CN111937085A - 关于或与心理简档有关的改进 - Google Patents

关于或与心理简档有关的改进 Download PDF

Info

Publication number
CN111937085A
CN111937085A CN201980016170.XA CN201980016170A CN111937085A CN 111937085 A CN111937085 A CN 111937085A CN 201980016170 A CN201980016170 A CN 201980016170A CN 111937085 A CN111937085 A CN 111937085A
Authority
CN
China
Prior art keywords
patient
profile data
depression
patient profile
treatment
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
CN201980016170.XA
Other languages
English (en)
Inventor
安娜·玛丽·费雷拉·帕拉德拉·卡塔奴·威菲尔德
阿兰·詹姆斯·马丁
安德鲁·布莱克威尔
乔纳森·马祖·福斯特
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.)
Ieso Digital Health Ltd
Original Assignee
Ieso Digital Health Ltd
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
Priority claimed from GBGB1803604.6A external-priority patent/GB201803604D0/en
Priority claimed from GBGB1808020.0A external-priority patent/GB201808020D0/en
Application filed by Ieso Digital Health Ltd filed Critical Ieso Digital Health Ltd
Publication of CN111937085A publication Critical patent/CN111937085A/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
    • G16H50/20—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • G16H50/50—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种用于将治疗方案分配给患者的基于计算机实施的方法，包括以下步骤：在心理治疗过程的初始阶段获得与患者相关的多个患者简档数据点；将每个患者简档数据点与多个参考简档中的每个参考简档对应的数据点进行比较；从多个参考简档中选择与患者简档数据最接近的参考简档，以获得对患者心理状况的预测；基于对患者心理状况的预测，向患者分配治疗方案；其中，多个参考简档是通过参考数据集建模来确定的，其中参考数据集包含与多个其他患者中的每个患者相关的患者简档数据。

