CN112292733A - 基于对等团体的异常行为检测 - Google Patents

基于对等团体的异常行为检测 Download PDF

Info

Publication number
CN112292733A
CN112292733A CN201980041622.XA CN201980041622A CN112292733A CN 112292733 A CN112292733 A CN 112292733A CN 201980041622 A CN201980041622 A CN 201980041622A CN 112292733 A CN112292733 A CN 112292733A
Authority
CN
China
Prior art keywords
clinician
peer
activity pattern
clinicians
abnormal behavior
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
CN201980041622.XA
Other languages
English (en)
Inventor
A·纳格
C·雅玛格
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.)
Confort 303
CareFusion 303 Inc
Original Assignee
Confort 303
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 Confort 303 filed Critical Confort 303
Publication of CN112292733A publication Critical patent/CN112292733A/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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection

Abstract

一种对等网络可以包括对应于不同临床医生的节点。边缘可以基于相对应的临床医生共享至少一个共同属性(诸如，例如治疗相同的患者和/或与相同的医疗装置交互)来互连所述两个节点。可以应用机器学习模型以在所述对等网络中识别一个或更多个临床医生对等团体。可以将临床医生的活动模式与同一对等团体中的其它临床医生的活动模式进行比较，以确定所述临床医生是否表现出异常行为。当确定所述临床医生表现出异常行为时，可以触发调查工作流程。所述调查工作流程包括生成警报、激活监视装置和/或隔离所述临床医生接近的药物。

Description

基于对等团体的异常行为检测
与相关申请的交叉引用
本申请要求于2018年5月4日提交的标题为“ADDRESSING ANOMALOUS BEHAVIORAMONG PEER GROUPS OF CLINICIANS”的美国临时申请No.62/667,409的优先权，其公开内容通过引用整体并入本文。
技术领域
本文描述的主题总体上涉及复杂网络，并且更具体地涉及一种用于检测异常行为的基于对等团体的技术。
背景技术
挪用可以是指将受控物质转移到未经合法授权接收、拥有和/或服用受控物质的第三方。高价值和/或受控处方药物，特别是阿片类药物，尤其容易出现挪用的情况。例如，处方止痛药物可能会在装入配药柜中和/或从配药柜取回时被挪用。一些处方止痛药物，例如吗啡、氢吗啡酮、芬太尼等，可以经由能够容纳超出患者所需剂量的更大剂量的止痛药物的泵(诸如，例如患者自控镇痛(PCA)泵)给予患者。这些额外剂量的止痛药物可能会被照顾患者的临床医生挪用。例如，一些止痛药物可能会在装入泵中之前被取出。可替代地和/或另外地，遗留在泵中的任何止痛药物可能会被保留，而不是在废弃点处适当地处置。
发明内容
