔茨海默病(AD)的诊断比较复杂，尤其是在疾病的早期阶段(前驱或症状前疾病)。诊断可以包括临床评分(诸如认知测试)以及复杂生物标记(诸如定量MRI数据)。有认知问题的患者通常先由繁忙的非专家初级护理医师(PCP)看护，PCP可能最终会建议患者去专科记忆力诊所看病；然而，阿尔茨海默病的早期诊断通常在首次出现认知症状之后推迟几年才完成。检查会重复进行，这是因为这些检查在质量上存在问题并且缺乏标准，或仅因为专家无法查看之前的检查，这通常是由于数据无法轻易共享。有时，在诊断过程中，初级护理医师很早就会预定价格昂贵的PET扫描，而没有将诊断过程分成先从低成本的筛查开始再到确认诊断的不同阶段来一步一步地提高诊断的确定性。

本文中要求保护的主题不限于解决任何缺点的实施例或者仅在诸如上述环境的环境下操作的实施例。相反，提供此背景技术仅仅用来示出可实践本文所述一些实施例的一种示例性技术领域。

发明内容

根据实施例的方面，一种在临床非研究性环境中提供信息驱动的个体化保健的方法可包括捕捉一个或多个数据流，其中每个数据流与患者的保健有关。该方法还可包括：将数据流整合以生成综合诊断数据；以及分析综合诊断数据以生成经分析的诊断数据。该方法还可包括：策管经分析的诊断数据；以及基于策管的分析诊断数据生成综合报告以呈现给患者的医师。

实施例的目的和优点将至少通过在权利要求书中特别指出的元件、特征和组合实现和达到。应当理解，上述的一般性说明和下述的详细说明都是示例性的和解释性的，并且不限制所要求保护的本发明。

附图说明

将通过使用附图以额外的特定性和细节来说明和解释示例性实施例，在附图中：

图1是示出用于个体化用药的示例性社交网络的示意图；

图2是示出用于个体化用药的社交网络的参与者之间的示例性病例信息数据共享的示意图；

图3是示出用于个体化用药的社交网络内的私有网络的参与者之间的示例性推荐数据流的示意图；

图4是示出用于个体化用药的社交网络内的私有网络的示例性网络管理的示意图；

图5是示出将新信息添加至用于个体化用药的社交网络内的病例的示例性数据流的示意图；

图6是示出用于个体化用药的社交网络内的示例性诊断与治疗数据流的示意图；

图7是示出在用于个体化用药的社交网络内添加和整合病例信息的实例的示意图；

图8是示出使用社交网络进行个体化用药的系统的示例性组件的示意图；

图9是示出用于个体化用药的示例性系统的示意图；

图10至14是用于生成报告以供呈现的示例性方法的数据流；以及

图15是在临床非研究性环境中提供信息驱动的个体化保健的示例性方法的流程图。

具体实施方式

本文的一些实施例描述用于个体化用药的数字健康平台的方法和系统，尤其是在阿尔茨海默病诊断领域。本发明描述了从患者疾病状态的实体测量中捕捉到的各种数据流的整合，以及此类信息在初级护理医师与专家之间的电子路由，以及促进阿尔茨海默病和其他疾病的个体化治疗的诊断和提供的数据分析单元。所述系统结合可扩展的基于云的社交网络架构，该网络架构管理在社交网络的参与者之间的符合健康保险流通与责任法案(HIPAA)的个人健康信息交换(包括加密文件传输以及消息传送)。诊断信息的交换是基于权限的，并且允许推荐专家以提高诊断的确定性，并且由数据分析单元来增强。

基于云的社交网络架构允许保健提供方就患者病例进行有效合作并以符合法规的方式共享数据。此外，基于云的社交网络架构的数据分析单元允许保健提供方之间的诊断工作流程优化，减少不必要的检查，提高数据和诊断工具的质量，并且帮助使非专科医师能够利用最佳实践。

将参考附图对本发明的实施例进行说明。

图1是根据本文所述的至少一些实施例布置的用于个体化用药的示例性社交网络100的示意图。该社交网络示出各种参与者，包括现有用户110、新用户120、代表122、会诊医师130、实验室140和数据分析单元150。可相对于社交网络100和社交网络100内的参与者执行各种操作。例如，可将参与者添加至社交网络100，社交网络100中的参与者可就患者的医疗护理进行合作，并且关于患者的医疗护理的数据可被整合和分析。

为向社交网络添加参与者，首先可识别参与者。例如，现有用户110可为初级护理医师，该现有用户可识别要添加至社交网络100的新用户120，该新用户可为神经科专家。现有用户110可选择搜索外部提供方数据库，诸如国家计划和提供者枚举系统(NPPES)，以获得新用户120的初始联系信息。现有用户110还可验证正确电子联系信息，例如通过电话验证。

当参与者正被添加至社交网络100时，该参与者可指定在社交网络100的私有部分或社交网络100的非私有部分中的参与者。在一些实施例中，社交网络100的私有部分可用于与医院网络相关联的参与者。在一些实施例中，社交网络100可以具有多个私有部分。作为指定社交网络100的私有部分中的参与者的实例，当新用户120属于现有用户110相关联的医院网络时，现有用户110可以指定要变为属于社交网络100的私有部分的新用户120。在这些和其他实施例中，会诊医师130可为外部参与者，诸如医院网络外的核医学专家，其可执行正电子发射计算机断层(PET)扫描或其他诊断测试。

可以各种方式将新用户120添加至社交网络100。例如，在一些实施例中，可使用邀请将新用户120添加至社交网络。现有用户110可将基本信息输入用于支持社交网络100的系统，诸如结合图9所描述的系统中，以便以电子方式发起联系，所述电子方式诸如新用户120的电子邮件和姓名。在为新用户120输入基本信息或指示基本信息后，现有用户110可向新用户120发送加入用于个体化用药的社交网络100的邀请。在一些实施例中，给新用户120的邀请可在现有用户110指示新用户120的身份后从模板自动生成。

邀请可由电子邮件或其他消息传送系统发出，并且包含指向社交网络100的登录页面的链接。还可自动创建新用户120用来访问社交网络100的初始密码。出于安全考虑，初始密码可由单独消息发出，或通过在新用户120的办公室中或移动电话上呼叫新用户120来进行递送。在一些实施例中，可由生物计量身份验证诸如指纹、语音、面部识别和/或其他电子访问控制系统来增强或取代密码认证。作为实例而且非限制性地，所述其他电子访问控制系统可以包括基于卡的方法和配备有电子身份验证的智能电话。在一些实施例中，认证方法可为多因素认证，诸如双因素认证(TFA)，其可使用三个验证因素中的两个或更多个因素的呈现，所述因素诸如知识因素(诸如密码)、占有因素(诸如社交网络提供方签发的专用访问卡)，以及内在因素(诸如生物计量因素，如语音或视频认证)。

在用户接收加入社交网络100的邀请后，新用户120通过将初始密码改为他/她所选择的安全格式密码(诸如具有特定长度和字符)并将附加信息(例如，职业详情、地址，以及其他联系信息诸如寻呼机、移动电话、传真号码、偏好等等)输入表单中，来完成注册过程。

在一些实施例中，注册过程可不需要新用户120输入密码或添加关于新用户120的任何附加信息。例如，认证可仅包括TFA，如上所述。在这些和其他实施例中，TFA可以包括在验证新成员凭据并获得生物计量因素后，分配用于社交网络100的专用访问卡或一些其他访问信息。在一些实施例中，可由现有用户110从新用户120获得生物计量因素，例如在医学会议上获得。还可通过其他来源诸如提供方数据库或证书授予机构获得关于新用户120的附加信息。可将新用户120的附加信息填到表单中，以使新用户120的注册过程变得容易，同时保持安全性和隐私。

在一些实施例中，当新用户120属于社交网络100的私有部分时，与社交网络100的私有部分相关联的管理员可通过与社交网络100相关联的管理模块添加新用户120。管理员可以是现有用户110，并且/或者管理员可以是社交网络100中的在图1中未示出的另一个参与者。在这些和其他实施例中，管理员可以就参与者邀请新的成员、接收病例和/或在社交网络100内推荐/发送病例的能力限制参与者在社交网络100内的权限。

在一些实施例中，当新用户120被添加至社交网络100时，新用户120可以与代表122相关联，该代表诸如是代表新用户120来操作的职业护士或医师助理。在这些和其他实施例中，管理员可通过管理模块添加代表122。在一些实施例中，社交网络100对于社交网络100内的参与者而言是可搜索到的，以便实现合作目的，诸如邀请社交网络100内的参与者就患者的医疗护理进行合作。

社交网络100还可被配置成允许社交网络内的参与者在社交网络100内使用双向安全消息传送通信和/或视频/语音会议就特定治疗进行交流。作为另外一种选择或除此之外，社交网络内的参与者可以使用定制的移动通信应用程序进行交流。还可利用现有通信信道，诸如短消息(SMS)传送、寻呼机、或电子邮件进行非安全消息传送/警报。例如，非安全消息传送可用于向医师指示需要他/她注意，或向参与者通知最近活动，诸如有关患者的信息已更改、添加或更新。

如前所述，参与者可就患者的医疗护理进行合作。如本文所用，患者医疗护理在本文中可指患者病例或病例。如所指出的那样，社交网络100内的参与者可就患者病例进行合作。这种合作可以基于推荐程序发生。例如，在新用户120加入社交网络100或去实验室140进行进一步诊断评估后，现有用户110(可为初级护理医师(PCP))可向新用户120(诸如专家)推荐患者病例。现有用户110可以在患者护理的特定事件期间充当“患者病例所有者”，并且输入基本患者病例数据，例如患者详情(诸如姓名、性别、出生日期、联系信息和保险信息)。现有用户110还可输入病例的描述性信息，诸如优先级、推荐类型、对推荐的预期响应以及病例概述信息。诸如概述信息的描述性信息也可从其他健康管理系统(例如，电子医疗记录(EMR)系统)导入。现有用户110还可以向社交网络100的私有部分或整个社交网络100内的多个成员推荐病例，以就一个病例进行合作。例如，现有用户110可在护理的某个事件(例如，治疗的某个阶段)期间向会诊医师130推荐病例，直到现有用户110认为该护理事件已完成。