Description

关于或与心理简档有关的改进
技术领域
本申请涉及基于计算机的系统,用于分析心理状况的症状、确定心理状况的子类型和/或为患者分配心理治疗方案的多种方法。
背景技术
常见的精神健康障碍包括抑郁和焦虑，其特点是强烈的情绪困扰,影响社交和职业功能。每年全世界大约有四分之一的成年人患有精神健康问题。在美国，精神疾病与每年2010亿美元的医疗系统直接成本有关，并且以每年6％的速度增长，快于每年4％的国内生产总值(GDP)增长率。再加上每年1930亿美元的收入损失，估计每年的精神卫生总成本将近4000亿美元。在英国，精神健康疾病与每年225亿英镑的服务费用和261亿英镑的年收入损失有关。
包括抑郁症在内的精神健康障碍的出现并不均匀，因为任何一个特定的患者都可能经历一系列可能的症状中的一个或多个，并且在程度上比其他患者或大或小。因此，在出现症状时，患者可能会表现出复杂的症状，其症状的数量、持续时间和严重程度各不相同。
此外，对于一种特定的精神健康障碍，通常有各种各样的治疗方案。关于抑郁症，不同的治疗方法可能包括向患者提供信息、开具精神药物处方或通过治疗师和患者之间的面对面治疗，或者通过包括互联网支持的认知行为疗法(IECBT)在内的在线治疗提供心理治疗(例如认知行为疗法(CBT))。这些治疗方法中的每一种本身可以包括许多可能的变体，并且每一种都可以单独被提供或者相互结合以给出治疗方案。不同的治疗方案在改善一位患者(或一组患者)的症状方面可能或多或少有效，这取决于他们的特定症状、病因和严重程度。因此，以前曾尝试将精神健康障碍分类或分类为特定的子类型或严重程度，以便为属于特定群体的患者提供更合适的治疗方案。
然而，这些先前试图将精神健康障碍分为子类型的尝试是有限的，例如，因为不同的疾病可能会在症状方面重叠，这些症状通常是相关的。目前使用的主要分类系统依赖于对症状的一些相当随意的决定，而且一些子类型表现出很难区分，并且可能无法形成不同的类别。此外，还没有一个可靠的抑郁症分类系统被证明能很好地预测的治疗反应。
因此，由于目前精神健康障碍子类型分类，特别是抑郁症子类型分类的任意性和主观方面，为患者分配特定治疗方案也可能被认为是任意或主观的。
此外，到目前为止，还没有可靠的方法来证明抑郁症的哪些症状是最有临床意义的，以及不同症状是如何相互作用的。迄今为止进行的研究并未为抑郁症状维度或症状子类型的存在提供确凿的证据(万·卢(van Loo)等人，“数据驱动的主要抑郁症子类型：系统综述”，BMC医学，2012,10:156)。
目前分类系统的方法是使用具有任意数字阈值的患者问卷，该问卷对抑郁症的不同症状进行同等的加权，尽管事实上，多个症状的模式可能更微妙和更重要。通过进一步的例子，当在DSM-IV框架内对重度抑郁发作(MDE)进行诊断时，只有“抑郁情绪”(情绪)或“对几乎所有活动失去兴趣或快乐”(缺乏快感)被认为是诊断所需的基本症状，从而有效地忽略或降低了其他潜在重要症状的重要性，如疲劳、睡眠障碍、焦虑和神经认知功能障碍。客观区分哪些症状是最重要的，以及不同症状如何相互作用的方法，可以用来客观地确定哪些症状在评估和治疗方面具有核心临床意义。
基于这些原因，需要一种新的方法来改进、加强或协助对精神健康障碍患者的初步评估、将精神健康障碍分类为多个子类型、为精神健康障碍患者分配特定的治疗方案，以及对精神疾病的特定症状进行优先顺序评估和治疗。
发明内容
根据本发明的第一方面，提供了一种基于计算机实施的向患者分配治疗方案的方法，包括以下步骤：
获得,在心理治疗过程的初始阶段,与患者相关的多个患者简档数据点；
比较每个患者简档数据点与多个参考简档中的每一个对应的数据点；
从多个参考简档中选择与患者简档数据最接近匹配的参考简档，以获得对患者心理状况的预测；
根据对患者心理状况的预测，向患者分配治疗方案；
其中，所述多个参考简档是通过建模参考数据集来确定的,其中,参考数据集包含相关于多个其他患者中的每一个患者的简档数据。
因此，该方法可以通过预测患者所遭受的心理状况来改进向患者分配治疗方案。通过对患者的心理状况做预测，从许多可能的治疗方案中选择的治疗方案可能是最适合患者病情的治疗方案。换句话说，这种方法提供了一种个性化药物的方式。因此，该方法可提高患者改善或恢复的可能性，即对患者产生更好的结果。这种方法也可能降低治疗提供者或服务的成本，而心理治疗过程可能更有效。
此外，该方法可包括根据分配的治疗方案治疗患者的附加步骤。
多个患者简档数据点可被视为该方法的输入；每个患者简档数据点可以包括非二元数据。例如，每个患者简档数据点可以包括从多个可能选项中选择的一个选项，例如，患者数据点可以包括从可能范围(例如0、1、2或3等得分)中选择的数值。或者，患者简档数据点可以包括非二元和二元数据的组合。
多个患者简档数据点可以包括与患者的一个或多个症状相关的数据。例如，多个患者简档数据点可以包括患者自我报告的症状、由治疗师测量的症状、或由诸如计算机接口或移动电子设备之类的一个或多个设备确定的症状。多个患者简档数据点可以包括远程数据，换句话说，不是直接测量患者身体的数据。
所述多个患者简档数据点可包括多个数据点，所述多个数据点指示患者对多个描述的同意程度。例如，多个患者简档数据点可以包括从标准化心理学问卷中得出的项目得分。此类问卷的例子有PHQ-9或GAD-7问卷。标准化心理学问卷提供了一种方便、直接和标准化的方法，其中患者可以报告他们的症状。通过这种方法，患者可以很容易地报告他们的心理状况的症状。标准化的心理学问卷提供了大量款项/问题，每一个项目/问题都与特定症状有关，对于每一个项目/问题，患者通常被要求在规定范围内给出得分，以说明他们正经历给定症状的频率或严重程度。因此，标准化的心理学问卷提供了一个丰富的与患者症状相关的定性数据来源；数据的定性性质可能会使治疗师难以客观地进行处理，这意味着标准治疗方法忽略了大量可用数据，因此可能无法对患者的情况做准确预测。
多个参考简档可以包括通过使用隐马尔可夫模型(HMM:Hidden Markov Model)对参考数据集建模而确定的状态。HMM可用于揭示参考数据集中的多个隐藏状态，每个隐藏状态可以包括简档，例如，多模态、多因素或多维解决空间。患者可能患有精神健康障碍，其中所述障碍可选地包括从以下组中选择的疾病：(1)抑郁，(2)混合型焦虑和抑郁，以及(3)广泛性焦虑症。
此外，所述障碍可包括从以下组中选择的疾病：恐旷症(agoraphobia)、健康焦虑症、强迫症(OCD)、创伤后应激障碍(PTSD)、恐慌症(panic disorder)、社交焦虑症和特定恐惧症。
“抑郁”、“混合型焦虑和抑郁”和“广泛性焦虑症”、“恐旷症”、“健康焦虑症”、“强迫症(OCD)”、“创伤后应激障碍(PTSD)”、“恐慌症”，“社交焦虑症”和“特定恐惧症”是治疗师和其他医疗机构传统上给患者分配的病情标签。例如，患者可能在全科医生告知他们患有抑郁症后向治疗服务机构提出。因此，患有精神健康障碍或特定命名的精神健康障碍的患者是指在传统(主观)诊断后被贴上此类标签的患者。
例如，抑郁可以表现为宽泛的心理和生理症状，抑郁在当前(主要是主观的)分类系统中的异质性仍然是临床医生讨论的一个问题。理论上驱动的抑郁子类型，如忧郁型、非典型和精神病性抑郁症，临床应用似乎具有局限性，而症状维度分析和子类型分类的数据驱动方法仍然很少。
与此相反，本说明书所述的本发明揭示了“隐藏”状态并通过采取客观的方法来描述患者的状况，观察相对于彼此的症状强度，从而改进了在传统诊断期间分配给患者的更主观的症状标签。这是有利的，因为众所周知，在治疗师和其他医疗保健提供者中，就诊断而言评估者间的可靠性较低。因此，单纯依靠传统诊断潜在地导致患者误诊的高发生率，因此向患者提供治疗不当或次优治疗的高发生率。
对患者心理状况的预测可包括抑郁的一个子类型和/或抑郁的严重程度。在此，子类型可用于表示具有呈现症状的特定组合的抑郁症子类型、具有特定病因的抑郁子类型、对治疗表现出特定反应的抑郁子类型和/或具有特定严重程度的抑郁子类型。本发明的抑郁子类型可以与先前描述的(已知的)抑郁子类型对应或重叠，或者它们可以是先前未定义的新子类型。
此外，对患者心理状况的预测可以包括对任何精神健康障碍/状况的类型或子类型的预测，和/或任何精神健康障碍/状况的严重程度的预测。在此，类型或子类型可用于表示具有多个呈现症状的特定组合的精神健康障碍的一个类型或一个子类型、具有特定病因学的精神健康障碍的一个类型或一个子类型、显示对治疗特定响应的精神健康障碍的一个类型或一个子类型，和/或具有特殊严重程度的精神健康障碍的一个类型或一个子类型。本发明揭示的精神健康障碍的类型或子类型可以与先前描述的(已知的)精神健康障碍的一个类型或一个子类型对应或重叠，或者它们可以是先前未定义的新类型或子类型。
根据本发明的任一方面的心理治疗过程可以包括互联网支持的认知行为治疗。
根据本发明的第二方面，提供了一种基于计算机实施的确定心理状况子类型的方法，包括：
获取与多个患者中的每一个患者相关的患者简档数据；
使用隐马尔可夫模型在患者简档数据中找出多个参考简档；
其中每个参考简档描述了心理状况的一个子类型。
基于计算机实施的确定心理状况子类型的方法还包括：在心理治疗过程的初始阶段获得与患者相关的多个患者简档数据点；将每个患者简档数据点与多个参考简档中的每一个对应的数据点进行比较；从多个参考简档中选择与患者简档数据最接近匹配的参考简档，以获得对患者心理状况的预测；以及基于对患者心理状况的预测向患者分配治疗方案。
基于计算机实施的确定心理状况子类型的方法还包括：在心理治疗过程的初始阶段获得与患者相关的多个患者简档数据点；将每个患者简档数据点与多个参考简档中的每一个对应的数据点进行比较；从多个参考简档中选择与患者简档数据最接近匹配的参考简档，以获得预测患者状况特征的输出；并使系统采取一个或多个与心理治疗过程相关的动作，其中基于前述输出选择一个或多个动作。
基于计算机实施的确定心理状况子类型的方法可替代地进一步包括：基于多个参考简档中的每个参照简档之间的转换概率，分配多个参照简档中的每个参照简档至参考简档族；使用对所述族中患者简档数据的个体维度进行的网络分析，来识别该族的核心症状；设计针对核心症状的治疗方案，以改进心理状况的分析和治疗。
根据本发明的第三方面，提供了一种基于计算机实施的确定多个心理状况子类型族的方法，包括：
在治疗过程的第一阶段，获得与多个患者中的每个患者相关的第一患者简档数据；
在治疗过程的第二阶段，获得与多个患者中的每个患者相关的第二患者简档数据；
通过合并第一患者简档数据和第二患者简档数据来获得合并的患者简档数据；
使用隐马尔可夫模型在合并的患者简档数据中找出多个参考简档；
使用隐马尔可夫模型进一步找出多个参考简档中每个参考简档之间的转换概率；