提供了包括计算机程序产品的系统、方法和制品，用于识别临床医生的团体并检测临床医生的团体内的异常行为。在一个方面，提供了一种系统。所述系统可以包括至少一个数据处理器和至少一个存储器。所述至少一个存储器可以存储指令，所述指令在由所述至少一个数据处理器执行时导致操作。所述操作可以包括：通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别所述对等网络中的第一对等团体，所述对等网络包括多个临床医生，并且所述第一对等团体至少基于来自所述多个临床医生的第一临床医生和第二临床医生共享至少一个共同属性而包括所述第一临床医生和所述第二临床医生；将所述第一临床医生的第一活动模式与所述第二临床医生的第二活动模式进行比较；至少基于所述第一临床医生的所述第一活动模式与所述第二临床医生的所述第二活动模式之间的所述比较而确定出所述第一临床医生表现出异常行为；以及响应于确定出所述第一临床医生表现出异常行为而在一个或更多个数据系统处触发调查工作流程。
在一些变型中，可以任选地以任何可行的组合包括本文公开的包括以下特征的一个或更多个特征。所述至少一个共同属性可以包括由所述第一临床医生和所述第二临床医生治疗的同一患者中的一个或更多个。
在一些变型中，所述至少一个共同属性可以包括所述第一临床医生和所述第二临床医生与其交互的同一医疗装置或位于同一护理区域中的多个医疗装置中的一个或更多个。
在一些变型中，所述至少一个共同属性可以包括以下中的一个或更多个：处方单、临床医生角色、排班、主管、教育背景、训练、指定护理区域、医疗方案和设施的物理布局。
在一些变型中，所述对等网络可以生成为包括与所述第一临床医生相对应的第一节点和与所述第二临床医生相对应的第二节点。所述对等网络可以至少基于所述第一临床医生和所述第二临床医生共享所述至少一个共同属性而进一步包括将所述第一节点和所述第二节点互连的边缘。可以至少基于由所述一个或多个数据系统响应于所述第一临床医生或所述第二临床医生与所述一个或多个数据系统交互而生成的多个事务记录来生成所述对等网络。所述多个事务记录可以包括响应于所述第一临床医生与医疗装置交互以取回、给予或处置药物而生成的至少一个事务记录。所述至少一个事务记录可以包括以下中的至少一个：时间戳、所述第一临床医生的第一标识符、与所述药物相关联的患者的第二标识符、所述药物的第三标识符、所述医疗装置的第四标识符、所述医疗装置的位置标识符或所述药物的数量。
在一些变型中，所述调查工作流程可以包括向客户端发送指示所述第一临床医生表现出异常行为的警报。
在一些变型中，所述调查工作流程可以包括响应于所述第一临床医生与医疗装置交互而激活一个或更多个监视装置和/或隔离所述第一临床医生接近的药物。
在一些变型中，所述机器学习模型可以包括以下中的至少一个：神经网络、最小割、分层聚类、Girvan-Newman、模块化最大化或团检测。
在一些变型中，所述边缘可以与对应于所述第一临床医生和所述第二临床医生之间共享的共同属性数量的权重相关联。
在一些变型中，所述比较可以包括向所述第一临床医生分配与所述第一临床医生的所述第一活动模式偏离所述第一对等团体的范数多少相对应的等级。可以至少基于分配给所述第一临床医生的所述等级高于或低于阈值来确定所述第一临床医生表现出异常行为。所述范数可以包括至少基于所述第一临床医生的所述第一活动模式和所述第二临床医生的所述第二活动模式而确定的预期范数。所述范数可以包括基于除了所述第一临床医生的所述第一活动模式和/或所述第二临床医生的所述第二活动模式之外的数据而确定的综合范数。
在一些变型中，可以通过至少应用所述机器学习来识别所述对等网络中存在的第二对等团体。确定所述第一临床医生是否表现出异常行为的所述比较可以不包括所述第二对等团体中包括的第三临床医生的第三活动模式。
另一方面，提供了一种计算机实施方法，用于识别临床医生的团体并检测临床医生的团体内的异常行为。所述方法可以包括：通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别所述对等网络中的第一对等团体，所述对等网络包括多个临床医生，并且所述第一对等团体至少基于来自所述多个临床医生的第一临床医生和第二临床医生共享至少一个共同属性而包括所述第一临床医生和所述第二临床医生；将所述第一临床医生的第一活动模式与所述第二临床医生的第二活动模式进行比较；至少基于所述第一临床医生的所述第一活动模式与所述第二临床医生的所述第二活动模式之间的所述比较而确定出所述第一临床医生表现出异常行为；以及响应于确定出所述第一临床医生表现出异常行为而在一个或更多个数据系统处触发调查工作流程。