社交网络100内的参与者之间关于病例的合作可包括与参与者共享信息以确定病例信息(例如，患者测试结果、实验室结果、诊断、患者病史等等)。在一些实施例中，社交网络100可以包括用于存储关于病例的信息的云存储器。社交网络100内与病例相关联的参与者能够访问云存储器以获取病例，并向云存储器添加信息或从云存储器检索信息。在本文中，就特定病例向云存储器添加信息或从云存储器检索信息可以称为向病例添加信息或从病例检索、查看或访问信息。由于病例信息是社交网络100的组成部分，社交网络100内与病例相关联的参与者可从病例访问其他参与者已向病例添加的信息。

例如，现有用户110可向病例添加附加的病例内容(以及随附的元数据/描述性信息)。附加的病例内容可以包括某种疾病诸如阿尔茨海默病的认知筛查测试、基因测试和/或血液测试的结果。测试结果可以电子格式提供，诸如PDF文档格式的测试报告。可通过文件上传器将报告添加至病例，或直接从另一个健康管理系统(诸如电子医疗记录(EMR)系统)将报告添加至病例。可以类似方式将医学图像添加至病例。例如，可通过上传医学数字成像和通信(DICOM)文件，或直接从图象归档与通信系统(PACS)将医学图像添加至病例。可将来自在患者家中执行的测试(诸如移动设备上的认知筛查测试)的信息添加至病例。作为另外一种选择或除此之外，可将来自PCP或专家办公室的测试的信息添加至病例，这些信息已被或尚未被第三方服务提供方(例如，实验室服务或数据分析单元)进一步增强。在一些实施例中，可以测试结果和/或报告形式添加至病例的信息可以包含规范和/或年龄相关范围、与规范和/或年龄相关范围有关的患者的个体值的曲线图、以及患者的医学图像或代表性的其他病例图示。可以测试结果和/或报告形式添加至病例的信息还可包含背景和/或解释性信息，诸如指向URL或公开物，或者包括一个或许多个公开物的节选或概述。

社交网络100中的参与者之间的合作可以通过参与者请求另一参与者查阅来促成。例如，现有用户110(可为PCP)可以请求新用户120(诸如专家)加入社交网络100并与社交网络100中的病例相关联。作为另外一种选择或除此之外，现有用户110可以使用社交网络或一些其他方法(诸如社交网络100外部的目录网站)来识别出新用户120属于社交网络100。在这些和其他实施例中，现有用户110可以请求新用户120就某个病例与现有用户110合作。可以与上述类似的方式或以不同方式发布请求。在新用户120开始就病例进行合作时，现有用户110可向新用户120发送病例以供进一步评估和/或查阅。在一些实施例中，现有用户110可向新用户120指示：信息已添加至病例以供新用户120查阅。如上所述，新信息的指示可以手动执行(例如通过消息传送执行)，或可在新信息添加至病例后自动执行。

此例如，现有用户110可向新用户120发送患者病例以供进一步评估，其中现有用户110是PCP，并且新用户120是神经科会诊医师。进一步评估可以包括借助计算机化认知成套测验的综合神经和/或神经病理检查。在向新用户120发送患者病例之前，现有用户110可能已经添加了病例内容，诸如筛查测试结果和/或其他信息(诸如患者病史和用药情况)，以及新用户120的病例概述。新用户120可以利用安全移动消息传送或通过由社交网络100提供用以查看关于病例的信息的移动病例仪表板应用程序来查阅病例概述信息和相关消息。仪表板应用程序可以允许预览可用病例内容，例如报告或已有图像，诸如磁共振成像(MRI)或PET扫描。

在一些实施例中，可通过由语音、触摸、手势、眼动跟踪以及其他输入驱动的自然用户界面(NUI)来导航仪表板应用程序。仪表板应用程序可呈现在多种固定式或投影显示器和/或柔性或可穿戴显示设备诸如能够显示情景感知叠加信息(增强现实)的眼镜上。在一些实施例中，仪表板应用程序还可以是具有或不具有NUI输入的基于浏览器的应用程序，并且允许下载病例内容诸如图像以供在第三方查看器或应用程序诸如DICOM图像查看器上进一步查阅。在这些和其他实施例中，基于浏览器的仪表板应用程序可在安全企业计算环境内使用，例如用在医院、医疗中心、医生办公室的防火墙或一些其他防火墙内的专用工作站或访问设备上。

当信息被添加至病例(此类信息是图像或实验室或认知测试数据)时，信息可在现场没有严格质量标准的情况下被获取，并且/或者可不呈在病例之间或相同病例内可比较的形式。因此，信息可不适于进一步分析，此分析可以包括定量图像分析、下一代测序(NGS)基因组分析、或基因表达分析。为了确保病例内以及病例间的可比较的数据元素，可由数据分析单元150检查添加至病例的信息是否符合质量标准。例如，可在进一步处理(诸如自动分析淀粉样蛋白PET扫描、海马体积定量或使用MRI成像的DIT纤维跟踪成像)之前针对某些来源数据获取参数和所使用的设备来检查数据。当信息不满足某个标准时，例如，如果信息不允许进行适当定量，那么可将信息发送回发送该信息的参与者或连接至该病例的其他参与者。

在一些实施例中，就社交网络100内的病例共享的信息可以不呈定量形式。例如，MRI或PET扫描产生的图像可不具有与图像相关联的定量信息；然而，定量信息可从图像得到。在这些和其他实施例中，图像数据以及在本质上未定量的其他信息可用于执行定量图像分析以有助于诊断以及与社交网络中的其他参与者共享。例如，放射科专家可执行定量分析以便于纵向比较和/或治疗决策制定。除了定量读取扫描诸如MRI之外，可执行定量图像分析以排除其他疾病或有助于鉴别诊断，并可在定量报告中予以概述。定量图像分析可为完全自动的，或利用操作人员交互而半自动，并且可在现场/驻地的工作站或服务器设备上执行。随后可将定量数据或结果导入病例。在一些实施例中，可按需要在与收集信息的位置分开的数据分析单元150执行定量图像分析。在一些实施例中，定量图像分析可以生成报告(诸如以PDF格式)，此报告包含规范和/或年龄相关范围，以及与规范和/或年龄相关范围有关的患者个体定量成像值(例如，海马体积)的曲线图。此报告还可包括患者的已选择图像。定量成像报告可为交互式的，并且允许查看2D、3D、4D(基于时间的3D)的实际医学图像，而且包括高级可视特征，诸如在选择了数据点时，重叠有相应来源图像的定量值曲线图。

应当理解，已知医学报告以及甚至EMR中的数据当前是定量且基于文本(通常为自由文本)的，从而允许在语言上存在较大程度的变化性和模糊性。然而，需要的是具有呈定量形式的数据或利用标准化词汇(本体语言)，诸如医学临床术语系统命名法(SNOMED)。然而，规定具体数据类型可能限制人们利用患者病例中可用的所有现有医学信息。为了解决这些问题，内容策管可被用作中间步骤，以便实现复杂功能诸如综合报告、搜索、语义集成以及数据挖掘/高级分析。可将现有定量数据编译成简明综合报告格式，从而与背景信息(诸如医学指南和/或来自医学文献的相关节选或原始参考文献的链接)并列呈现一个或若干个生物标记。在一些实施例中，关键原始参考文献可以全文包括在综合报告中。出于后续处理诸如搜索、语义集成以及数据挖掘的目的，可以使用标准词汇表对现有非标准信息诸如文本数据进行注释。内容策管可以利用数据分析单元150的全自动或半自动策管软件工具和数据库，或在数据匿名化之后，利用第三方按需服务诸如亚马逊土耳其机器人(AmazonMechanicalTurk)。

在一些实施例中，数据分析单元150可被配置成在执行质量控制、定量图像分析以及策管步骤之后生成综合数字诊断报告。综合数字诊断报告可将从实验室140、新用户120、现有用户110、代表122、会诊医师130和/或社交网络100内的其他就某个病例合作的参与者收集的一个或若干个生物标记或结果测量组合。随后，数据分析单元150可以将共享信息策管成合并视图，以供医师诸如现有用户110评估。在一些实施例中，报告可以体现在移动应用程序中。在一些实施例中，报告还可提供关于生物标记或结果测量的纵向信息，其采用曲线图或上述其他高级可视内容的形式。在一些实施例中，现有用户110或社交网络100内正读取报告的一些其他参与者可以通过在社交网络内传送消息并作为增值诊断服务的组成部分在呼叫中心与专家医师(精通于解读报告中的综合数据)进行会诊。

在一些实施例中，可在匿名化过程期间从社交网络100内的信息中剥除个人可识别信息，诸如姓名、出生日期、地址以及其他患者识别信息。在一些实施例中，可在数据分析单元150中采用第三方或开源数据匿名化软件工具来提供匿名化过程。示例性匿名化过程可以包括移除DICOM图像标题中的患者识别信息。匿名化可为全自动(诸如当数据为标准化格式时)或半自动的。在一些实施例中，患者数据可以在社交网络100内匿名化。社交网络100可为患者数据分配临时或永久的唯一标识(UID)。社交网络100可以允许医师与同患者数据相关联的患者交互，以将患者数据与特定病例或患者关联。在一些实施例中，分配给患者数据的临时或永久唯一标识(UID)可以结合诊断服务(诸如以家庭为基础的筛查)使用。例如，患者可以获得具有药房中包括的UID的预付费卡。随后，患者可以会见作为社交网络100的组成部分的PCP。PCP可从数据分析单元150请求匿名化的综合筛查报告，并且还通过在社交网络100内传送消息并作为增值诊断服务的一部分在呼叫中心咨询专家医师(精通于解读生物标记组合/模式)。在这些实施例中，专家医师和数据分析单元150可能不知道患者的身份。相反，专家医师和数据分析单元150可能仅将数据与相关联的UID关联。因此，患者身份可以在社交网络100内保密，即使在患者病例由社交网络100中的各种参与者研究的情况下也是如此。