基于多个参考简档中每个参考简档之间的转换概率，分配多个参考简档中的每个参考简档至参考简档族；
其中每个参考简档描述了心理状况的一种子类型。
可选地，还可以获得与多个患者中的每个患者在治疗过程的一个或多个其他阶段相关的患者简档数据。例如，可以获得多个患者中的每个患者相关的在治疗过程所有阶段的患者简档数据。合并的患者简档数据可以通过合并第一患者简档数据、第二患者简档数据和其他患者简档数据来获得。因此，合并的患者简档数据可以包括与治疗过程的所有阶段相关的患者简档数据。
患者简档数据、第一患者简档数据、第二患者简档数据和/或其他患者简档数据可以包括与多个患者中每个患者的一个或多个症状相关的数据。例如，患者简档数据、第一患者简档数据、第二患者简档数据和/或其他患者简档数据可以包括来自标准化心理学问卷的数据，其中可选地，标准化心理学问卷选自PHQ-9问卷或GAD-7问卷。标准化心理学问卷提供了丰富的与患者症状相关的定性数据来源，因此该方法可以使用最大的可用数据量客观地确定心理状况的子类型。
根据本发明的任一方面的心理状况可以包括抑郁。
根据本发明的另一方面，提供了一种使用基于计算机的系统的用于提供心理治疗的方法，该方法包括：
在心理治疗过程的初始阶段获得与患者相关的多个患者简档数据点；
将每个患者简档数据点与多个参考简档中的每个参考简档对应的数据点进行比较；
从多个参考简档中选择与患者简档数据最接近匹配的参考简档，以获得预测患者状况特征的输出；以及
使系统采取与心理治疗过程相关的一个或多个动作，其中基于前述输出选择一个或多个动作；
其中，多个参考简档是通过参考数据集建模而确定的，其中参考数据集包含与多个其他患者中每个患者相关的患者简档数据。
系统采取的一个或多个动作可包括(1)向患者分配治疗方案，(2)将输出作为输入提供给执行“数字分类”的系统。
本发明任意方面的一些实施例中，方法的每一步骤的实施可以是逐步的方式。本领域技术人员将理解，在本发明任一方面的其他实施例中，可以以任何实际顺序执行该方法的多个步骤。或者，可以同时执行两个或多个步骤。
根据本发明的另一方面，提供了一种数据处理装置/设备/系统，其包括用于执行根据前述权利要求中的任一权利要求所述方法步骤的装置。
根据本发明的另一方面，提供了一种包括指令的计算机程序，当该程序由计算机执行时，使计算机执行根据上述权利要求中的任何一项方法的步骤。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括当由计算机执行时使计算机执行根据前述权利要求中的任何一个的方法的步骤的指令。
附图说明
包括以下附图以说明实施例的某些方面，并且不应被视为排他的实施例。正如本领域技术人员受益于本发明可以预料的，所公开的主题能够在形式和功能上进行相当大的修改、改变、组合和等同替换。
图1示出了本发明的基于计算机实施的方法的流程图。
图2示出了由本发明多种方法建模的一系列抑郁状态(参考曲线)的示例，如由患者对PHQ-9问卷回答的多条曲线确定的。图2A示出简档(状态)1-6；图2B示出简档(状态)7-10。X轴表示来自PHQ-9问卷的每个项目(问题、症状)，Y轴表示根据本发明的算法分配到该疾病状态的所有患者的该问题的平均数值分数。
图3示出了图2所示的所有10个参考简档(抑郁状态)，为了便于比较，在同一张图上显示。
图4示出了在图2和3中描述和编号的从治疗开始到治疗结束抑郁状态(参考简档)之间随时间转换的概率。转换概率小于15％不被显示。箭头的厚度表示两个特定状态(简档)之间发生转换的概率。疾病状态的严重程度的增加在Y轴上表示，具有临床意义的典型阈值(PHQ-9＝10)用虚线表示。
图5示出了从对PHQ-9问卷的回答中得出的症状的网络分析，该问卷显示了症状的中心性，这些症状来自5177名患者处收集的数据。问卷中的九个问题/项目中的每一个都由一个节点(指定为FPHQ.Q1到FPHQ.Q9)表示，它们之间的多条边(线)显示了问题之间的相互关系，因此也显示了它们所代表的症状。连接边的厚度与节点之间的关联度相关。可以看出，在这个例子中，最强的节点是问题2(FPHQ.Q2)和问题4(FPHQ.Q4)。
图6示出了对PHQ-9(指定为FPHQ.Q1至FPHQ.Q9的节点)和GAD-7(指定为FGAD.Q1至FGAD.Q7的节点)的综合响应获得的类似症状网络分析，该问卷显示症状的中心性，这些问卷来自5177名患者处收集的数据。可以看出，在这个例子中，最强的节点是PHQ-9问题2(FPHQ.Q2)和GAD-7问题5(FGAD.Q5)，而接近度最高的节点是PHQ-9问题7(FPHQ.Q7)。
图7示出了PHQ-9项目随时间的变化，表明在一个疗程内，某些症状(PHQ-9项目得分)的变化比其他症状小。
图8示出了患者在整个治疗过程中(最多10个疗程，X轴上表示疗程数)，如图9所示参考简档(代表抑郁状态)之间随时间的转换。每个图形对应于不同的开始状态(在第一次疗程确定的状态)，每个差异阴影区域表示给定状态下的患者比例/分配到特定参考简档的患者比例(在Y轴上属于开始状态的患者比例)。在治疗过程中，可以直观地看到处于给定状态下的患者比例的变化。例如，对于开始状态5，随着患者转换到其他(主要是不太严重)状态，处于该状态的患者比例随着时间的推移而减少(最暗灰色的阴影区域随着治疗疗程的增加而减少)。
图9示出了由本发明的方法建模的参考简档(代表抑郁状态)的大量(n＝7)的示例，参考简档由患者对PHQ-9问卷回答的简档所确定。X轴表示来自PHQ-9问卷的每个项目(问题、症状)，Y轴表示根据本发明的算法分配到该疾病状态的所有患者的该问题的平均数值分数。
具体实施方式
本公开涉及基于计算机实施的多个用于分析患者的精神健康障碍，从而为患者分配适当治疗方案的方法。
有各种不同的治疗方案选择或疗法可用于治疗精神健康障碍(精神健康状况；心理状况)。为特定患者选择最合适的治疗方案，换句话说，最有可能使患者病情改善或康复的方案，其既依赖于对患者状况的可靠诊断，又依赖于最有可能改善这种状况的对治疗方案的理解。这两个因素反过来又依赖于区分密切相关疾病症状或特定疾病症状的子类型的能力。
抑郁
抑郁(临床上典型抑郁；重度抑郁；重度抑郁障碍(MDD))是一种精神健康障碍的例子，其特征是在大多数活动中持续情绪低落和/或丧失快乐(缺乏快感)，以及一系列相关的情绪、认知、身体和行为症状，包括但不限于：疲劳/精力丧失、毫无价值感或过度或不适当的内疚感、反复出现的死亡念头、自杀念头或实际的自杀企图、思考/集中精神能力下降或犹豫不决、精神运动不安或迟缓、失眠或嗜睡过度，食欲不振和/或体重下降。轻度(亚阈值(sub-threshold))抑郁症状(如心境恶劣；持续性亚阈值抑郁症状)如果长时间出现(数月/年)，也被认为令人痛苦和致残。
抑郁的诊断
两种常用的抑郁主要分类系统分别来源于DSM–IV-TR(“精神障碍诊断和统计手册”,由美国精神病学协会出版；之后由DSM-5取代)和ICD-10(“国际疾病和相关健康问题统计分类第10版”，由世界卫生组织出版)。后者通常用于欧洲国家，而前者目前在美国和许多其他非欧洲国家使用。这两种系统都可能被英国的临床医生使用。这两种分类症状以收敛但并不相同的方式定义抑郁。
例如，ICD-10定义了三种主要的抑郁症状(抑郁情绪、缺乏快感和精力减退)，其中两种出现应该确定抑郁障碍的诊断。此外，ICD-10还要求十种抑郁症状中至少有四种出现，才能做出正式的抑郁诊断。
相比之下，在DSM-IV中，两种主要症状(抑郁情绪，缺乏快感)中仅有一种被认为是诊断重度抑郁发作(MDE)的必要条件，同时在可能的九种症状中总共存在五种症状(除了抑郁情绪和/或缺乏快感，DSM-IV考虑到的其他症状包括睡眠障碍、食欲和/或体重变化、疲劳或精力丧失、烦躁或行动迟缓、注意力不集中或犹豫不决、毫无价值感或过度或不适当的内疚感、自杀念头或行为)。
两种系统都要求症状至少在前两周已经出现，且严重程度足以造成临床显著的痛苦和社交、职业或其他重要功能领域的损害。症状的存在和严重程度可以用抑郁问卷来评估。
精神健康障碍子类型
以抑郁为例，人们已经做出多种尝试以将抑郁分为多种子类型和/或严重程度。
由于抑郁的多种可能症状，这些症状有时具有相互排斥的性质，以及每个患者都可能或多或少地经历这些症状(与其他患者相比，或随着时间的推移)的事实，抑郁可以被视为一种异质性疾病。通过适当的治疗方案有效地治疗抑郁的能力，可能需要更好地定义特定患者所承受的抑郁的严重程度和/或子类型。
严重程度
ICD–10和DSM–IV两种分类系统根据患者所承受的症状数量、类型和严重程度以及功能损害程度，将临床上重要的抑郁发作分为轻度、中度和重度。
目前英国NICE抑郁诊断指南基于DSM-IV或DSM-5标准，将严重程度分为三类：重度、中度和轻度。此外，亚阈值抑郁也有自己的定义。“重度”抑郁意味着出现超过了诊断所需症状的几种症状。一些症状可能会很严重，并且会明显影响功能。“中度”抑郁是指症状或功能损害介于重度和轻度之间。某些症状可能会被标记起来。“轻度”抑郁意味着很少(如果有的话)出现超过诊断所需的五种症状，并且患者只承受了轻度的功能损害。
由于当使用DSM-IV或DSM-5分类系统(五种症状)时，诊断具有临床意义的抑郁所需的最低症状数高于ICD-10系统(四种症状)，因此使用任一种DSM系统时，轻度抑郁的阈值更高。
亚阈值抑郁
DSM-IV和ICD-10都包括“恶劣心境”这一类别，它由抑郁症状组成，这些症状构成(主要)抑郁症的亚阈值，但持续存在(根据ICD-10中的定义，超过2年)。似乎没有经验证据表明，除了持续时间外，心境恶劣与一般的亚阈值抑郁症状不同。
在DSM-5中，在DSM-IV中被称为“恶劣心境”的情况现在属于“持续性抑郁障碍”的范畴，它既包括慢性主要抑郁障碍，也包括先前的恶劣心境障碍。由于无法在这两种情况之间找到科学上有意义的差异，导致它们被组合在一个单一的类别内。
因此，可以看出，抑郁或抑郁的特定严重程度的诊断，依赖于(某种程度上)任意和发散阈值的应用。一个患者是否被认为需要治疗，以及治疗的形式，至少在一定程度上取决于诊断出的抑郁的严重程度。因此，客观地确定诊断阈值是有利的。
对于症状较轻的个体的诊断，应用任意阈值可能会导致该个体被排除在积极治疗之外；低于DSM和ICD-10阈值标准的抑郁症状如果持续存在，可能会令人痛苦和致残，这些患者可以从提供适当的治疗方案中受益。
子类型
除了将抑郁障碍划分严重程度外，人们还尝试将抑郁分为多个子类型。这是响应于该病在症状和/或病因方面的异质性。尽管试图将抑郁的症状与其病因联系起来，包括神经生物学、遗传学和心理学研究，但目前还没有一个可靠的分类系统能够将症状表现与潜在的病因联系起来，或者被有力地证明能预测对治疗的反应。