在一些变型中，可以任选地以任何可行的组合包括本文公开的包括以下特征的一个或更多个特征。所述至少一个共同属性可以包括由所述第一临床医生和所述第二临床医生治疗的同一患者中的一个或更多个。
在一些变型中，所述至少一个共同属性可以包括所述第一临床医生和所述第二临床医生与其交互的同一医疗装置或位于同一护理区域中的多个医疗装置中的一个或更多个。
在一些变型中，所述至少一个共同属性可以包括以下中的一个或更多个：处方单、临床医生角色、排班、主管、教育背景、训练、指定护理区域、医疗方案和设施的物理布局。
在一些变型中，所述方法可以进一步包括：生成所述对等网络，所述对等网络包括与所述第一临床医生相对应的第一节点和与所述第二临床医生相对应的第二节点，并且所述对等网络至少基于所述第一临床医生和所述第二临床医生共享所述至少一个共同属性而进一步包括将所述第一节点和所述第二节点互连的边缘。可以至少基于由所述一个或多个数据系统响应于所述第一临床医生或所述第二临床医生与所述一个或多个数据系统交互而生成的多个事务记录来生成所述对等网络。所述多个事务记录可以包括响应于所述第一临床医生与医疗装置交互以取回、给予或处置药物而生成的至少一个事务记录。所述至少一个事务记录可以包括以下中的至少一个：时间戳、所述第一临床医生的第一标识符、与所述药物相关联的患者的第二标识符、所述药物的第三标识符、所述医疗装置的第四标识符、所述医疗装置的位置标识符或所述药物的数量。
在一些变型中，所述调查工作流程可以包括向客户端发送指示所述第一临床医生表现出异常行为的警报。
在一些变型中，所述调查工作流程可以包括响应于所述第一临床医生与医疗装置交互而激活一个或更多个监视装置和/或隔离所述第一临床医生接近的药物。
在一些变型中，所述机器学习模型可以包括以下中的至少一个：神经网络、最小割、分层聚类、Girvan-Newman、模块化最大化或团检测。
在一些变型中，所述边缘可以与对应于所述第一临床医生和所述第二临床医生之间共享的共同属性数量的权重相关联。
在一些变型中，所述比较可以包括向所述第一临床医生分配与所述第一临床医生的所述第一活动模式偏离所述第一对等团体的范数多少相对应的等级。可以至少基于分配给所述第一临床医生的所述等级高于或低于阈值来确定所述第一临床医生表现出异常行为。所述范数可以包括至少基于所述第一临床医生的所述第一活动模式和所述第二临床医生的所述第二活动模式而确定的预期范数。所述范数可以包括基于除了所述第一临床医生的所述第一活动模式和/或所述第二临床医生的所述第二活动模式之外的数据而确定的综合范数。
在一些变型中，所述方法可以进一步包括：通过至少应用所述机器学习来识别所述对等网络中存在的第二对等团体，确定所述第一临床医生是否表现出异常行为的所述比较不包括所述第二对等团体中包括的第三临床医生的第三活动模式。
另一方面，提供了一种存储指令的非易失性计算机可读介质。所述指令可以在由至少一个数据处理器执行时引起操作。所述操作可以包括：通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别所述对等网络中的第一对等团体，所述对等网络包括多个临床医生，并且所述第一对等团体至少基于来自所述多个临床医生的第一临床医生和第二临床医生共享至少一个共同属性而包括所述第一临床医生和所述第二临床医生；将所述第一临床医生的第一活动模式与所述第二临床医生的第二活动模式进行比较；至少基于所述第一临床医生的所述第一活动模式和所述第二临床医生的所述第二活动模式之间的所述比较而确定出所述第一临床医生表现出异常行为；以及响应于确定出所述第一临床医生表现出异常行为而在一个或更多个数据系统处触发调查工作流程。