在一些实施例中，社交网络100可以聚合在各种病例中收集的数据。例如，在数据分析单元150中执行后续质量控制、策管以及匿名化步骤之后，来自多个病例的数据可聚合在集中或联合数据库中，并对数据库运行高级分析。非成像和/或非测序数据可存储在SQL或NoSQL数据库(诸如Cassandra)中，而富媒体内容诸如成像或NGS源数据可以出于性能原因存储在文件系统中。数据库可支持语义数据整合以与来自其他数据库或数据集的数据相互联系。文件系统存储装置可以分布在诸如Hadoop分布式文件系统(HDFS)中。图像文件可驻留在外部图像资源库中，该外部图像库针对性能而优化且通过数据库中存储的URL链接或其他指针而被引用。

在将来自一个或多个病例的数据聚合到数据库中后，可对聚合数据运行各种高级“大数据”分析。高级分析可以包括检查大量各种类型数据以揭示隐藏模式、未知相关性以及其他有用信息的过程。高级分析可在数据分析单元150执行。例如，高级分析可以包括基于机器学习算法和/或数据挖掘或统计分析技术(例如，使用R)的预测分析。高级分析可为分布式的(诸如在映射化简中)或并行的。例如，高级分析可以基于生物标记模式和/或基因资料组合预测症状前阿尔茨海默病患者的治疗反应或疾病的未来起病，或在给定数据库内病例信息中包括的因素的某个组合的情况下计算已发病的概率。高级分析还可用于运行复杂预测分析，这种分析可以基于PET扫描(例如，全自动淀粉样蛋白PET或Tau示踪剂定量)。作为另外一种选择或除此之外，复杂预测分析可以基于预测脑网络“连接组”分析，这种分析基于弥散张量成像(DTI)MRI或功能MRI。可对特定病例执行高级分析，以有助于确定与社交网络100内的特定病例有关的诊断、治疗、或其他方面。

在一些实施例中，高级分析还可包括对聚合数据资源库使用语义搜索，以发现并排列具有与特定病例相似的已知治疗效果的病例，以便就特定病例提供个体化的治疗。高级分析的结果可在报告中概述或以其他方式呈现。在一些实施例中，报告可由社交网络100中的参与者通过个体化保健(PHC)定制仪表板访问，该仪表板可由自然用户界面(NUI)驱动，如上所述。

在一些实施例中，高级分析还可由数据科学家执行。数据科学家可从聚合数据库中得到新的知识，这些知识可有助于增加诊断的确定性和/或在特定病例下提供治疗分层。

在不脱离本发明范围的情况下，可对社交网络100进行修改、添加或省略。例如，社交网络100可以包括除上文所述那些之外的其他参与者。此外，社交网络100可以包括除上文所述那些之外的各种其他方面。例如，可参考本文中的其他附图描述社交网络的其他方面。

图2是示出用于个体化用药的社交网络200的参与者之间示例性病例信息数据共享的示意图，该社交网络是根据本文所述的至少一些实施例布置的。具体地讲，图2示出初级护理医师(PCP)210、神经科专家212、放射科专家214和数据分析单元216之间的数据共享。例如，社交网络200的参与者还可使用消息218来就共享病例信息226进行合作。

图3是示出用于个体化用药的社交网络300内的私有网络320的参与者之间的示例性推荐数据流的示意图，该社交网络是根据本文所述的至少一些实施例布置的。具体地讲，图3示出属于社交网络300的私有网络320的参与者之间的推荐数据流，诸如在包括现有用户310、神经科专家312、以及MRI设施316的医院内的私有网络。图3还示出了外部网络322，外部网络可为社交网络300的组成部分。外部网络322可包括被配置成与私有网络320的参与者共享数据的PET设施314。

图4是示出用于个体化用药的社交网络400内的私有网络420的示例性网络管理的示意图，该社交网络是根据本文所述的至少一些实施例布置的。具体地讲，图4示出通过私有网络管理员410的私有网络420(诸如医院内的私有网络)的网络管理，私有网络管理员可添加新的私有成员和他们的代表，诸如神经科专家412和代表416。图4还示出了外部网络422，外部网络可为社交网络400的组成部分。外部网络422可包括被配置成与私有网络420的参与者共享数据的PET设施414。

图5是示出将新信息516添加至用于个体化用药的社交网络500内的病例的示例性数据流的示意图，该社交网络是根据本文所述的至少一些实施例布置的。具体地讲，图5示出信息516由与社交网络500内的PCP 510和放射科专家514相关联的神经科专家512添加。PCP 510和/或神经科专家512还可查阅/查询数据分析单元518，以生成例如关于患者的保健的综合报告。综合报告可由数据分析单元518添加至病例。

图6是示出用于个体化用药的社交网络600内的示例性诊断与治疗数据流的示意图，该社交网络是根据本文所述的至少一些实施例布置的。具体地讲，图6示出针对阿尔茨海默病的个体化用药平台中社交网络600的参与者之间的诊断与治疗数据流。例如，图6示出PCP 610可对患者进行认知筛查测试620，该测试可以包括预定APOE测试和/或在实验室616执行的针对阿尔茨海默病的血液筛查测试。在接收实验室报告之后，PCP 610可以查询数据分析单元624以将筛查数据合并到综合报告中。PCP 610还可以向神经科专家612推荐患者病例，以进一步评估患者。PCP610所做的这些步骤可以完成患者护理的筛查事件。神经科专家612可以预定实验室616的另一项IVD测试。IVD测试可需要CSF Aβ淀粉样蛋白/Tau测试。神经科专家612还可以对患者进行综合检查618，在一些实施例中，此综合检查包括完整的计算机化认知成套测验。神经科专家612还可参考/预定放射科专家614的MRI和/或PET扫描622，这可包括图像定量。神经科专家612随后可以查询数据分析单元624，以将全面评估数据合并到综合报告中。神经科专家612所做的这些步骤可完成护理的全面诊断事件。在一些实施例中，数据分析单元624可以针对治疗分层生成预测报告，如上所述，预测报告可为神经科专家612或PCP 610提供可付诸行动的信息，以便为与阿尔茨海默病有关的患者开具个体化的药物。在一些实施例中，在开具个体化的药物前，PCP 610可以(通过数据分析单元624的增强)执行如上所述的全面评估的功能中的一些或全部和/或后续治疗分层。

图7是示出在用于个体化用药的社交网络700内添加和整合病例信息的实例的示意图，该社交网络是根据本文所述的至少一些实施例布置的。具体地讲，图7示出将信息的不同组成部分(例如，由PCP 710预定或执行的认知筛查测试的认知评分720)添加714至数据分析单元724。在一些实施例中，认知评分720还可以由APOE测试和/或可从实验室718获取的血液筛查测试结果补充。也可将其他测试结果例如成像数据726和/或放射学报告728添加至病例。作为另外一种选择或除此之外，数据分析单元724还可以向病例添加综合报告716。

图8是示出使用用于个体化用药的社交网络基础设施837的系统800的示例性组件的示意图，该社交网络是根据本文所述的至少一些实施例布置的。系统800可以包括社交网络基础设施837，该社交网络基础设施可与本地病例管理层829、匿名器、数据聚合和分析层838、以及医师呈现层826交互。在一些实施例中，社交网络基础设施837可被配置成允许社交网络的参与者之间的交互，如参考图1至7所述。

社交网络基础设施837可以包括可扩展的基于云的病例内容递送网络839，该网络管理个人健康信息的符合HIPAA的交换，包括完整审计跟踪、加密文件传述、以及社交网络基础设施837托管的社交网络的参与者之间的消息传送。社交网络基础设施837还可包括系统软件，诸如前端(客户端)和服务器侧应用程序软件代码，例如可用于实施社交网络核心功能的Web驱动或桌面虚拟化应用程序软件组件。社交网络基础设施837还可包括：用于外部应用程序与社交网络连接的API；应用程序框架，诸如Web和富媒体应用程序框架、数据库服务器软件及网络服务器软件；服务器虚拟化软件、负载均衡器、联网设备以及服务器和存储设备。社交网络基础设施837可包括服务器设备，服务器设备可包括具有固态驱动器(SSD)的无盘服务器节点。社交网络基础设施837还可包括存储设备，存储设备可包括闪存阵列存储装置。社交网络基础设施837还可包括云联网设备，诸如低延时网络交换机，并且还包括网络安全与加密设备。

病例内容递送云839还可部署在私有云基础设施(诸如在社交网络运营商拥有或租用的设施上)和/或具有由第三方实施并管理的适当安全性的专用云设施中。例如，病例内容递送云839可托管于公共云诸如Amazon中，或结合私有云来部署，例如在具有敏感、非匿名化信息(诸如受保护的健康信息)的混合云架构中部署。在一些实施例中，病例内容递送云839还可部署在PaaS(平台即服务)环境诸如Force.com中，该环境可消除管理软件和硬件基础设施层的复杂性并随着需求的增长自动扩展基础设施。

在一些实施例中，病例内容递送云839还可通过使用API来连接到专用(诸如对于数据传输速度和某些查看器而言)第三方基于云的资源库，例如图像或基因组测序数据资源库。在这些和其他实施例中，可使用指针(诸如URL或XDS)将病例内容递送云839中存储的内容链接至第三方资源库中的对应病例内容。