历史上，已经提出了许多子类型，包括反应性和内源性抑郁、忧郁症、非典型抑郁、具有季节性/季节影响的情感障碍和恶劣心境的抑郁，以及这种疾病的持续时间和病程(例如，单次发作、反复发作、存在残余症状)。
在DSM–IV-TR中，重度主要抑郁(MDD；具有临床意义的抑郁；抑郁)可进一步分为如下子类型：无精神病或有精神病(精神病性抑郁)，还可进一步包括忧郁症、非典型特征、紧张、季节性抑郁(季节影响的情感障碍)或产后发作。然而，这些子类型并不构成不同的类别，也不一定预测其本身或特定类型对治疗的反应。
一些研究试图根据经验将抑郁分为不同的子类型，而不是通过主观观察。例如德斯达尔(Drysdale)等人，(“静息状态连接生物标记物定义抑郁症的神经生理学子类型”，《自然医学》，第23卷，第28-38页(2017年))试图通过使用功能性磁共振成像(fMRI)对大脑中功能失调的神经元连接的成像模式将抑郁症定义为四个子类型。这种方法给患者带来不便，耗时且成本极高，此外，指定的不同子类型如何与患者所经历的多个症状对应，以及/或每个子型是否可以预测对治疗的反应还不清楚。
上述诊断和/或子类型抑郁的惯例和方法表明，目前的分类系统是可变的，可能导致系统间的差异化诊断，并且与治疗结果没有经过验证的联系。
问卷调查
当试图诊断是否存在心理状况或精神健康障碍时，患者的初始评估通常由临床医生进行，临床医生可能会考虑患者的病史、个人情况，尤其是当前的症状。为了评估患者的症状，临床医生可以使用一个或多个标准化心理问卷，例如用于抑郁障碍的PHQ-9问卷，或用于焦虑症的GAD-7问卷。每个问卷都会提出一些与特定症状相关的问题/项目(例如，PHQ-9为9个；GAD-7为7个)，根据患者对症状严重程度/频率的自我评估，患者的回答得分为0到3。因此，问卷调查为临床医生提供了一个多模态、多维的解决空间，从中对患者的特定心理状况及其严重程度进行评估。尽管问卷调查可能会提供丰富而复杂的信息，临床医生对患者进行评估的一种典型方式是将每个问题的回答中给出的个人得分相加。如果总分大于预先确定的阈值，则患者名义上被视为符合“病例”，即表现出临床显著症状。进一步的阈值可用于定义严重程度。这种将数字阈值应用于问卷数据的方法是不利的，因为它很大程度上忽略了所提供数据的复杂性，假设不同症状是等同的，并对严重程度连续体上的各种症状的变化谱应用任意的截止值，从而可能对患者做出不正确或不完整的评估。例如，两名患者可能会出现不同的症状，但如果每个患者的总分相同，则目前的治疗方法可能会相同。
患者健康问卷(PHQ-9)
PHQ-9是一个九项自我管理的问卷，用于检测抑郁的存在和/或严重程度(参见柯珞克(Kroenke)，克(K.)等人。PHQ-9：抑郁严重程度简易测量的有效性。《普通内科学杂志》(J Gen Intern Med)，第16期，第606页，2001年)。它专门设计用于初级保健。PHQ-9问卷评估的问题/项目/症状如表1所示。对于每个项目，患者需要给出0到3之间的分数，表明他们在前两周经历该项目/症状的频率，其中0＝根本没有，1＝若干天，2＝半天以上，3＝几乎每天。
表1.PHQ-9项目/症状
Figure BDA0002656370490000121
表2列出了通常用于对应抑郁严重程度的PHQ-9总分。
表2.PHQ-9评分与抑郁程度
PHQ-9总分 抑郁严重程度
0–4 不抑郁
5–9 轻度抑郁
10–14 中度抑郁
15–19 较重度抑郁
20–27 重度抑郁
其他现有技术已知的适于替代PHQ-9问卷用于诊断抑郁的方法包括医院焦虑和抑郁量表(HADS)以及贝克抑郁量表II(BDI-II)。
广泛性焦虑症(GAD 7)问卷调查
广泛性焦虑症(GAD 7)是一份七项自我管理调查问卷，旨在对广泛性焦虑症(GAD)进行筛查和严重程度评估。GAD-7对于其他三种常见的焦虑症，即恐慌症、社交焦虑症和创伤后应激障碍，也具有适度良好的操作特性(参见斯皮泽(Spitzer)，R.L.等。(2006年)。评估广泛性焦虑症的一种简单方法：GAD-7。《普通内科学杂质》。166期，第1092–1097页)。表3列出了GAD-7问卷评估的问题/项目/症状，表4列出了通常用于对应焦虑严重程度的GAD-7总分。对每个GAD-7项目分配特定分数的标准与PHQ-9中的每个项目相同。
表3.GAD-7项目/症状
项目编号 症状
1 感到紧张、焦虑或不安
2 无法停止或控制忧虑
3 太担忧不同的事情
4 放松困难
5 坐立不安
6 变得容易生气或易怒
7 感到害怕，好像有什么糟糕的事情要发生
表4.GAD-7总分与焦虑严重程度
GAD-7总分 焦虑严重程度
0–4 不焦虑
5–9 轻度焦虑
10–14 中度焦虑
15–21 重度焦虑
其他现有技术已知适合用于焦虑诊断的GAD-7问卷的替代方法包括医院焦虑和抑郁量表(HADS)、汉密尔顿焦虑量表(HAM-A)、强迫症量表(OCI)、事件影响量表(IES-R)、恐旷症移动性量表(AMI)、社交恐惧症量表(SPI)、恐慌症严重程度量表(PDSS)和健康焦虑量表(HAI)。
图1示出了本发明的基于计算机实施的方法100的流程图。首先，获得患者简档数据(多个患者简档数据点)102作为输入。
示例性患者简档数据点包括患者对一个或多个标准化心理问卷的反应。示例性标准化心理问卷包括但不限于PHQ-9、GAD-7、HADS、HAM-A、BDI-II、OCI、IES-R、AMI、SPI、PDSS和HAI。
患者简档数据可以由患者直接输入到计算机或计算机程序中，或者将患者简档数据口头或书面地提供给另一个人，例如临床医生、治疗师、接待员或其他治疗服务人事成员，由他们随后将数据输入到计算机或计算机程序。或者，患者简档数据可以包括远程或被动收集的关于患者症状的信息，例如由移动计算设备收集。
再次参考图1，在收集患者简档数据输入102之后，将每个患者简档数据点与多个参考简档106n中的每个参考简档对应的数据点进行比较104。多个对应的数据点可以包括计算值，例如平均值。多个参考简档106可以包括由隐马尔可夫模型输出的状态，该隐马尔可夫模型用于对包含来自多个其他患者的患者简档数据的参考数据集进行建模。
将患者简档数据102与多个参考简档106n进行比较之后，选择108提供与患者简档数据最接近匹配的参考简档106。参考简档的选择108提供对患者心理状况的预测(或输出)110。
一旦获得了患者心理状况的输出或预测110，就为患者分配112特定的治疗方案(动作)114。因此，可以提供适合患者状况的治疗方案。
一旦获得了患者的心理状况的输出或预测110，则通过该方法或系统采取特定的动作，例如，为患者分配112特定的治疗方案(动作)114。因此，可以提供适合患者状况的治疗方案。
因此，本文所述的治疗方案可以被认为是治疗方案的非限制性示例，并且进一步被认为是可以通过所述方法所采取动作114的非限制性示例。
在提供治疗方案之后，可以重复该方法，例如，可以在第二个或随后的时间点收集患者简档数据输入102，以便可以再次预测患者的心理状况，以确定治疗方案的有效性。
治疗方案选项
临床医生可选择各种治疗方案114治疗抑郁疾病；这些方案可能包括一个或多个：观察等待、指导性自助、传统认知行为疗法(CBT)、计算机化CBT、互联网支持的CBT(IECBT)、锻炼、心理干预(简单、标准或复杂)、药物治疗、社交支持、综合治疗和/或电抽搐疗法(ECT)。
在线治疗，包括互联网支持的认知行为治疗(IECBT)，比标准治疗具有显著的优势。互联网支持的认知行为治疗(IECBT)是一种高强度的在线治疗，在改善心理治疗(IAPT)项目中使用。在使用IECBT的IAPT中，患者每周都会与经认可的治疗师进行一对一的治疗，类似于面对面计划，同时也保留了基于文本的在线治疗提供的优势，包括方便、可访问性、增加公开性和缩短等待时间。接受IECBT治疗的患者的改善率显著高于使用标准护理的严重程度匹配的患者。
IECBT中治疗方案114的多项变化包括一对一或面对面会面的频率、在两次会面之间异步消息传递的频率、对精神药物的潜在需求，或者作为治疗方案的一部分由特定的治疗师进行治疗。
通过对患者状况进行有意义的分类或分型，有助于为特定患者分配最合适的治疗方案。
例如，对心理状况的预测属于轻度严重程度子类型的患者，例如，具有与落入传统诊断阈值以下的状态相关的高概率的患者，可为其分配治疗方案114，该治疗方案比针对心理状况预测更严重的患者需要较少的一对一或面对面会面。
此外，对于其心理状况的预测属于特定子类型的患者，例如由与相关参考简档(状态)的特定族相关的高概率所定义的，可向其提供适合该族的治疗方案，其中已知或预测的治疗方案为对该子类型或族有效。一个特定的治疗方案可以被设计成针对简档的特定族中最重要的症状或症状组。
例如，本文所揭示的方法被用来识别三种不同的抑郁子类型：躯体抑郁、认知抑郁和混合抑郁。抑郁的每一个子类型都与一个特定的相关参考简档(状态)族相关。因此，每种子类型的抑郁都与特定的症状相关。例如，躯体抑郁的特点是高强度的身体症状，包括疲劳、睡眠困难和食欲改变。认知抑郁的特点是情绪低落、自卑、自杀倾向高。更严重的混合抑郁的特点是高强度的生理和心理症状。
使用症状分析器阐明的各子类型的症状简档、相关性和潜在性质可能有助于针对特定症状或子类型进行治疗。因此，症状分析器可用于协助提供个性化的药物。
心理状况的特定子类型或子类型族中最重要的症状(核心症状)还可以通过对患者简档数据的个体维度(例如标准心理问卷的项目)进行网络分析来确定。可以选择最集中的症状((多个)项目、(多个)问题、(多个)节点)，并且可以设计或提供治疗方案以针对这些特定(多个)症状。这样，核心症状将被直接治疗，并且由于它们与核心症状的相关性，期望可以间接治疗相关/相联系的症状。因此，本发明的方法提供了对心理状况的改进分析和治疗。
一个或多个动作可包括将患者分配给多位治疗师中的一位。分配可以至少部分地基于对患者心理状况的预测(或输出)110，以及描述与心理状况相关的治疗师的表现的数据。因此，该方法可以匹配患者和可能为患者提供更有效和/或更有效心理治疗的治疗师。例如，在初始评估时，被预测属于给定的参考简档的患者可以被分配给已经被确定为向该参考简档的患者提供更有效治疗的治疗师。因此，该方法可以以最佳方式使用治疗师资源，以提供最佳且最具成本效益的治疗。分配也可以基于进一步的数据(例如与可用性有关的数据等)。
一个或多个动作可以包括部署多个预测或已知的干预措施中的至少一个以增加参与度。能够预测哪些患者不参与和/或退出的风险更高，因此对这些患者进行至少一种干预措施的差异化部署是有利的，因为这样可以降低治疗提供者/服务提供干预的总体成本，同时，减少患者中的不参与和/或退出(这代表患者未改善和改善或恢复降低的成本)。能够在不参与和/或退出发生之前预测哪些患者的风险更高，而不是在发生后对退出做出反应，这是有利的，因为在退出之前部署的干预措施可能更有效地提高参与度，因此不太可能给患者带来成本。此外，在按绩效付费的治疗模式中，预测不参与/退出可能性的能力可能为治疗提供者或治疗服务提供进一步的经济效益。尤其是，当患者的患者简档数据与描述已知与退出或不参与风险增加相对应的心理状况子类型的参考简档最接近匹配时，可以采取预测或已知的增加参与度的干预措施。