另一方面，提供了一种用于识别临床医生的团体并检测临床医生的团体内的异常行为的设备。所述设备可以包括用于通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别所述对等网络中的第一对等团体的装置，所述对等网络包括多个临床医生，并且所述第一对等团体至少基于来自所述多个临床医生的第一临床医生和第二临床医生共享至少一个共同属性而包括所述第一临床医生和所述第二临床医生；用于将所述第一临床医生的第一活动模式与所述第二临床医生的第二活动模式进行比较的装置；用于至少基于所述第一临床医生的所述第一活动模式与所述第二临床医生的所述第二活动模式之间的所述比较而确定出所述第一临床医生表现出异常行为的装置；以及用于响应于确定出所述第一临床医生表现出异常行为而在一个或更多个数据系统处触发调查工作流程的装置。
在另一方面，提供了一种用于进行调查工作流程的设备。所述设备可以包括至少一个数据处理器和至少一个存储器。所述至少一个存储器可以存储指令，所述指令在由所述至少一个数据处理器执行时导致操作。所述操作可以包括：接收第一临床医生被识别为表现出异常行为的指示，所述第一临床医生是包括多个临床医生的对等网络中的对等团体的一部分，所述对等团体通过至少应用训练为识别所述对等网络中存在的一个或更多个对等团体的机器学习模型来识别，并且所述第一临床医生至少基于所述对等团体中的所述第一临床医生的第一活动模式与第二临床医生的第二活动模式之间的比较而被识别为表现出异常行为；以及响应于所述指示，启动调查工作流程，所述调查工作流程包括响应于所述第一临床医生与所述设备交互而激活一个或更多个监视装置和/或隔离所述第一临床医生接近的药物。
在一些变型中，可以任选地以任何可行的组合包括本文公开的包括以下特征的一个或更多个特征。所述设备可以是输注泵或自动配药装置。
当前主题的实施方案可以包括与本文提供的描述相一致的方法以及包括有形地体现的机器可读介质的物品，所述机器可读介质可操作以使一个或更多个机器(例如，计算机等)引起实施一个或更多个所述特征的操作。类似地，还描述了计算机系统，其可以包括一个或更多个处理器和联接到所述一个或更多个处理器的一个或更多个存储器。可以包括非易失性计算机可读或机器可读存储介质的存储器可以包括、编码、存储或类似地处理一个或更多个程序，所述程序使一个或更多个处理器进行本文中所述的一个或更多个操作。可以由驻留在单个计算系统或多个计算系统中的一个或更多个数据处理器来实施与当前主题的一个或更多个实施方式相一致的计算机实施方法。这种多个计算系统可以被连接，并且可以经由一个或更多个连接来交换数据和/或命令或其它指令等，连接包括例如通过网络(例如，因特网、无线广域网、局域网、广域网、有线网络等)的连接，经由多个计算系统中一个或更多个之间的直接连接等。
在附图和以下描述中阐述了本文中描述的主题的一个或更多个变型的细节。根据说明书和附图以及根据权利要求，本文中描述的主题的其它特征和优点将是显而易见的。尽管关于识别临床医生对等团体以检测异常行为的发生而出于说明性目的描述了当前公开的主题的某些特征，但是应当容易理解的是，这些特征并非旨在是限制性的。本公开内容之后的权利要求旨在限定受保护主题的范围。
附图说明
并入本说明书中并构成本说明书的一部分的附图示出了本文公开的主题的某些方面，并且其与说明书一起帮助解释了与所公开的实施方式相关的一些原理。
在附图中，
图1描绘了根据一些示例性实施方案的示出临床医生跟踪系统的框图；
图2描绘了根据一些示例性实施方案的示出临床医生跟踪系统的一个示例的系统图；
图3A描绘了根据一些示例性实施方案的表示对等网络的一个示例的图；
图3B描绘了根据一些示例性实施方案的表示对等网络的一个示例的图；
图3C描绘了根据一些示例性实施方案的表示对等网络的另一个示例的图；
图4描绘了根据一些示例性实施方案的示出用于跟踪临床医生行为的过程的流程图；以及
图5描绘了根据一些示例性实施方案的示出计算系统的框图。
在实际中，相似的附图标记表示相似的结构、特征或元件。
具体实施方式
药物的挪用可能在任何时间点发生，包括例如在药物的装运、接收、储存、分配、给予和/或废弃期间。由于在例如处方止痛药物的装运、接收、储存、分配、给予和/或废弃期间缺少足够的监管，处方止痛药物容易出现挪用的情况。例如，医疗设施处的配药柜可能对于多个临床医生是能够接近的。而且，不同的临床医生可能负责药物的分配、给予和废弃。因此，即使当检测到挪用时，也可能难以确定何时实际发生挪用并识别为挪用负责的临床医生。照此，在一些示例性实施方案中，分析引擎可以通过至少识别表现出异常行为的临床医生来检测挪用并识别为挪用负责的临床医生。例如，分析引擎可以通过至少将与临床医生相关联的活动数据和与一个或更多个其它临床医生相关联的活动数据进行比较来确定出所述临床医生表现出异常行为。例如，如果与所述临床医生相关联的活动数据包括与其它临床医生的活动数据中存在的活动模式不一致的活动模式，则可以确定出所述临床医生表现出异常行为。如本文使用的，临床医生可以是指具有至少一些权力使用受控物质的医务人员，包括例如医生、护士、药剂师、药品技师、成像专家等。