社交网络基础设施837可被配置成与本地病例管理层829通信。本地病例管理层829可被配置成允许后勤办公室人员诸如医师助理、护士或可驻留于企业或保健提供方(诸如医院或执业方)防火墙860内的技术人员进行本地病例管理。可以通过设备834或通过安装在设备834上的基于无浏览器的原生应用程序(例如，iOS、Android、Mac OS软件应用程序)访问和管理基于云的社交网络基础设施837内的患者病例，设备834诸如经由web浏览器界面832(诸如Firefox、Internet Explorer、Chrome或Safari)的医院台式计算机、膝上型计算机或移动设备。病例内容诸如图像或报告或其他内容可以经由病例编写器模块831访问的文件上传模块830上传。病例编写器模块831可以提供输入新患者、查找现有患者、或指定病例的接收者(诸如神经科专家和/或社交网络837内的数据分析单元)的功能。病例编写器模块831还可允许添加元数据，例如内容描述信息(诸如上传文件的类别、描述)。可以从EMR诸如医院EMR或基于云的EMR 840直接导入元数据。病例内容可以组织在文件夹或目录中。还可直接上传实际病例内容，诸如来自本地DICOM服务器846(节点)或基于云的远程图像资源库的图像。类似地，可将病例内容下载至安全本地设备834，诸如以便在第三方图像查看器836内查看图像。如先前所述的网络管理模块还可允许针对社交网络基础架构837内的所有患者数据(例如，用户访问某些患者而得到的数据)生成完整的符合HIPAA的(并带有时间戳的)审计跟踪。

在一些实施例中，本地病例管理层829可以包括安装在本地的缓存服务器835，该缓存服务器可被配置成复制和/或预取来自社交网络基础架构837的内容以实现更快速的访问，诸如图像查看836。在一些实施例中，可在缓存服务器835与病例内容递送云839之间建立SSL连接，从而允许缓存服务器835访问来自社交网络基础设施837的信息。类似地，可以使用缓存服务器835批量上传诸如图像的内容。缓存服务器835可为本地安装在医院防火墙860内的本地计算机上的软件应用程序，或网络设备，诸如驻留于数据中心内的网络设备。缓存服务器835可为具有闪存存储器、集成防火墙和无线联网功能的嵌入式系统设备。作为另外一种选择或除此之外，缓存服务器835可与医师对接应用程序和设备834(诸如平板电脑和可穿戴计算设备)直接连接。可穿戴计算设备可以包括例如具有显示功能的眼镜。

在一些实施例中，缓存服务器835还可被配置成在向病例内容递送云839发送数据之前对存储在缓存服务器835上的数据进行加密，或在从病例内容递送云839接收加密数据之后对数据进行解密。在这些和其他实施例中，只有加密数据被存储在病例内容递送云839中，并且例如可将其托管于公共云中。

在一些实施例中，本地病例管理层829可被配置成与企业插件层850通信。具体地讲，病例编写器模块831可被配置成与插件841通信或包括插件841，该插件可被配置成提供本地病例管理层829与保健提供方防火墙860内的其他本地健康管理系统之间的互操作性。其他本地健康管理系统可以包括EMR 840、PACS 846或支持HL7消息传送协议的其他系统842，诸如实验室信息管理系统(LIMS)。插件841可以允许将数据从本地病例管理层829的此类系统导入/将数据导出到本地病例管理层829的此类系统中。

例如，病例编写器模块831可以调用插件应用程序来与本地EMR 840连接，以导入针对给定病例的病例元数据。又如，可在从本地或基于云的PACS 846接收医学图像之后，通过病例编写器模块831将这些医学图像导入到病例中。又如，可在经由HL7 v2.x消息传送从LIMS接收实验室结果之后，通过病例编写器模块831将这些实验室结果导入到病例中。在一些实施例中，病例编写器模块831可使用插件841来访问来自个人健康记录(PHR)诸如HealthVault的信息。例如，除此之外，病例编写器模块831还可使用插件841经由CCR(护理连续性)或引导协议848导入患者人口统计数据、保险信息、用药情况、过敏史以及护理计划等。在一些实施例中，插件841可预先安装在缓存服务器835中。

在一些实施例中，插件841可被配置成从移动数据捕捉设备844向病例编写器模块831提供信息。移动数据捕捉设备844可以包括用于认知筛查测试620的设备。在这些和其他实施例中，病例编写器模块831可与移动数据捕捉设备844直接连接至存储所捕捉的数据的服务器设备，诸如经由互联网从以家庭为基础的筛查设备进行连接。类似地，服务器设备845可用于对图像或对基因测序数据运行定量分析，并且使用病例编写器模块831将分析数据导入病例中。服务器设备845还可以是用于医学图像分析或NGS基因组分析的专用或紧凑型超级计算机、NGS基因组测序台式设备或便携式USB测序设备。服务器设备845还可允许自动备份社交网络接口837内的数据和/或充当缓存服务器835，如上所述。

本地病例管理层829和社交网络基础设施837还可被配置成与医师呈现层826通信。医师通常时间有限，并且需要与后勤办公室人员诸如技术人员或医师助理不同类型的呈现层。为了优化将信息递送至忙碌的医师，可以利用各种系统和应用程序。例如，可以使用通过移动设备诸如平板电脑或“平板电话”上的应用程序来递送的移动电话消息传送应用820或综合报告822。作为另外一种选择或除此之外，可穿戴显示设备诸如可与患者腕带/手表(例如，具有内置认知自我测试或连续监测应用程序的那些)无线连接的智能腕带/手表，并且调用患者综合报告在智能腕带/手表内的呈现。这样，医师可在患者会见医师时接收关于患者的信息。

在一些实施例中，医师呈现层826可以包括针对个体化保健(PHC)定制的交互式仪表板824，该交互式仪表板可使用触摸、语音或其他自然用户界面(NUI)作为输入。交互式仪表板824可显示在折叠到药物封装材料中的柔性或一次性显示器设备上。作为另外一种选择或除此之外，交互式仪表板824可显示在可与患者的可穿戴计算机腕带/手表无线连接的壁挂电视上，并且由此为医师调用患者信息的呈现。交互式仪表板824还可由无线连接的投影设备在治疗室或医生诊室的墙壁上进行投影。

可将图像查看功能(诸如从DICOM查看器836)整合至仪表板、综合报告中，或作为基于浏览器的或独立的应用程序来运行。在这些和其他实施例中，可出于图像查看目的将图像下载至设备诸如设备834，或导入本地或远程PQCS系统846中。在一些实施例中，图像查看功能可不要求将实际图像下载至设备。在这些和其他实施例中，应用程序组件可以发送可呈现在设备显示器上的像素数据，而实际图像文件则驻留于本地服务器(诸如缓存存储器835)上，或在远程服务器(诸如社交网络基础设施837内的服务器)上。在一些实施例中，为了呈现图像而不下载这些图像，医师呈现层826可以利用HTML5 web标准、Java、或桌面虚拟化技术。

医师呈现层826、社交网络基础设施837以及本地病例管理层829可被配置成与匿名器、数据聚合和分析层838通信。匿名器、数据聚合和分析层838可以包括一个或多个子系统，这些子系统提供患者数据去标识的功能，并将此类去标识的数据存储在集中或联合资源库中以供进一步分析，诸如高级“大数据”分析。例如，匿名器、数据聚合和分析层838可以包括匿名器子系统、数据聚合子系统、和/或分析子系统。

在一些实施例中，执行患者数据去标识的匿名器子系统可为安装在本地病例管理层829内的服务器组件。数据聚合子系统可包括安装在驻地或在外部设施(例如，在云服务提供方诸如Amazon)中的大规模和/或分布式数据库以及文件存储系统。

分析子系统可包括基于服务器的系统，诸如计算节点或多个计算节点，这些计算节点被配置成运行用于图像自动定量的应用程序软件，诸如海马体积测量。分析子系统还可以是基于云的，诸如基于私有云的计算资源，并连接至社交网络基础设施837或本文所述的其他第三方基础设施。分析子系统还可包括高级自动分析系统，并且如先前所描述，高级自动分析系统诸如安装在数据中心、云计算资源诸如Amazon EC2、或“云端数据中心”中。高级自动分析子系统可针对聚合数据运行分析并且紧邻聚合数据，例如位于相同设施中。

图8所示系统800可以用于个体化用药和阿尔茨海默病(AD)诊断中信息的电子递送。系统800可以通过以下方式执行信息的电子递送：利用基于可扩展的云的社交网络架构捕捉多个患者数据流，然后在各保健提供方之间发送此类信息。该系统还包括数据分析单元(诸如全自动“大数据分析”系统组件)，数据分析单元分析数据并将信息以经过净化且策管的形式呈现给开药者(例如，在移动设备上)。系统800适于任何个体化保健应用和治疗领域，例如，神经变性疾病、多发性硬化症和癌症等。

无意进行限制，系统800尤其适于出于风险/利益和经济考虑而保证个体化的生物制剂药物治疗环境。系统800还非常适于与获取实时且连续的数据流的移动/无线传感器连接。系统800还非常适于使用成像和/或下一代测序数据，这可能需要在使用成像和/或下一代测序数据之前进行数据分析，以便在学术研究以外的现实临床应用环境下实现个体化保健。系统800还可实施为计算机软件、或硬件电路、或软件和硬件组件的任何组合，并且不限于任何特定的软件或硬件实施。

图8示出本文所述系统的主要组件中的一些，以及用于提供个体化用药的数据流。在一些实施例中，服务提供商/运营商可以实施系统800的组件837、839、838、820、822、824、830、831、835、831、841、844和845，并且基于需求、签约和/或按次计费，或基于其他盈利手段诸如基于费用、支持广告或基于“免费增值”来向社交网络基础设施837的某些用户和/或成员提供服务和设备。成员可以包括医师、后勤办公室人员诸如医师助理或护士，并且可以控制和拥有某些设备和软件826、834、832和860来访问例如所实施的组件837、839、838、820、822、824、830、836、835、831、841、844和845，并将来自医院或外部资源库840、842、846和848的受保护健康信息安全上传。