一个或多个动作可包括，其中患者简档数据最接近匹配的参考简档属于预定标准，例如是将合并后的PHQ-9分数为10或更低分数的参考简档，启动涉及通过系统向患者提供信息的治疗过程。特别是，系统可能会启动一个不直接(或间接)涉及治疗师的治疗过程。因此，该方法可以避免不必要地使用治疗师。避免不必要地使用治疗师可能对治疗提供者/服务和患者都有利；例如，治疗服务可以不产生不必要的相关成本(例如，向治疗师支付提供不必要治疗的费用；进一步降低治疗师可用性的成本，这些治疗师可以治疗更严重的患者)，而患者从接受更适合他们需求的治疗计划中获益，这可在便利性和/或交付速度方面有利。
由该方法或系统采取的一个或多个动作可以包括提供输出110作为执行“数字分类”的方法或系统的输入。如WO 2018/158385A1中所述，此类心理治疗分类方法或系统可使用多个数据输入以采取与治疗过程相关的一个或多个动作。因此，患者简档数据最接近匹配的参考简档可以用作心理治疗分类方法/系统的多个数据输入之一。
基于计算机实施的方法100可继续实施以在提供治疗方案114期间或之后监视患者的进展。例如，在某些情况下，患者心理状况的预测110可以被计算两次或更多次(包括最初和/或在治疗期间)，其中可以将患者在不同时间点的心理状况的预测110的比较用作心理治疗质量的度量。
在某些情况下，当使用按价值付费系统时，心理治疗的质量可用于确定与患者护理相关的补偿。
隐马尔可夫模型
隐马尔可夫模型(HMM)是一种统计模型，其中被建模的系统被假定具有不可观测(即隐藏)状态。在隐马尔可夫模型中，状态对观察者不直接可见，但依赖于状态的输出是可见的。
例如，在使用PHQ-9患者问卷测量的抑郁症状评估中，输出是患者对PHQ-9问卷的答案，观察者可以看到这些答案，但抑郁状态(简档)则不可见。然而，每个隐藏状态(即抑郁状态)的概率可以由观察到的输出(即PHQ-9答案)来确定。
网络分析
网络理论是一门研究离散对象之间对称关系或非对称关系的图表。
网络分析可以用来研究复杂网络中的关系，其中各个元素用节点表示，元素之间的连接用边(链接)表示。任何两个节点之间的关系可以是对称的，也可以是非对称的。任何两个节点可以是正相关、负相关或互不相关。可以获得每个节点的中心度：中心度指数产生排名，以期确定网络模型中最重要的节点。一个节点的中心性可以使用许多指标来衡量，包括强度/程度(一个节点与它的多个邻居之间直接连接的程度)、紧密度(一个节点与所有其他节点之间间接连接的程度)和中间性(一个节点在其他两个节点之间的路径中作为介质的重要性)。
根据精神病理学的网络观点，精神障碍可以被视为一个相互作用的症状系统，这种疾病是症状之间相互因果作用的结果。例如，过度担心可能会影响注意力集中，并导致失眠，进而增加疲劳，从而导致注意力集中的困难，这一系列症状可能被诊断为焦虑症，而在抑郁症患者中也很常见。这种观点可以为治疗师提供具体的干预目标，既可以预防疾病的发展，也可以治疗已经出现疾病的人。例如，网络视角预测，那些已经发展出一种对他们的抑郁神经网络至关重要的症状的患者，有可能存在发展成一个全面事件的危险。因此，尽快以某种干预措施针对中心症状，可以保护这些人不至于发展成具有临床意义的疾病。同样，在治疗已经被诊断出患有这种疾病的患者时，如果能够确定网络中最强和最弱的环节(即哪些是核心症状，哪些症状不那么重要)，那么对治疗可能会有好处。
用于实现与本文所描述的方法100相关的各种说明性块、模块、元件、组件、方法和算法的系统和相应的计算机硬件可以包括处理器，处理器被配置成执行存储在非暂时性计算机可读介质上的一个或多个指令序列、编程状态或代码。处理器可以是，例如，通用微处理器、微控制器、数字信号处理器、专用集成电路、现场可编程门阵列、可编程逻辑设备、控制器、状态机、门控逻辑、离散硬件组件、人工神经网络，或任何合适的可以执行数据计算或其他操作的实体。在一些实施例中，计算机硬件可进一步包括诸如存储器(例如，随机存取存储器(RAM)、闪存、只读存储器(ROM)、可编程只读存储器(PROM)、可擦除只读存储器(EPROM))、寄存器、硬盘、可移动磁盘、CD-ROMS、DVDs等元件，或任何其他类似的合适的存储设备或介质。
本文所述的可执行序列可以用包含在存储器中的一个或多个代码序列(例如，用于实现本发明的一个或多个方法100的一组指令)来实现。在一些实施例中，这种代码可以从另一机器可读介质读入存储器。执行存储器中包含的指令序列可以导致处理器执行本文所述的处理步骤。也可以在多处理器设置中使用一个或多个处理器来执行指令序列。另外，可以使用硬接线电路来代替或结合软件指令来实现本文所述的各种实施例。因此，本实施例不限于硬件和/或软件的任何特定组合。
如本文所使用的，机器可读介质将是指直接或间接地向处理器提供指令以供执行的任何介质。
机器可读介质可以具有多种形式，包括例如非易失性介质、易失性介质和传输介质。非易失性介质可以包括，例如光盘和磁盘。易失性介质可以包括，例如动态存储器。传输介质可以包括,例如同轴电缆、电线、光纤和构成总线的电线。机器可读介质的常见形式可以包括例如软盘、软磁盘、硬盘、磁带、其他类似于磁性介质、CD-ROMs、DVDs、其他如光学介质、穿孔卡、纸带和具有图案孔的类似物理介质、RAM、ROM、PROM、EPROM和闪存EPROM。
优选地，在一些实例中，本文所述方法的实现可以通过系统方法，其中一个或多个患者简档数据102由患者、服务提供商等在远程位置(例如，通过计算机、智能电话或其他类似设备)提供和/或更新。然后，可以将数据传送到执行本文所述的一种或多种分析方法的中央计算机。在这种情况下，还可以在中央计算机上提供和/或更新一个或多个患者简档102。在本例中，接收到的数据来自多个硬件源。
备选地，患者简档数据102可被输入到执行本文所述的一种或多种分析方法的中央计算机。
除非另有说明，否则在本说明书和相关权利要求中使用的表示例如患者变量、服务变量、总分等的数量的所有数字应理解为在所有情况下被术语“大约”修饰。因此，除非相反说明，在以下说明书和所附权利要求中阐述的数值参数是可能根据本发明实施例寻求获得的期望特性而变化的近似值。至少，每个数值参数至少应根据报告的有效位数和采用普通舍入技术进行解释，而不是试图用等同原则的适用范围限制权利要求的保护范围。
本文提出一个或多个包含本文所公开发明实施例的说明性实施例。为了清楚起见，并不是所有物理实现的特性都在该说明书中进行描述或显示。应理解，在结合本发明实施例的实体实施例开发过程中，必须做出许多具体实现的决策以实现开发者的目标，例如遵守系统相关的、业务相关的、政府相关的和其他的约束，这些约束因实现方式而不时发生变化。虽然开发人员的努力可能是耗时的，但是，对于本领域的普通技术人员和受益于本发明的人员来说，此类工作将是一项常规工作。
虽然本文以“包含”各种组分或步骤来描述组合物和方法，但是所述组合物和方法也可以“基本上包括”或“由”各种成分和步骤组成。
示例
例1-抑郁的症状简档
对2012年至2017年间接受IECBT治疗抑郁的4211名患者的数据进行了分析。
收集每个患者在初始评估和最后一个疗程的PHQ-9问卷调查结果。所有患者在所有可用时间点收集的问卷数据均通过LMest软件包里采用R实施的隐马尔可夫模型(HMM)建模。模型适用于1至16个抑郁状态。选择最佳拟合模型作为最小化贝叶斯信息准则(Bayesian Information Criteria:BIC)度量的模型。
最佳拟合HMM发现了10种抑郁状态(图2和3)是拟合数据的最佳数。每种状态都显示了PHQ-9问题得分的特定概况，每个问题(项目)都以平均分表示。每个(抑郁)状态可被视为参考简档。状态1代表完全恢复状态，所有症状(对PHQ-9问题的响应)处于最低水平(得分<0.5)。状态10代表严重程度最高的状态，所有问题的得分都达到峰值。状态2-9代表了中等严重程度和各种不同的概况。状态1到4代表“恢复”状态，这意味着每个PHQ-9问题的平均分总和小于10是确定患者病情的典型阈值。
一些状态似乎显示出相似的简档(即这些状态的最高平均分出现在相同的调查表项目上)，尽管总体严重程度不同。例如：状态2、6和9彼此显示相同的症状简档，在问题2、4和6处出现峰值；状态3、4和5彼此显示相同的症状简档，在问题3和4处出现峰值；状态7和状态8也似乎彼此具有相同的症状简档，在问题3、4和6处出现峰值。这些症状被确定为三种不同的抑郁子类型：认知抑郁(状态2、6和9)、躯体抑郁(状态3、4和5)和混合抑郁(状态7和8)。使用症状分析器阐明的各子类型的症状简档、相关性和潜在性质可能有助于针对特定症状或子类型进行治疗。因此，症状分析器可用于协助提供个性化的药物。
例2——抑郁状态的状态转换分析
数据集如例1所示。
患者最初的PHQ-9问卷调查结果与例1所示的抑郁状态相吻合。这给了每个患者在治疗开始时的分配状态。患者的PHQ-9问卷调查结果也与例1中建模的抑郁状态相匹配，在治疗结束时为每个患者提供一个分配状态。
然后对状态之间的转换进行分析，以分析在治疗开始时具有特定状态的患者在治疗结束时转换为另一状态的概率。这个分析是使用例1中的隐马尔可夫模型(HMM)执行的，使用LMest包采用R实现。该分析的结果如图4所示；仅显示了大于15％的转换概率。分析表明，对于所有开始抑郁的状态，症状的严重程度在治疗结束时都有所减轻。此外，在治疗开始时的每一种特定的抑郁状态都有可能在治疗结束时转换为一定量的其他抑郁状态。例如，根据初始问卷调查结果分配到状态9的患者在治疗结束时有15-20％的概率转换到状态6简档，或者20-30％的概率转换到状态2简档。可替换地，根据他们最初的调查问卷被分配到状态3的患者，在治疗后被分配到状态1的可能性超过40％。这个发现为每个开始抑郁的状态都可能在治疗结束时转换到一定量的其他抑郁状态，这使得抑郁状态可以被归为相关状态族。状态2、6和9组成一个族(第1组：认知抑郁子类型)，状态3、4和5形成另一个族(第2组：躯体抑郁子类型)，状态7和状态8形成第三个族(第3组：混合抑郁子类型)。通过网络分析，状态10和状态1没有被分配到某个特定的族/组。
从治疗开始到治疗结束，患者似乎在同一抑郁子类型内转换，和/或走向康复，即开始时有认知抑郁的患者，在治疗结束时仍处于认知抑郁状态，开始时有躯体抑郁的患者，在治疗结束时仍处于躯体抑郁状态，然而，在这两种情况下，症状严重程度可能会降低。