活动模式的至少一些差异可能是由于合法原因而不是非法行动(例如，挪用)引起的。因此，如果分析引擎将与由于合法原因其活动模式可能不同的临床医生相关联的活动数据进行比较，则分析引擎可能容易出现假阳性和/或假阴性的情况。例如，肿瘤科护士和在新生儿重症监护病房工作的护士可能表现出不同的活动模式(例如，在药物的分配、给予和/或废弃中)，因为她们所治疗的患者的病状和医疗需求不同。同样，由于指定排班、护理区域(例如，内科-外科、重症监护、急诊、输注中心、非急性、门诊、观察等)、设施和/或任务的不同，常任护士、流动护士、辅助护士、学生护士和主管护士也可能表现出不同的活动方式。照此，在一些示例性实施方案中，代替不加区别地比较不同临床医生的活动数据，分析引擎可以配置为识别一个或更多个临床医生对等团体。每个对等团体可以由共享足够相似属性的临床医生占用，使得同一对等团体中的临床医生也应表现出相同和/或相似的活动模式。因此，为了确定临床医生是否表现出异常行为，分析引擎可以将与所述临床医生相关联的活动数据与同一对等团体中其它临床医生的活动数据进行比较。如果所述临床医生的活动模式偏离同一对等团体中临床医生的活动模式，则分析引擎可以确定出所述临床医生表现出异常行为。
在一些示例性实施方案中，分析引擎可以应用训练为识别一个或更多个临床医生对等团体的机器学习模型(诸如，例如神经网络)。还可以通过应用替代技术(包括例如最小割、分层聚类、Girvan-Newman、模块化最大化、团检测等)来识别临床医生对等团体。可以基于与活动模式高度相关的属性来识别一个或更多个临床医生对等团体。例如，可以基于每个临床医生所治疗的患者来识别临床医生对等团体，因为治疗相同患者的临床医生也应表现出相同和/或相似的活动模式。可替代地和/或另外地，可以基于与一个或更多个医疗装置(诸如，例如配药柜、输注泵、废弃站等)的交互来识别临床医生对等团体。由于极其邻近(例如，在同一护理区域和/或类似区域中)操作的临床医生应表现出相同和/或相似的活动模式，因此医疗装置的位置可能会对每个对等团体中的成员资格施加地理约束。然而，应当理解，可由分析引擎直接或间接检测的属性和/或属性组合可以用于识别不同的临床医生对等团体。例如，还可以基于相同和/或相似的处方单、临床医生角色、排班、主管、教育背景、训练、指定护理区域、相关医疗方案、设施的物理布局等来识别对等团体。另外地或可替代地，可以基于在护理区域内或跨护理区域进行共同护理过程(包括例如两个公共护理区域之间的转换)的患者的治疗、患者在护理区域内的持续时间、护理区域转换之间的时间安排等来识别团体。此外，应当理解，由于与每个临床医生相关联的属性可以随时间而改变，因此对等团体中的成员资格可以保持动态。例如，当临床医生开始或停止治疗特定患者时，可以将所述临床医生加入对等团体和/或从对等团体去除。
图1描绘了根据一些示例性实施方案的示出临床医生跟踪系统100的系统图。参考图1，临床医生跟踪系统100可以包括分析引擎110，所述分析引擎110与一个或更多个数据系统120通信地联接，所述数据系统120可以包括医疗装置，诸如例如配药柜、输注泵、废弃站等。如图1中所示，一个或更多个数据系统120可以收集从与一个或更多个数据系统120交互的临床医生产生的数据，包括例如患者标识符、装置标识符、临床医生标识符等。例如，一个或更多个数据系统120中的每一个可以配置为响应于与临床医生的交互而生成事务记录。例如，从配药柜分配药物的临床医生可以触发事务记录的生成，所述事务记录包括：时间戳、临床医生的临床医生标识符、配药柜的装置标识符、被开药的患者的患者标识符、从配药柜取回的药物的标识符、从药物柜取回的药物的数量、位置标识符等。一种示例性配药柜描述于美国专利No.8,195,328中，其是共同拥有的并且由此通过引用整体并入。