在一些实施例中，可以使用多种常见网络技术诸如AJAX、LAMP堆栈、Java、Javascript、XML/XSLT、Python、web应用程序框架(诸如Ruby、ASP.NET和/或其他专有框架)、服务器库以及使得能够快速开发自定义支持AJAK的跨浏览器应用程序的GUI组件，将社交网络基础设施837的病例内容递送云839组件实施为基于web的系统。网络服务还可经由RESTFUL API实施，其可包括用以驱动交互式报告和仪表板822、824的开源SMART API；或用以驱动第三方自然界面(NUI)设备(例如，增强现实眼镜)的API。在一些实施例中，原生应用程序可安装在医师呈现层826或本地病例管理层829(诸如在设备834上)内，其经由互联网安全地连接至病例内容递送云839系统的后端组件。这种安全性可以包括经由256位、512位、1024位AES SSL或可为安全互联网通信而实施的更高位强度加密的安全性，或通过实施其他协议例如传输层协议(TSL)来实施的安全性。

在一些实施例中，医师呈现层826内的原生移动应用程序可以例如使用移动开发工具(诸如Android或iOS SDK、Corona SDK、Sencha、Unity等)来开发。其他开发工具也可用于为综合报告822和交互式仪表板824实施某些原生交互制图/报告功能，如先前所述，并且用于实施可穿戴式计算设备的第三方SDK。其他开发工具还可用于实施其他类型的NUI设备，诸如基于手势的控制器，例如Kinect或LeapMotion等。

对社交网络接口837和/或医师呈现层826内的应用程序的访问控制例如可以使用基于web的登录页面(需要提交加密密码)、单点登录(SSO)方法(诸如LDAP、活动目录、OpenSSO)或生物计量SSO来实施。生物计量身份验证还可包括一个或多个生物计量因素，例如，手势、手形、EEG、眼动跟踪、视网膜特征、指纹、语音、面部识别和/或从访问设备捕捉的其他生物计量特征。访问控制还可使用某些SDK/API或其他电子访问控制方法实施，例如，基于卡的方法或配备有电子身份验证的智能电话。

在一些实施例中，病例编写器模块831可在基于web的应用程序诸如Javascript中具体化。在一些实施例中，文件上传器模块830可以Java或Flash实施。在一些实施例中，本地病例管理层829中的设备(诸如设备834)上或医师呈现层826中的台式计算机上的前端(客户端)应用程序可使用集成开发环境(IDE)来实施，所述IDE诸如Visual Studio、Xcode、Eclipse以及其他软件开发环境。还可使用OsiriX集成DICOM查看。

用于实现与其他系统例如医院、外部或本地安装型器械/设备的双向(导入/导出)互操作性的各种插件841或企业插件层850内的其他实施例可体现为原生台式机或服务器应用程序或Java应用程序。作为另外一种选择或除此之外，可以使用IDE(诸如先前所提及的IDE)实施各种插件841。开源接口引擎例如Mirth Connect和/或SMART API还可用于将所述插件实施至医院或外部资源库，诸如HL7、CDA、DICOM，并且/或者经由CCR/引导协议从PHR实施。各种插件841还可嵌入式预装在上文所提及的器械诸如NGS测序设备、支持本地定量医学图像分析的专用设备中，并备份至社交网络基础设施837。各种插件841还可嵌入式预装在缓存服务器835中。

在一些实施例中，缓存服务器835可实施为软件应用程序，并安装在医院防火墙内的本地计算机上，或安装在驻留于数据中心中的服务器上。缓存服务器835还能够以嵌入式系统代码实施，该代码例如在嵌入式Linux发行版(例如，OpenWrt)或实时操作系统(RTOS)(诸如VxWorks或Neutrino)下运行。在一些实施例中，可以使用IDE(诸如Eclipse、Tornado、QNX、Visual Studio、Xcode或其他软件开发工具)实施缓存服务器应用程序代码。缓存服务器835还可在向病例内容递送云839发送数据之前或在从病例内容递送云839接收加密数据之后对数据进行加密或解密。在这些和其他实施例中，加密数据被存储在病例内容递送云839中，并且例如可托管于公共云中。对于其他操作系统，加密例如可以经由Linux或TrueCrypt中基于FUSE的EncFS加密文件系统实施。

在一些实施例中，缓存服务器835可以具有十分紧凑的形状因数，并被设计用于小规模的医师实践。例如，缓存服务器835可以包括具有闪存存储器和无线联网功能(例如，蓝牙、NFC或Wi-Fi)的一站式嵌入式系统设备。在这些和其他实施例中，缓存服务器835还可结合集成防火墙和网络入侵检测功能。

在一些实施例中，缓存服务器835可与医师呈现层826内的医师对接应用程序和设备(诸如平板电脑和可穿戴计算设备，例如，具有内置显示器和/或具有电路系统组件以驱动其他类型的自然用户界面诸如手势控制界面的智能眼镜)无线连接。缓存服务器835可以使用RTOS(诸如VxWorks)或安全嵌入式Linux发行版实施，以确保高稳定性和安全性。

匿名器、数据聚合和分析层838可体现在数据分析单元中，并且由子系统构成，子系统提供，如先前所描述，将患者数据去标识并将此类去标识的数据存储在集中或联合资源库中以便进一步分析的功能。系统800可以包括一个或多个数据分析单元。在一些实施例中，可以根据某些客户的需求，诸如制药公司、健康系统、支付者或公共-私人合作伙伴的专有偏好数据来定制数据分析单元。定制的数据分析单元可例如在私有云环境中运行。

数据分析单元内的匿名器子系统可为安装在数据分析单元的防火墙内的服务器组件。可利用第三方或开源数据匿名化软件工具实施匿名器，所述工具诸如用于DICOM数据的XNAT、用于HL7数据的MirthConnect，并且/或者可编写自定义Python shell脚本以剥离受保护的健康信息诸如患者识别信息。

在一些实施例中，数据分析单元中的数据的数据格式，在进一步分析之前，可先标准化为例如支持定量数据的定量信息。在这些和其他实施例中，对于标准化数据类型而言，数据策管可完全自动化。在一些实施例中，导入病例内容递送云839中的数据的质量控制和匿名化还可体现在各种插件841中的一个或多个插件中，诸如移动数据捕捉设备844和服务器设备845插件中。例如，这些插件可用开源软件组件诸如RSNACTP开发。具有质量控制(诸如用于校正DICOM标题中的图像获取参数)和匿名化功能的插件还可由数据分析单元的服务器上实施的Pythonshell脚本补充，并且可检查图像数据是否存在缺陷，并在存储/聚合此类数据前拒绝缺陷图像。

非成像和/或非测序数据可存储在SQL(诸如MySQL)或NoSQL数据库(诸如Cassandra、MongoDB或Hbase)和/或Hive中，而富媒体内容诸如成像或NGS源数据可以出于性能原因存储在文件系统(例如，分布式HDFS)中。病例内容递送云839可以支持语义数据整合，以与来自其他数据库或数据集的数据例如ADNI或ConnectomeDB互相关联。图像文件还可驻留在外部图像资源库中，该外部图像资源库针对性能而优化，并且通过病例内容递送云839中存储的URL链接或其他指针被引用，或经由API诸如RESTFUL API被引用。

数据分析单元内的分析子系统可体现在数据分析单元的防火墙内的基于服务器的系统中，诸如计算节点或其多个计算节点中。分析子系统可被配置成运行用于图像的自动定量的应用程序软件，例如，使用MRI的海马体积测量和/或其他脑部结构定量、基于体素的淀粉样蛋白PET定量、MRI扫描的纹理分析、或基于DTI纤维跟踪的脑“连接组”分析、以及fMRI。自动定量例如可以MATLAB计算机代码实施并编译为可执行或C/C++共享库，作为自动定量服务器代码的组成部分。在一些实施例中，用于分析子系统的服务器代码还可并行化。在一些实施例中，分析子系统内的自动定量代码还可显示一定的计算数值不稳定性，这些不稳定性可能是由计算机芯片的高温、宇宙辐射、湿度和/或制造缺陷所致。自动定量代码还可校正此类数值不稳定性，其方法是在计算中结合外部实时数据诸如传感器数据，以及/或者在另一计算机芯片上纳入重新计算以标记出基于芯片制造缺陷的计算误差。也可通过以下方式检测此类计算误差：对外部参考数据集例如ADNI或其他数据库中的成像数据运行随机检查计算，并且将来自外部参考数据集的随机检查计算与此数据库中的手动跟踪体积进行比较。自动定量代码还可存储正运行代码的计算节点的实体硬件签名。例如，Linux中的Dmidecode可以用来获取用于执行计算的芯片的详细信息；所述硬件签名随后可与外部硬件参考数据比较，以标记出因某些情况下使用的硬件而造成的潜在计算误差，并且考虑到所述外部传感器数据，所述硬件签名随后可允许通过在稍后时间/在不同硬件上执行重新计算来实现校正。

在一些实施例中，分析子系统可被配置成执行连接组分析，该分析可以基于来自超高分辨率DTI MRI或静息状态fMRI的数据。

在一些实施例中，分析子系统还可包括所谓的“社交网络分析”(SNA)工具，所述工具可使用开源工具诸如适用于SNA的Cytoscape和R工具来实施。在一个具体实施例中，SNA工具可用于执行脑连接组分析。在另一个实施例中，SNA工具可用于对社交网络基础设施837执行分析。例如，SNA工具可对社交网络基础设施837执行分析，以发现网络的参与者之间的用户交互的某些模式，并且改善提供给参与者的服务。作为另外一种选择或除此之外，SNA工具可对社交网络基础设施837执行分析，以为支付人提供深刻见解，从而以成本有效的方式优化保健交付。在又一个实施例中，用于脑连接组分析的SNA工具结合有其他图形理论分析工具，例如，Brain Connectivity Toolbox(BCT)或MatlabBGL。BrainConnectivityToolbox(BCT)可例如用于计算疑似患有阿尔茨海默病的患者的“小世界网”索引和属性。在另一个实施例中，Brain ConnectivityToolbox(BCT)还可用于可视化以辅助数据科学家或医师使用医师呈现层826中的接口(诸如Brainnet Viewer、Connectome Viewer Toolkit或拓扑图论可视化工具)。