混合抑郁患者似乎向躯体抑郁而不是认知抑郁转换。对此可能有许多解释，例如，当同时出现躯体症状和认知症状(混合抑郁)时，这种情况下可能是目前使用的IECBT治疗方案在处理认知症状方面更有效，或者更快地处理认知症状，或者，更严重抑郁症的正常进展可能是，它倾向于在早期阶段出现躯体症状，然后随着疾病的发展逐渐发展为认知症状。因此，症状简档方法可用于提供对不同症状简档、子类型和/或抑郁障碍随时间推移的过程的其他意见。因此，可以根据特定的症状简档或子类型进行治疗。
例3–核心症状确定
对2012年至2017年间接受IECBT治疗抑郁症的5177名患者的数据进行了分析。收集每个患者在初始评估时的PHQ-9和GAD-7问卷回答。使用图形化的拉索(lasso)估计器对收集的所有患者数据进行网络分析，拉索估计器最小化扩展的贝叶斯信息准则，调整参数gamma设置为0.5。
对单独与(i)仅PHQ-9问卷和(ii)PHQ-9和GAD-7问卷的组合相关的数据进行了网络分析。这些网络分析的结果如图5和6所示。网络分析显示，某些节点(问卷项目、问题、症状)的中心度高于其他节点。对于这些分析，中心性的最佳衡量标准是强度(症状与相邻症状的直接联系程度)和紧密程度(症状与所有其他症状的间接联系程度)。单独分析PHQ-9数据时(图5)，问题2(FPHQ.Q2)和问题4(FPHQ.Q4)显示出最高的中心性。当结合GAD-7数据(图6)分析PHQ-9数据时，PHQ-9问题2(FPHQ.Q2)和GAD-7问题5(FGAD.Q5)最强，而紧密度最高的节点是PHQ-9问题7(FPHQ.Q7)。图6所示的数据也包括在下面的表5中。
表5.表明抑郁患者核心症状群的网络分析
Figure BDA0002656370490000221
N＝5177名患者转诊至怡素(Ieso)，并从2015年起接受抑郁诊断；在JASP中进行网络分析(v0.8.6，JASP团队2018)。
从表5和图6可以看出，GAD Q4(放松困难)、GAD Q5(坐立不安)和PHQ Q2(感到沮丧，失落，绝望)表现出高强度、紧密性和中间性的组合，表明这些是这组患者的核心症状。
识别每个患者(或患者组；抑郁子类型)的核心症状，可使得治疗师提供针对网络中最核心症状的个性化治疗方案。
方法：使用基于扩展BIC准则的图形拉索来估计网络模型，并采用标准化的中心度度量。
·强度：一个节点与其近邻之间的直接连接度量，例如，类似于从城镇出来的直接连接到其他城镇、高速公路的道路
·紧密度：一个症状与网络中其他所有症状之间间接联系的度量，例如，类似于连接一个城镇和该国所有其他城镇的道路，即使穿过A->B->C之间的村庄。
·中间性：节点在连接其他节点中重要性的度量，例如，类似于居住在有大量直达交通的村庄，即使它不是最终目的地，只是人们通过它到达其他目的地
·中心度测量值越高，节点在驱动症状网络中的作用越重要，例如，对于该组中的抑郁患者，PHQ Q2总体上的中心度测量值最高，这意味着所有症状都与情绪低落、抑郁或绝望(由其引起或引起其)有因果关系。
例4-残余睡眠症状
一个特定的治疗方案可以设计成针对特定症状或症状组。针对特定症状或系统组可在治疗结果方面更有效。
图7显示了残余睡眠症状如何阻碍患者恢复睡眠。对特定患者组(完成一个疗程且出院时“侥幸逃脱”的患者；N＝262名抑郁症患者，在2016年至2017年在3个阈值点内完成治疗并恢复)的症状变化进行测量。记录每个患者每个PHQ-9问题/项目的首个和最后一个分数(分别在治疗开始和结束时获得)，从而计算每个问题/项目的PHQ(9)变化率(第一个和最后一个分数之间的差值除以第一个分数，用百分比表示)。从图7中可以清楚地看出，与睡眠和疲劳相关的症状(PHQ Q3和PHQ Q4；见上文表1)显示，这组患者在一个疗程内的变化最小。针对这些症状的有针对性的干预措施，在初始疗程之前、期间或之后，可能对这些患者有益，无论是具体改善这些症状，还是整体康复。
例5——抑郁状态的进一步状态转换分析
数据集如例1所示。然而，在这个例子中，抑郁的症状分析是使用在治疗过程中的多个时间点收集的数据进行的，而不是仅仅在治疗开始和结束时。
在每个患者所有可用疗程(最多10个)获得PHQ-9问卷的回答。所有患者在所有可用时间点收集的问卷数据均采用隐马尔可夫模型(HMM)建模，并使用LMest软件包采用R实现。模型拟合1至16个抑郁状态。选择最佳拟合模型作为模型，该模型最小化贝叶斯信息准则(BIC)度量并优化可解释性。
最佳拟合HMM发现7个抑郁状态(图9)是拟合数据的最佳数目，同时也优化了可解释性。每个状态都显示了PHQ-9问题得分的特定简档，每个问题(项目)都表示为平均分。每个(抑郁)状态可被视为参考简档。状态1代表完全恢复状态，所有症状(对PHQ-9问题的反应)处于最低水平(得分<1)。状态7代表严重程度最高的状态，所有问题的得分都达到峰值。状态2-6代表中等严重程度和不同的情况。状态1和状态2代表“恢复”状态，这意味着每个PHQ-9问题的平均分总和小于10，这是确定患者病情的典型阈值。
一些状态似乎显示出相似的简档(即这些状态的最高平均分出现在相同的调查表项目上)，尽管总体严重程度不同。例如：状态4和状态6彼此显示相同的症状特征，在问题(项目)1到7处出现峰值；然而，其他状态则显示不同的简档，该不同的简档对于非常特定的项目具有峰值强度。例如，状态3显示问题(项目)3和4的峰值强度，而状态5显示问题(项目)2、4和6的峰值强度。不同的症状简档被确定为三种不同的抑郁子类型：认知抑郁(状态5)、躯体抑郁(状态3)和混合抑郁(状态4、6和7)。
患者最初的PHQ-9问卷调查结果符合上述7种抑郁状态之一，如图9所示。这给了每个患者在治疗开始时的分配状态。患者在所有时间点的PHQ-9问卷调查结果也与7种抑郁状态中的一种相匹配，在每个疗程为每个患者分配一个状态。
然后对状态之间的转换进行分析，以分析在治疗开始时具有特定状态的患者在治疗期间和治疗结束时转换到另一状态的概率。这个分析是使用如例1和上面的例子中采用隐马尔可夫模型(HMM)执行的，使用LMest包用R实现。分析结果如图8所示；分析表明，对于所有起始的抑郁状态，症状的严重程度在治疗结束时都有所减轻。此外，在治疗开始时的每一种特定抑郁状态都有可能在治疗结束时转换到一定量的其他抑郁状态。例如，根据最初的问卷调查结果被分配到状态5的患者在治疗结束时有大约25％的概率转换到状态2，但转换到状态4的概率只有2％左右或转换到状态3的概率只有5％。而根据初始问卷调查结果被分配到状态6的患者在治疗结束时有大约25％的概率转换到状态4，但转换到状态5的概率几乎可以忽略不计。
与例2一样，这一发现，即每个起始的抑郁状态在治疗结束时很可能只转换到一定量的其他抑郁状态，这也使得抑郁状态可以被归为多个相关状态族。在这个模型中，状态5形成一个族(第1组：认知抑郁子类型)，状态3形成另一个族(第2组：躯体抑郁子类型)，状态4、6和7形成第三个族(第3组：混合抑郁子类型)。状态1和状态2没有被分配给某个特定的族/组。
这些发现与实施例1和例2中的结果一致，并证明了确定抑郁子类型的方法是可靠的。
从治疗开始到治疗结束，患者似乎在同一抑郁子类型内转换，和/或走向恢复，即开始时患有混合抑郁的患者，在治疗结束时仍处于混合抑郁状态，在治疗开始时躯体抑郁的患者在治疗结束时仍保持躯体抑郁，并且治疗开始时有认知抑郁，治疗结束时仍有认知抑郁。然而，在所有病例中，症状的严重程度可能会减轻，患者可转换到恢复期。
这种模式是确定的，即处于“躯体”抑郁初始状态的患者倾向于保持躯体抑郁状态，而不是向恢复转换，其可能性与同样严重但不同初始状态的患者一样大。所确定的抑郁子类型也与其他人口统计学因素相关。与其他抑郁症子类型患者相比，“躯体”抑郁症患者不太可能参与治疗，更可能患有长期的身体共病，更可能服用药物。利用这些信息，例如，在将来，处于躯体抑郁状态的患者可以在进入治疗时被识别出来，并且这些信息可以被用来制定额外的措施，例如促进患者在这些情况下的参与度，比如在疗程之间附加多项信息，或者设置监督护理的指导人员。
因此，症状描述方法可用于提供对不同症状特征、子类型和/或抑郁障碍随时间推移的过程的额外认知。因此，可以根据特定的症状或子类型进行治疗。
例6——抑郁子类型的进一步特征化
对6849例使用传统方法诊断为抑郁症并接受互联网支持的认知行为治疗(IECBT)的患者进行症状分析和分型。
患者在每次治疗前完成PHQ-9抑郁症状问卷调查。PHQ-9数据被用作隐马尔可夫模型(HMM)的输入，以确定最佳数量的抑郁状态数。这些状态在严重程度和症状方面各不相同，在一个疗程中，患者可以在多个状态之间转换。根据症状简档，这些状态被分为3个抑郁子类型之一，即躯体、认知和混合抑郁。躯体抑郁的特点是高强度身体症状，包括疲劳、睡眠困难和食欲改变。认知抑郁的特点是情绪低落、自卑、自杀倾向高。更严重的混合抑郁的特点是高强度的生理和心理症状。
对躯体和认知抑郁子类型进行了深入研究。由HMM提出的将患者分类为这两种子类型之一的方法，是由三名具有良好评估者之间一致性(弗莱斯卡帕(Fleiss’s kappa)＝0.45)的临床督导盲目地验证的。然后比较人口统计学和对躯体或认知抑郁症患者的治疗反应。利用从治疗记录中收集的数据，比较两种子类型对CBT特定治疗特征的反应，如日程设置、作业设置和各种不同的改变机制。
结果表明，尽管两组患者的严重程度相似，但他们对治疗的反应存在明显差异，躯体抑郁症子类型患者对治疗的参与度较差，临床结果较差。患有躯体抑郁症的患者也更有可能是女性，服用药物，并患有长期的身体共病。观察到组间对治疗特征的反应也存在差异，躯体抑郁症患者对改变机制的反应较弱。另一方面，认知抑郁症患者每个疗程的平均词量较低，单词类型较少，可读性较低。
这个例子表明抑郁症子类型的完整特征，不仅基于心理测量数据，而且基于人口统计学变量和对治疗的反应模式。这种数据驱动，临床验证的方法代表了将抑郁症定性为异质性疾病的显著进步。这是为抑郁症患者开发个性化治疗方案的一个重要进展，目的是改善抑郁症患者的临床效果，并为提供治疗的治疗服务节省效率。
鉴于本公开，本发明的各种其他方面和实施例对于本领域技术人员来说是显而易见的。
本说明书中提及的所有文件均通过引用整体并入本说明书中。
此处使用的“和/或”应被视为两个指定特征或组件中的每一个的具体公开，无论是否有另一个。例如，“A和/或B”将被视为(i)A、(ii)B和(iii)A和B中的每一个的具体披露，就像在本文中单独列出一样。除非上下文另有规定，否则上述特征的描述和定义不限于本发明的任何特定方面或实施例，并且同样适用于所描述的所有方面和实施例。本领域技术人员将进一步理解，尽管本发明已经通过参考多个实施例的示例来描述。它不限于所公开的实施例，并且可以在不脱离如所附权利要求所定义的本发明的范围的情况下构造替代实施例。