可替代地和/或另外地，使用输注泵向患者给予药物的临床医生可以触发事务记录的生成，所述事务记录包括：时间戳、临床医生的临床医生标识符、输注泵的装置标识符、接收药物的患者的患者标识符、给予患者的药物的标识符、给予患者的药物的数量、位置标识符等。输注泵的一个示例描述于美国专利No.9,227,025中，其是共同拥有的并且由此通过引用整体并入。应当理解，一个或更多个数据系统120也可以提供非事务性数据。例如，一个或更多个数据系统120可以提供电子医疗记录(EMR)，所述电子医疗记录可以包括患者的病史，包括例如过去的阿片类药物使用等。尽管创建、更新和/或检索电子医疗记录的行动可能会生成时间戳事务记录，但电子医疗记录本身不是事务记录。
分析引擎110可以从一个或更多个数据系统120接收多个输入数据，包括例如患者标识符、装置标识符、临床医生标识符、药物标识符、处方单标识符、库存信息、排班标识符、位置跟踪标识符、电子健康记录(EHR)标识符等。应当理解，来自一个或更多个数据系统120的输入数据可以包括响应于与不同临床医生的交互而生成的事务记录的至少一部分。此外，来自一个或更多个数据系统120的输入数据可以对应于可以用于识别临床医生团体的属性。因此，在一些示例性实施方案中，分析引擎110可以至少基于从一个或更多个数据系统120接收的输入数据来确定临床医生对等团体，临床医生对等团体中的每一个与对等团体标识符相关联。同一对等团体中的临床医生可能与足够相似的属性相关联，使得同一对等团体中的临床医生还应表现出相同和/或相似的活动模式。相反，不同对等团体中的临床医生可能与不同的属性相关联，这导致了不同对等团体中的临床医生的活动模式的合理差异。
例如，分析引擎110可以至少基于从一个或更多个数据系统120接收到的输入数据来识别治疗相同的患者的临床医生对等团体。可替代地和/或另外地，分析引擎110可以至少基于从一个或更多个数据系统120接收的输入数据来识别与相同医疗装置和/或同一护理区域中的医疗装置交互的临床医生对等团体。如本文中所使用的，护理区域可以是指基于功能和/或位置指定的特定医疗设施中的区域。例如，诸如医院的设施可以包括多个护理区域，诸如，例如内科-外科、重症监护、急诊、观察、非急性、输注中心、门诊等。应当理解，可以至少基于患者所占用的护理区域来推断患者的病状。还可以基于向患者给予的药物来推断患者的病状。治疗患有相同和/或相似病状的患者的临床医生应表现出相同和/或相似的活动模式。照此，除了地理约束之外，医疗装置在某一护理病房内的位置还可以基于每个对等团体中的临床医生所治疗的患者的病状进一步完善每个对等团体中的成员资格。
如所指出，同一对等团体中的临床医生应表现出相同和/或相似的活动模式，而不同对等团体中的临床医生可以表现出不同的活动模式。这种相似性以及差异性可能归因于各种潜在原因。例如，相同的患者和/或同一护理区域中的患者可能表现出相同和/或相似的药物需求。因此，就每个临床医生从配药柜取回、通过输注泵给予和/或在废弃站处置的药物的类型和/或数量而言，治疗相同患者和/或在同一护理区域操作的临床医生的活动模式应相同和/或相似。可替代地和/或另外地，相同和/或相似的治疗方案可以应用于相同的患者和/或同一护理区域中的患者。例如，一个护理区域中的临床医生可能被允许给予多剂量的药物并随后在废弃站处置未使用的药物，而另一护理区域中的临床医生可能仅被允许给予单剂量的药物并随后在废弃站处置未使用的药物。因此，治疗相同患者和/或在同一护理区域中操作的临床医生的活动模式也可以反映相对应的治疗方案。此外，护理区域的设计(例如，布局、可用医疗装置的数量等)可能产生所述护理区域中操作的临床医生的活动模式的相似性。例如，在护理区域中操作的临床医生的活动模式可以反映临床医生为了接近护理区域中的患者和/或医疗装置而必须行进的距离。
因为同一对等团体中的临床医生应表现出相同和/或相似的活动模式，所以分析引擎110可以通过将临床医生的活动模式与同一对等团体中其它临床医生的活动模式进行比较来确定所述临床医生是否表现出异常行为。临床医生的活动模式可以包括一系列事务记录，如所指出的，这一系列事务记录可以在临床医生与一个或更多个数据系统120交互时生成。