在一些实施例中，分析子系统可在另一个实施例中运行应用程序软件以执行自动“大数据”分析，如先前所述。自动分析可比照多个患者(例如，大量患者)的聚合数据来对某个患者的数据运行分析。分析子系统可体现于数据分析单元、云计算资源如Amazon EC2、谷歌计算引擎、Azure或社交网络基础设施837中的数据分析单元中。

在一些实施例中，分析子系统还可紧邻聚合数据，例如处在相同设施内。在一些实施例中，分析子系统可以提供存储器内分析，其中所分析的大规模(例如，太字节量级或更高)数据驻留于存储器内。存储器内分析可以减少延时并提供即时分析。在一些实施例中，分析子系统还可通过医师应用程序和设备826和836访问，如先前所述。在这些和其他实施例中，第一分析服务器(例如，存储器内分析服务器)可用于向医师呈现层826中的医师或向数据科学家呈现某些界面组件。第二web服务器可用于可呈现的界面组件。作为另外一种选择或除此之外，可使用桌面虚拟化技术来呈现界面组件(例如，Citrix或开源替代型式)。

在一些实施例中，分析系统可以实施机器学习或其他数据挖掘技术，例如，自然语言处理、神经网络、支持向量机(SVM)以及统计分类器，诸如k最近邻算法(k-NN)或线性判别分析(LDA)。数据挖掘技术可以使用例如NLTK、R或MATLAB实施，或可通过使用构建在Hadoop系统顶部并且可能高度可拓展的Apache Mahout机器学习库实施。

在一些实施例中，医师可以请求分析，以预测治疗反应、疾病的未来起病，或计算在给定某个组合的情况下，症状前阿尔茨海默病(AD)患者发病的概率等。在这些和其他实施例中，分析可以基于患者的生物标记模式组合。可针对来自多个其他患者的聚合数据训练机器学习算法，例如，受监督的神经网络或SVM分类器。所训练的算法随后可应用于患者的生物标记组合。所训练的算法还可被训练来估计贝叶斯先验概率，从而基于从聚合纵向数据到AD状态的已知转换，利用一组给定的生物标记估计疾病的概率。

通过医师呈现层826，医师还可调用其他分析。其他分析可以包括通过计算附加标记的预测能力来识别有用的附加标记，例如，通过计算受试者工作特征(ROC)曲线下的面积或来自聚合数据的建议生物标记组合的AUC值来识别。可通过运行添加新生物标记的默认(例如，平均)值的模拟来执行有用附加标记的识别。基于模拟，分析系统可利用附加标记计算修正的贝叶斯先验概率，以便估计诊断确定性的潜在增益。某些统计分类器还可使用疾病的先验(先前)概率作为模型输入，在另一个实施例中，当这些变量并未作为输入变量而直接包括在内时，这可基于风险因素和流行病学数据(诸如心血管病风险因素和年龄)来进行估计。

图9是用于个体化用药的示例性系统900的示意图，该系统是根据本文所述的至少一些实施例布置的。系统900可以包括社交网络910、数据系统920、以及自然用户界面(NUI)940，这些组件可通信联接并能够相互交换信息。

社交网络910可被配置成类似于图1的社交网络100。作为另外一种选择或除此之外，社交网络910可类似于图8的社交网络基础设施837。在一些实施例中，社交网络910可被配置成促进在多个参与者之间就患者的保健诊断进行交互。在一些实施例中，数据系统920可包括在社交网络910中或之外。社交网络910可以存储患者数据，诸如来自图像的生物标记以及对或由一个或多个患者执行其他测试。在一些实施例中，可以经由自然用户界面单元940或一些其他界面导入患者数据。

自然用户界面940可类似于图8的医师呈现层826，并且可被配置成向社交网络910和数据系统920发送数据和从这两者接收数据。另外，自然用户界面940可被配置成与同患者相关联的医师交互。自然用户界面单元940可从医师接收指令和向医师呈现信息。在一些实施例中，自然用户界面还可被配置成基于医师的指令指示数据系统分析数据。

数据系统920可以包括各种单元，其中包括数据匿名器单元922、数据聚合单元924、数据分析单元926以及报告单元930。在一些实施例中，数据系统920可类似于本文所述的数据分析单元。

数据匿名器单元922可被配置成接收与患者的保健诊断相关联的患者数据并将患者识别信息的至少一部分从接收的患者数据中移除以生成第一匿名化数据；数据匿名器单元922可类似于参考图8所述的匿名器子系统。在一些实施例中，经由自然用户界面单元940发送至社交网络910的患者数据可以先由数据匿名器单元922接收，并且患者识别信息的一部分可被移除。在一些实施例中，可将社交网络910中的患者数据发送至数据匿名单元922，并且可将患者识别信息从患者数据中移除。随后可将患者数据发送回社交网络910。

数据聚合单元924可被配置成存储匿名化患者数据和存储至少一名其他患者的匿名化数据。

数据分析单元926可被配置成使用来自社交网络910内部、尤其来自数据聚合单元924的其他患者数据对患者数据进行分析。例如，在一些实施例中，患者数据可以包括生物标记。通过相对于来自其他患者或健康个体的数据的生物标记来分析患者的生物标记，可确定与患者有关的信息。该信息可以涉及疾病的诊断、疾病的治疗和/或已诊断的疾病的进展等。在一些实施例中，数据分析单元926可被配置成策管数据分析单元926所确定的患者数据和/或信息。数据匿名器单元922可类似于参考图8所述的分析子系统。

报告单元930可被配置成接收信息和患者匿名化数据，以生成可通过自然用户界面940呈现给医师的报告。

在不脱离本发明范围的情况下，可对系统900进行修改、添加或省略。例如，系统900可以包括除上文所述那些之外的其他模块、单元、或系统。此外，社交网络910可以包括除上文所述那些之外的各种其他方面。

图10为用于生成报告以供呈现的示例性方法1000的示例性数据流，该方法是根据本文所述的至少一些实施例布置的。例如，在方法1000中，可从针对早期阿尔茨海默病(AD)(诸如前驱AD)的低成本筛查生成综合筛查报告。该报告可包括患者在患者家中或初级护理医师办公室内的移动设备上完成低成本的筛查，诸如认知测试。在一些实施例中，可以使用基于web的应用程序(诸如HTML5 web应用程序)或使用移动设备或一些其他计算设备上的原生应用来管理认知测试。

在完成认知测试后，当患者接收到高于指示AD可能性的阈值的评分时，患者可预定和/或接受其他测试。例如，患者可能经历针对APOE基因型的基因测试和/或针对某些基因变异(诸如单核苷酸多态性(SNP))的测试。作为另外一种选择或除此之外，患者可经历体外诊断(IVD)筛查测试，诸如血液测试或配置用于检测Aβ淀粉样蛋白肽眼沉积物的存在的基于眼的筛查测试。患者也可经历其他测试，诸如新兴的筛查测试，其可包括由步态传感器、眼动跟踪、或无线睡眠监测器(诸如加速计和/或心电图(EEG)传感器等等)执行的连续无线监测。

在一些实施例中，患者或患者的初级护理医师可以预定其他测试。在一些实施例中，可以直接通过认知测试应用程序预定其他测试。例如，患者可按下基于web的应用程序上的预定按钮，或通过应用内购买接收优惠券。在一些实施例中，可由个人基因组服务的在线商店(诸如23andMe)执行所述其他测试。作为另外一种选择，患者可能已具有个人基因组服务的帐户，并登录至该帐户以通过应用程序编程接口检索患者的基因数据并将数据导入社交网络云，诸如图8的病例内容递送云839。

可将来自其他测试的数据捕捉在社交网络云中，并将其与来自认知测试的数据组合。可对患者的组合数据进行分析并以简明概述形式策管，如上所述。例如，可将组合数据策管至报告，诸如综合筛查报告。综合筛查报告可能建议全面的诊断评估。作为另外一种选择或除此之外，综合筛查报告可能不会建议全面诊断评估。综合筛查报告是否建议全面诊断评估可基于组合数据是否表明AD可能性高于阈值。在一些实施例中，可相对于可能已经针对或可能尚未针对AD进行诊断的其他患者的其他数据来比较或分析组合数据。这种分析可有助于确定组合数据何时可以指示AD可能性。

当报告指示AD可能性或以其他方式指示应当执行全面诊断评估时，患者的初级护理医师可向社交网络中的专家发送此信息/与所述专家共享此信息。

图11为用于生成报告以供呈现的另一个示例性方法1100的示例性数据流，该方法是根据本文所述的至少一些实施例布置的。在一些实施例中，方法1100可始于专家已经接收到报告，该报告指示基于先前从初级护理医师收集到的数据执行筛查诊断评估。在一些实施例中，专家接收到的报告可类似于方法1000中的专家接收到的报告。

具体地讲，方法1100被配置成生成综合“基线”诊断报告。基线诊断报告可为包括患者基线数据的报告。基线数据可为从患者收集并用于与患者的未来数据比较以确定患者健康状况的数据。基线数据确定患者的基线健康特征。