Claims (21)

1.一种用于将治疗方案分配给患者的基于计算机实施的方法，包括以下步骤：
在心理治疗过程的初始阶段,获得与所述患者相关的多个患者简档数据点；
将每个所述患者简档数据点与多个参考简档中的每个参考简档对应的数据点进行比较；
从所述多个参考简档中选择与所述患者简档数据最接近匹配的参考简档，以获得对患者心理状况的预测；
根据对所述患者心理状况的所述预测，为所述患者分配所述治疗方案；
其中，所述多个参考简档是通过参考数据集建模来确定的,所述参考数据集包含与多个其他患者中每个患者相关的患者简档数据。
2.根据权利要求1所述的方法，其中所述多个患者简档数据点包括非二元数据。
3.根据权利要求1或2所述的方法，其中所述多个患者简档数据点包括与所述患者的一个或多个症状相关的数据。
4.根据前述任一项权利要求所述的方法，其中所述多个患者简档数据点包括来自标准化心理学问卷的项目得分。
5.根据权利要求4所述的方法，其中标准化心理学问卷包括PHQ-9和/或GAD-7问卷。
6.根据前述任一项权利要求所述的方法，其中所述多个参考简档包括通过使用隐马尔可夫模型对所述参考数据集进行建模而确定的状态。
7.根据前述任一项权利要求所述的方法，其中所述患者患有精神健康障碍，其中所述障碍可选地包括选自下列组中的障碍:(1)抑郁,(2)混合型焦虑和抑郁,以及(3)广泛性焦虑症。
8.根据前述任一项权利要求所述的方法，其中所述患者心理状况的预测包括抑郁子类型,和/或抑郁的严重程度。
9.根据前述任一项权利要求所述的方法，其中所述心理治疗过程包括互联网支持的认知行为疗法。
10.一种用于确定心理状况的子类型的基于计算机实施的方法，包括：
获取与多个患者中的每个患者相关的患者简档数据；
使用隐马尔可夫模型在所述患者简档数据中找出多个参考简档；
其中,每个所述参考简档描述了心理状况的一种子类型。
11.根据权利要求10所述的方法还包括：
在心理治疗过程的初始阶段,获得与患者相关的多个患者简档数据点；
将每个所述患者简档数据点与多个参考简档中的每个参考简档对应的数据点进行比较；
从所述多个参考简档中选择与所述患者简档数据最接近匹配的参考简档，以获得对患者心理状况的预测；以及
根据对所述患者心理状况的所述预测为所述患者分配治疗方案。
12.根据权利要求10所述的方法还包括：
在心理治疗过程的初始阶段,获得与患者相关的多个患者简档数据点；
将每个所述患者简档数据点与多个参考简档中的每个参考简档对应的数据点进行比较；
从所述多个参考简档中选择与所述患者简档数据最接近匹配的参考简档，以获得预测所述患者的状况特征的输出；以及
使系统采取与心理治疗过程相关的一个或多个动作，其中选择所述一个或多个动作是基于所述输出。
13.根据权利要求10所述的方法还包括：
基于所述多个参考简档中每个参考简档之间的转换概率，将所述多个参考简档中每个参考简档分配给参考简档族；
通过对所述参考简档族的患者档案数据的个体维度进行网络分析，以识别所述参考简档族的多个核心症状；以及
设计针对所述多个核心症状的治疗方案，以改善心理状况的分析和治疗。
14.一种用于确定心理状况子类型族的基于计算机实施的方法，包括：
在治疗过程的第一阶段,获得与多个患者中每个患者相关的第一患者简档数据；
在治疗过程的第二阶段,获得与所述多个患者中每个患者相关的第二患者简档数据；
通过合并所述第一患者简档数据和所述第二患者简档数据来获得合并的患者简档数据；
使用隐马尔可夫模型在所述合并的患者简档数据中找出多个参考简档；
使用所述隐马尔可夫模型进一步找出所述多个参考简档中每个参考简档之间的转换概率；
基于所述多个参考简档中每个参考简档之间的转换概率，为所述多个参考简档中每个参考简档分配给参考简档族；
其中每个所述参考简档描述了心理状况的一种子类型。
15.根据权利要求10至14中任一项权利要求所述的方法，其中所述患者简档数据、所述第一患者简档数据和/或所述第二患者简档数据包括与所述多个患者中每个患者的一个或多个症状相关的数据。
16.根据权利要求10至15中任一项权利要求所述的方法，其中所述患者简档数据、所述第一患者简档数据和/或所述第二患者简档数据包括来自标准化心理学问卷的数据，可选地，其中标准化心理学问卷选自PHQ-9问卷或GAD-7问卷。
17.根据权利要求10至16中任一项权利要求所述的方法，其中心理状况包括抑郁。
18.一种基于计算机的系统用于提供心理治疗的方法，该方法包括：
在心理治疗过程的初始阶段,获得与患者相关的多个患者简档数据点；
将每个所述患者简档数据点与多个参考简档中每个参考简档对应的数据点进行比较；
从所述多个参考简档中选择与患者简档数据最接近匹配的参考简档，以获得预测患者状况特征的输出；以及
使系统采取与心理治疗过程相关的一个或多个动作，其中选择所述一个或多个动作是基于所述输出；
其中，所述多个参考简档是通过建模参考数据集来确定的,其中所述参考数据集包含与多个其他患者中每个患者相关的患者简档数据。
19.一种数据处理装置/设备/系统，包括用于执行根据前述任一项权利要求所述的方法的步骤的设备。
20.一种包含指令的计算机程序，当所述程序由计算机执行时，使所述计算机执行根据前述任一项权利要求所述的方法的步骤。
21.一种计算机可读存储介质，包括当由计算机执行时，使所述计算机执行根据前述任一项权利要求所述的方法的步骤的指令。
CN201980016170.XA 2018-03-06 2019-03-06 关于或与心理简档有关的改进 Pending CN111937085A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
GBGB1803604.6A GB201803604D0 (en) 2018-03-06 2018-03-06 Improvements in or relating to psychological profiles
GB1803604.6 2018-03-06
GBGB1808020.0A GB201808020D0 (en) 2018-05-17 2018-05-17 Improvements in or relating to psychological profiles
GB1808020.0 2018-05-17
PCT/GB2019/050616 WO2019171049A1 (en) 2018-03-06 2019-03-06 Improvements in or relating to psychological profiles