专家可为患者预定其他测试，诸如MRI和/或脊椎穿刺以及脑脊液(CSF)化验，以便研究Tau蛋白或Aβ淀粉样肽，这两者可分别为神经退行性疾病和淀粉样蛋白累积的诊断标记。可将来自其他测试的数据上传到社交网络的云中，并与为患者收集的先前数据组合。可对组合数据执行数据分析，诸如自动定量MRI分析或扫描的集中质量控制专家解读。组合数据和/或分析的结果可以在简明概述报告中策管，如先前所述。在一些实施例中，报告可为综合基线诊断报告。可与社交网络中的另一名医师(例如，患者的初级护理医师)共享综合基线诊断报告。在一些实施例中，专家还可经由语音、视频、或社交网络内的其他消息传送就综合报告的数据与数据解读专家(诸如呼叫中心中的数据解读专家)会诊。

图12为用于生成报告的另一个示例性方法1200的示例性数据流，该方法是根据本文所述的至少一些实施例布置的。例如，在方法1200中，可从患者的诊断评估的子集生成综合“伴随式诊断”报告。诊断评估例如可以包括基于MRI的海马体积定量。诊断评估还可包括其他生物标记，诸如脑脊液(CSF)化验。可捕捉诊断评估的结果并将其插入社交网络的云中。诊断评估一旦处于云中，就可进行分析。分析(诸如基于先前所述的机器学习或统计算法的分层)可应用于患者的诊断信息，并且总结为可付诸行动的个体化治疗信息，该治疗信息为适于某种药物的开药者的综合伴随式诊断报告的形式。药物可以包括用于治疗早期AD(例如，处于前驱疾病阶段)的改善病情药物。综合伴随式诊断报告可提供诊断的各个分量的值以及计算得到的组合评分，连同经批准的个体化药物的标签信息，该个体化药物旨在与组合生物标记一起用作“伴随式诊断”。可从正呈现综合伴随式诊断报告的设备诸如平板电脑或可穿戴计算机直接预定该药物。还可以与社交网络中的其他医师(诸如专家)共享综合伴随式诊断报告。

图13为用于生成报告以供呈现的另一个示例性方法1300的示例性数据流，该方法是根据本文所述的至少一些实施例布置的。在一些实施例中，方法1300可始于专家已经接收到报告，该报告指示需要包括针对患者的可付诸行动的个体化治疗信息的综合伴随式诊断。在一些实施例中，专家接收到的报告可类似于方法1200中的专家接收到的报告。

具体地讲，方法1300可被配置成为安全性和疗效监测生成综合纵向报告。可将该报告呈现给改善病情AD药物治疗或其他AD治疗的开药者。一段时间内的纵向监测可以包括遵守对患者的规定治疗，以确定治疗对患者的益处，并且确定治疗是否正对患者产生任何副作用，诸如微出血或血管源性水肿(称为ARIA-H或ARIA-E)。

纵向监测可以包括专家在该段时间内执行以及/或者预定对患者的其他测试。测试可以包括用于监测疗效的CSF化验或PET扫描，诸如测量CSF中的Aβ淀粉样蛋白含量或脑部中的淀粉样蛋白负荷。可对数据执行数据分析，诸如自动定量图像分析或扫描的集中质量控制专家解读(诸如对MRI的安全解读)，以确定是否存在ARIA-H或ARIA-E。根据数据分析，随后可在检测到药物治疗的潜在安全性问题时触发警报。警报可以触发社交网络内的消息传送，以向专家以及社交网络中的其他参与者指示正被触发的警报。

可以简明概述形式策管患者的纵向概况，如先前所述，形成针对治疗监测的综合纵向疗效/安全性资料报告。在一些实施例中，综合纵向疗效/安全性资料报告可在社交网络内的参与者之间共享，这些参与者诸如专家、患者的个人护理提供方和/或为该患者支付医疗费用的主体(诸如保险公司)。在一些实施例中，为患者支付医疗费用的主体可以基于处于适当险/效比内的治疗的成功就患者治疗的各方面进行支付。支付患者开药者的医疗费用的主体还可经由社交网络内的语音、视频、或其他消息传送与例如呼叫中心中的另一专家医师就综合疗效/安全性资料数据进行会诊。

在一些实施例中，为患者开具治疗方案的医师可以基于患者对治疗的反应转变治疗。在一些实施例中，为患者支付医疗费用的主体可以基于数据审查来要求改变治疗。

分为生成综合纵向疗效/安全性资料报告而分析的数据可以包括关于患者的其他信息。例如，所分析的数据可以包括患者的个人特征，其中包括下一代基因组测序信息。可结合从连续无线感测设备收集的其他患者特征来捕捉新型生物标记，诸如多发性硬化症的活动性(使用移动加速计)或癌症治疗中的微创移动血液采样/分析。在一些实施例中，治疗监测可以包括可对个体化药物治疗的治疗监测，所述个体化药物治疗诸如可应用于多发性硬化症和其他疾病(诸如癌症)的抗体治疗。

在一些实施例中，可将患者的数据匿名化并与其他患者的匿名化数据聚合。匿名化聚合数据还可被制药公司利用来生成批准前或批准后数据以及展示有利险/效比的真实证明，例如出于报销目的。

图14为用于生成报告以供呈现的另一个方法1400的示例性数据流，该方法是根据本文所述的至少一些实施例布置的。方法1400可被配置成基于对个体生物标记的分析或对患者的大量生物标记的整合来生成预测分析报告。可在患者接收改善病情AD药物治疗或其他AD治疗之前，为医师、给患者支付医疗费用的主体或患者生成预测分析报告。预测报告可以预测对特定防治策略的个体反应，所述防治策略诸如在AD的最早阶段即症状前阶段开具生物制剂药物。预测报告还可例如向个体的家庭成员标识处于风险中的个体，诸如年长人员。预测报告还可将患者分到AD疾病连续带的特定阶段，诸如症状前阶段或更早阶段，并且指导可批准用于这些疾病阶段的治疗。

为了生成预测分析报告，方法1400可以包括第一医师(诸如专家)为患者预定一组预测生物标记测试。预测生物标记测试可以包括MRI扫描、PET扫描、结构MRI分析、DTI MRI跟踪成像、脑连接图分析、基于体素的淀粉样蛋白PET分析、或其他高级脑成像测试。医师还可预定基于实验室的测试，诸如IVD或全基因组测序等。在一些实施例中，全基因组测序可以在基于半导体的纳米孔测序设备上执行。从基于实验室的测试和预测生物标记测试收集到的数据可被捕捉并在社交网络(例如，图1的社交网络100)的云中组合在一起。

可对组合数据执行自动数据分析，如先前所述。自动数据分析可在医师所在建筑物或办公室中的数据分析单元、实体数据分析单元、实体超级计算设施、诸如Amazon EC2的基于云的按需计算资源、或云端专用数据分析单元中执行。在这些和其他实施例中，数据分析单元可通信地联接至社交网络，以从社交网络接收组合数据。数据分析单元还可使用量子计算机、带集成量子芯片的节点、或针对存储器内分析优化的节点，诸如太字节或拍字节级存储器。

在一些实施例中，高级分析可以包括海马体积或其他脑结构的实时自动定量分析、基于DTI MRI的纤维束网络分析、或基于超高分辨率静息状态fMRI的脑连接图分析等的分析。高级分析还可包括NGS基因组分析、质谱数据分析和/或生物标记组合分析。

一旦执行了分析，医师诸如专家就可使用具有自然用户界面(NUI)的平板电脑或可穿戴计算机设备来访问驻留于数据分析单元内的高级分析能力或连接至社交网络的计算资源。在一些实施例中，医师可以基于已可用于患者的信息和驻留于聚合数据资源库中的数据，在NUI中导航以识别要执行的一组有用的其他预测生物标记测试。在一些实施例中，NUI可以调用高级分析来比照数据资源库运行，例如以识别此类有用的其他标记。在识别其他标记后，NUI随后可将结果呈现回给医师或社交网络中的其他参与者。在一些实施例中，高级分析报告可以包括以定量格式(诸如概率、可能性、和/或评分)呈现的数据，该数据与来自解释预测分析结果的文献的背景信息并列。在这些或其他实施例中，医师可从社交网络直接预定这些预测测试，使得可对患者的数据执行这些预测测试并且在预测分析报告中概括这些预测测试。

图10至图14示出用于生成与阿尔茨海默病有关的报告的特定方法。通常，本文所述的方法和系统可应用于任何个体化保健应用和治疗领域，例如，可应用于其他神经变性疾病、多发性硬化症和癌症。也可为诊断创伤后应激障碍(PTSD)或创伤性脑损伤(TBI)的应用实施所述方法和系统。PTSD和TBI可以共享诊断方法中的公共要素，并且已被假设为是造成后续AD痴呆的因素。其他实施例可结合其他成像模式，诸如FDG-PET，分子成像，诸如基于纳米颗粒的MRI、DTI MRI、ASL MRI等等。其他非成像生物标记(例如，经由连续无线监测和/或“自跟踪”消费设备，诸如通过步态传感器、眼动跟踪、无线睡眠监测器(诸如加速计)和/或EEG等等)可以使用康体佳联盟(Continua Alliance)/ISO/IEEE11073个人健康数据(PHD)标准实施。

图15是在临床非研究性环境中提供信息驱动的个体化保健的示例性方法1500的流程图，该方法是根据本文所述的至少一些实施例布置的。在一些实施例中，方法1500可由系统诸如图8的系统800实施。虽然该方法被示为离散方框，但是可将各方框划分为其他方框、组合成更少的方框，或将方框消除，具体取决于所需实施方案。

方法1500可从方框1502开始，在方框1502处，可以捕捉一个或多个数据流。每个数据流可与患者的保健有关。在一些实施例中，可以从与筛查早期阿尔茨海默病相关的移动设备上正在运行的应用程序捕捉其中一个数据流。在一些实施例中，可以从针对患者的移动设备上正在运行的移动认知测试应用程序捕捉其中一个数据流。在这些和其他实施例中，当移动认知测试应用程序指示阳性诊断时，从移动认知测试应用程序内为所述患者预定的基因测试捕捉另一个数据流。在一些实施例中，数据流可来自其他患者测试结果。在一些实施例中，测试结果可为来自相同类型测试的测试结果，其中测试是随时间单独执行或以纵向方式执行的。在一些实施例中，测试结果可来自于患者、实验室、专家或初级护理医师。在一些实施例中，数据流可包括图像或写入文本及其他类型的数据。

在方框1504处，可整合数据流以生成综合诊断数据。在一些实施例中，可在云环境中将数据流整合。在这些和其他实施例中，可基于产生数据流的患者将数据流进行关联。在一些实施例中，可通过社交网络访问数据流。

在方框1506处，可对综合诊断数据进行分析以生成经分析的诊断数据。在一些实施例中，可通过将综合诊断数据与不同于该患者的一个或多个其他患者的综合诊断数据或其他数据进行比较，来执行综合诊断数据分析。

在方框1508处，可以策管经分析的诊断数据。策管经分析的诊断数据可以包括呈现一个或若干个生物标记，这些生物标记与背景信息并列，背景信息诸如医学指南和/或来自医学文献的相关节选或原始参考文献的链接。生物标记还可与规范和/或年龄相关范围、与规范和/或年龄相关范围有关的患者个体值的曲线图、以及患者的或其他代表性示例性病例的医学图像并列呈现。

在方框1510处，可以基于所策管的分析诊断数据生成综合报告以呈现给患者的医师。在一些实施例中，报告可以基于经分析的诊断数据提供关于患者的药物治疗的信息。

在一些实施例中，方法1500可在基于云的数字健康平台中执行，以实现针对阿尔茨海默病的个体化保健。在一些实施例中，患者的医疗诊断可与阿尔茨海默病的基线诊断有关，使得综合报告为基线综合报告。在一些实施例中，患者的医疗诊断可与患者体内阿尔茨海默病的纵向监测有关，使得综合报告为综合的纵向安全性/疗效监测报告。

在一些实施例中，患者的医疗诊断可与改善病情的多发性硬化症治疗的治疗监测有关，使得综合报告为综合的纵向安全性/疗效监测报告。

在一些实施例中，患者的医疗诊断可与患者的生物标记(包括基因测序数据)有关，并且分析综合诊断数据包括预测分析，使得报告为预测分析报告。在这些和其他实施例中，预测分析可预测处于症状前阶段的阿尔茨海默病。作为另外一种选择或除此之外，预测分析可以预测患者对特定治疗的反应。

本领域的技术人员将明白的是，对于本文所公开的这种以及其他过程和方法，这些过程和方法中所执行的功能可以不同的顺序实施。此外，所述步骤和操作仅作为实例提供，并且这些步骤和操作中的一些可以是任选的，也可以组合成更少的步骤和操作或扩展成另外的步骤和操作，而不影响所公开实施例的本质。

本文所述的实施例可包括使用包括各种计算机硬件或软件模块的专用或通用计算机，如下文更详细地描述。

可以使用用于承载或在其上存储有计算机可执行指令或数据结构的计算机可读介质来实施本文所述的实施例。此类计算机可读介质可以是可通过通用或专用计算机访问的任何可用介质。以举例而非限制的方式，此类计算机可读介质可包括有形计算机可读存储介质，包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备、或可用于承载或存储计算机可执行指令或数据结构形式的所需程序代码并且可通过通用或专用计算机访问的任何其他存储介质。上述内容的组合也可包括在计算机可读介质的范围内。

计算机可执行指令包括例如使通用计算机、专用计算机或专用处理设备执行某个功能或功能组的指令和数据。虽然本发明的主题已用特定于结构特征和/或方法操作的语言进行了描述，但应当理解，所附权利要求书中定义的主题不必限于上述具体的特征或操作。相反，上述具体特征和操作是作为实施权利要求的示例形式公开的。

如本文所用，术语“模块”、“子系统”或“部件”可以指在计算系统上执行的软件对象或例程。本文所述的不同部件、模块、引擎和服务可被实施为在计算系统上执行的对象或进程(如，作为单独的线程)。尽管本文所述的系统和方法优选地在软件中实施，但在硬件或软件和硬件的组合中实施也是可能的且已被想到。在本说明书中，“计算实体”可以是如本文先前所定义的任何计算系统，或者在计算系统上运行的任何模块或模块的组合。

本文陈述的所有实例和条件性语言均用于教导目的，以利于读者理解本发明和发明人提出的概念，从而促进本领域的发展，并且应被理解为不限于此类具体陈述的实例和条件。虽然已详细描述了本发明的实施例，但应当理解，在不脱离本发明的精神和范围的前提下，可以对这些实施例做出各种更改、替换和改变。

Claims (28)

1.一种用于个体化保健中信息的电子递送的系统，所述系统包括：

社交网络，所述社交网络被配置成促进多个参与者之间就患者的保健进行交互；

数据分析单元，所述数据分析单元被配置成从所述多个参与者中的一个或多个接收关于所述患者的所述保健的信息，所述数据分析单元还被配置成分析所述接收的信息，所述分析包括策管所述接收和分析的信息；以及

报告单元，所述报告单元被配置成基于所述接收和分析的信息的所述分析生成综合报告，并将所述综合报告递送给所述多个参与者中的一者。

2.根据权利要求1所述的系统，其中所述综合报告通过移动应用程序呈现。

3.根据权利要求1所述的系统，其中所述综合报告通过个体化保健仪表板应用程序呈现。

4.根据权利要求1所述的系统，其中所述社交网络还被配置成提供所述社交网络中的参与者之间的安全移动消息传送。

5.根据权利要求1所述的系统，其中所述综合报告提供关于阿尔茨海默病的诊断的信息。

6.根据权利要求1所述的系统，其中所述综合报告提供关于早期阿尔茨海默病的诊断的信息。

7.根据权利要求1所述的系统，其中所述综合报告提供关于针对所述患者的保健的个体化治疗的信息。

8.根据权利要求1所述的系统，其中所述个体化治疗是针对早期阿尔茨海默病的。

9.根据权利要求1所述的系统，其中所述系统使得初级护理医师能够为早期阿尔茨海默病提供个体化保健。

10.一种在临床、非研究性环境中提供信息化的个体化保健的方法，所述方法包括：

捕捉一个或多个数据流，每个所述数据流均与患者的保健有关；

整合所述数据流以生成综合诊断数据；

分析所述综合诊断数据，以生成经分析的诊断数据；

策管所述经分析的诊断数据；以及

生成综合报告以呈现给所述患者的医师，所述综合报告是基于所述策管的分析诊断数据。

11.根据权利要求10所述的方法，其中所述数据流中的一个从与早期阿尔茨海默病的筛查有关的移动设备上运行的应用程序捕捉。

12.根据权利要求10所述的方法，其中所述方法在基于云的数字健康平台中执行，以实现针对阿尔茨海默病的个体化保健。

13.根据权利要求12所述的方法，其中所述数据流中的一个从针对所述患者的移动设备上运行的移动认知测试应用程序捕捉；并且

当所述移动认知测试应用程序指示阳性诊断时，所述数据流中的另一个从在所述移动认知测试应用程序内为所述患者预定的基因测试捕捉。

14.根据权利要求12所述的方法，其中所述患者的所述医疗诊断与阿尔茨海默病的基线诊断有关，使得所述综合报告为基线综合报告。

15.根据权利要求12所述的方法，其中所述综合报告基于所述经分析的诊断数据提供关于所述患者的药物治疗的信息。

16.根据权利要求12所述的方法，其中所述患者的所述保健与所述患者体内阿尔茨海默病的纵向监测有关，使得所述综合报告为综合的纵向安全性/疗效监测报告。

17.根据权利要求10所述的方法，其中所述患者的所述保健与改善病情的多发性硬化症治疗的治疗监测有关，使得所述综合报告为综合的纵向安全性/疗效监测报告。

18.根据权利要求12所述的方法，其中所述患者的所述保健与所述患者的生物标记有关，包括基因测序数据，并且分析所述综合诊断数据包括预测分析，使得所述综合报告为预测分析报告。

19.根据权利要求18所述的方法，其中所述预测分析在症状前阶段预测阿尔茨海默病。

20.根据权利要求18所述的方法，其中所述预测分析预测所述患者对特定治疗的反应。

21.一种用于个体化保健中数据的高级、自动分析的系统，所述系统包括：

数据匿名器单元，所述数据匿名器单元被配置成接收与患者保健相关联的数据并将患者识别信息的至少一部分从所述接收的数据中移除以生成第一匿名化数据；

数据聚合单元，所述数据聚合单元被配置成存储所述第一匿名化数据并存储至少一名其他患者的第二匿名化数据；

数据分析单元，所述数据分析单元被配置成分析所述第一匿名化数据以生成有关所述患者的分析信息，所述第一匿名化数据的所述分析基于所述第二匿名化数据的至少一部分；以及

自然用户界面，所述自然用户界面被配置成从与所述患者相关联的医师接收指令，并向与所述患者相关联的所述医师呈现信息，所述信息包括所述数据分析单元所生成的所述分析信息。

22.根据权利要求21所述的系统，其中所述数据分析单元被配置成基于机器学习数据分析操作分析所述第一匿名化数据。

23.根据权利要求21所述的系统，其中所述数据分析单元被配置成使用存储器内分析操作分析所述第一匿名化数据。

24.根据权利要求21所述的系统，其中所述数据分析单元还被配置成执行社交网络分析操作。

25.根据权利要求21所述的系统，其中所述数据分析单元被配置成校正所述数据分析单元执行的分析计算的数值不稳定性。

26.根据权利要求21所述的系统，其中所述数据分析单元还配置成基于所述第一匿名化数据执行脑连接组分析。

27.根据权利要求22所述的系统，其中当所述第一匿名化数据是生物标记组合数据时，所述数据分析单元还被配置成基于所述生物标记组合数据计算疾病的贝叶斯后验概率。

28.根据权利要求27所述的系统，其中所述第一匿名化数据的所述分析识别所述患者的其他生物标记。

Images