Publications (1)

Publication Number Publication Date
CN111937085A true CN111937085A (zh) 2020-11-13

Family

ID=65812342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980016170.XA Pending CN111937085A (zh) 2018-03-06 2019-03-06 关于或与心理简档有关的改进

Country Status (6)

Country Link
US (1) US20200411188A1 (zh)
EP (1) EP3762943A1 (zh)
CN (1) CN111937085A (zh)
AU (1) AU2019229758A1 (zh)
CA (1) CA3091786A1 (zh)
WO (1) WO2019171049A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112704499B (zh) * 2019-10-25 2023-11-07 苏州心吧人工智能技术研发有限公司 基于独立空间的智能心理评估与干预系统及方法
WO2023235234A1 (en) * 2022-06-03 2023-12-07 Foundation Medicine, Inc. Methods and systems for classification of disease entities via mixture modeling
CN115862850B (zh) * 2023-02-23 2023-05-16 南方医科大学南方医院 基于纵向多维数据的肝细胞癌监测模型的建模方法及装置
CN117497113A (zh) * 2023-11-28 2024-02-02 北京大学第六医院 基于大学生心理健康数据的分组方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119212A1 (en) * 2008-02-20 2011-05-19 Hubert De Bruin Expert system for determining patient treatment response
CN102971755A (zh) * 2010-01-21 2013-03-13 阿斯玛西格诺斯公司 用于慢性病管理的早期告警方法和系统
WO2017210502A1 (en) * 2016-06-03 2017-12-07 Yale University Methods and apparatus for predicting depression treatment outcomes

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2919644A4 (en) * 2012-11-19 2016-09-14 Etiometry Inc USER INTERFACE FOR PATIENT RISK ANALYSIS SYSTEMS
EP3699919A3 (en) * 2014-11-06 2020-11-25 Ieso Digital Health Limited Computer-based system for providing psychological therapy
EP3590117A1 (en) 2017-03-01 2020-01-08 Ieso Digital Health Limited Psychotherapy triage method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110119212A1 (en) * 2008-02-20 2011-05-19 Hubert De Bruin Expert system for determining patient treatment response
CN102971755A (zh) * 2010-01-21 2013-03-13 阿斯玛西格诺斯公司 用于慢性病管理的早期告警方法和系统
WO2017210502A1 (en) * 2016-06-03 2017-12-07 Yale University Methods and apparatus for predicting depression treatment outcomes

Also Published As

Publication number Publication date
CA3091786A1 (en) 2019-09-12
AU2019229758A1 (en) 2020-09-17
EP3762943A1 (en) 2021-01-13
WO2019171049A1 (en) 2019-09-12
US20200411188A1 (en) 2020-12-31

Similar Documents

Publication Publication Date Title
CN111937085A (zh) 关于或与心理简档有关的改进
Ali et al. How durable is the effect of low intensity CBT for depression and anxiety? Remission and relapse in a longitudinal cohort study
Bigal et al. Chronic migraine is an earlier stage of transformed migraine in adults
KR102668205B1 (ko) 진행성 질병을 가진 환자들에 대한 치료의 개시 및 유형을 결정하기 위한 의사 결정 시스템 및 방법
US20210204853A1 (en) Systems and Methods for Cognitive Diagnostics in Connection with Major Depressive Disorder and Response to Antidepressants
AU2019206316A1 (en) Methods for improving psychological therapy outcome
Xu et al. A new Graph Gaussian embedding method for analyzing the effects of cognitive training
Hitchcock et al. Self-judgment dissected: A computational modeling analysis of self-referential processing and its relationship to trait mindfulness facets and depression symptoms
Wilfong et al. The impact of brief interventions on functioning among those demonstrating anxiety, depressive, and adjustment disorder symptoms in primary care: The effectiveness of the primary care behavioral health (pcbh) model
CA3157380A1 (en) Systems and methods for cognitive diagnostics for neurological disorders: parkinson&#39;s disease and comorbid depression
Zou et al. Sequence modeling of passive sensing data for treatment response prediction in major depressive disorder
Yang et al. Continental generalization of an AI system for clinical seizure recognition
Guiñazú et al. A novel depression risk prediction model based on data fusion from Chilean National Health Surveys to diagnose risk depression among patients with mood disorders
US20230290513A1 (en) Method for determining a disease progression and survival prognosis for patients with amyotrophic lateral sclerosis
Broche-Perez et al. Fear of relapse and quality of life in multiple sclerosis: The mediating role of psychological resilience
Vimaleswaran et al. E-Therapy improvement monitoring platform for depression using facial emotion detection of youth
Shahid et al. Machine learning models to predict neuropsychiatric disorders in various brain tumors
Domhardt et al. Mediators of digital depression prevention in patients with chronic back pain: Findings from a multicenter randomized clinical trial.
Yang et al. Learning optimal biomarker‐guided treatment policy for chronic disorders
Kovacevic et al. Four profiles of symptom change in residential Cognitive Processing Therapy
US20220230755A1 (en) Systems and Methods for Cognitive Diagnostics for Neurological Disorders: Parkinson&#39;s Disease and Comorbid Depression
Noor et al. Personality Disorders: Theory, Research, and Treatment
Adomavičienė et al. Functional recovery prediction during rehabilitation after rotator cuff tears by decision support system
Sharma Exploration of Resiliency's Role in the Relationship Between Endorsed Life Events and Strategies of Explicit Emotional Regulation
Berkemeier et al. Towards continuous mental state detection in everyday settings: investigating between-subjects variations in a longitudinal study

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