在一些示例性实施方案中，所述一系列事务记录可以在时间上划分为例如对应于与临床医生相关联的排班(例如，工作时间段)。如果所述临床医生的活动模式偏离同一对等团体中其它临床医生的活动模式，则分析引擎110可以确定出所述临床医生表现出异常行为。例如，分析引擎110可以向同一对等团体中的每个临床医生分配与所述临床医生的活动模式偏离所述对等团体的综合范数和/或预期范数多少相对应的等级。可以基于对等团体中包括的至少一部分临床医生的活动模式来确定对等团体的预期范数。同时，代替对等团体中的临床医生的活动模式或除其之外，可以基于另外的数据(包括例如医疗方案、一般观察等)来生成对等团体的综合范数。如果临床医生的等级高于或低于阈值，则分析引擎110可以确定出所述临床医生表现出异常行为。
分析引擎110可以接收并非源自数据系统120的其它输入数据。其它输入数据可以包括可以用于检测对等团体或异常的另外的信号。其它输入数据可以包括触发团体和行为的评估的信息。例如，可以呈现用户界面以收集配置参数并启动由分析引擎110从数据系统120接收的信息的评估。在一些实施方式中，可以从考勤系统接收其它输入数据。例如，当临床医生打卡下班以指示排班结束时，分析引擎110可以接收临床医生被识别为打卡下班的消息。因为这可以指示新一批事务可能已经就绪以进行处理，所以分析引擎110可以启动所描述的过程中的一个或更多个。在一些实施方案中，分析引擎110可以评估来自当前排班的事务并向考勤系统提供响应。以此方式，如果事务与最佳实践相一致(或至少是非分歧的)，则可以向临床医生呈现包括正强化的消息。如果临床医生的排班包括可疑的事务或指示潜在挪用的行为，则所述消息可能会导致在时间上邻近所述一个或更多个考虑事务的另外的信息的收集。所述收集可以包括启动如所描述的调查工作流程。所述收集可以包括用于识别临床医生团体的另外的信息。患者病史来自资料库。
图2描绘了根据一些示例性实施方案的示出临床医生跟踪系统100的一个示例的系统图。如图2中所示，分析引擎110和一个或更多个数据系统120可以经由网络210通信地联接。网络210可以是任何有线和/或无线网络，包括例如公共陆地移动网络(PLMN)、局域网(LAN)、虚拟局域网(VLAN)、广域网(WAN)、因特网等。
在图2中示出的示例中，一个或更多个数据系统120可以包括接近控制系统220a、分配系统220b和电子医疗记录(EMR)系统220c。如所指出的，与接近控制系统220a、分配系统220b和/或电子医疗记录系统220c交互的临床医生可以触发一个或更多个相对应的事务记录的生成。例如，从配药柜分配药物的临床医生可以触发事务记录的生成，所述事务记录包括：时间戳、临床医生的临床医生标识符、配药柜的装置标识符、被开药的患者的患者标识符、从配药柜取回的药物的标识符、从药物柜取回的药物的数量等。可替代地和/或另外地，使用输注泵向患者给予药物的临床医生可以触发事务记录的生成，所述事务记录包括：时间戳、临床医生的临床医生标识符、输注泵的装置标识符、接收药物的患者的患者标识符、给予患者的药物的标识符、给予患者的药物的数量等。
再次参考图2，分析引擎110可以包括对等团体控制器230和异常检测器240。如所指出的，分析引擎110可以从一个或更多个数据系统120接收多个输入数据，所述输入数据包括由一个或更多个数据系统120响应于一个或更多个数据系统120和多个不同临床医生之间的交互而生成的事务记录的至少一部分。此外，来自一个或更多个数据系统120的输入数据可以对应于可以用于识别不同临床医生对等团体的属性。因此，对等团体控制器230可以至少基于从一个或更多个数据系统120接收到的输入数据来识别应表现出相同和/或相似的活动模式的临床医生对等团体。例如，在一些示例性实施方案中，对等团体控制器230可以至少基于从一个或更多个数据系统120接收到的输入数据来识别治疗相同患者的临床医生对等团体。可替代地和/或另外地，对等团体控制器230可以至少基于从一个或更多个数据系统120接收到的输入数据来识别与相同医疗装置和/或同一护理区域(诸如，例如内科-外科、重症监护、急诊、非急性、观察、门诊、输注中心等)中的医疗装置交互的临床医生对等团体。
在一些示例性实施方案中，异常检测器240可以配置为通过将临床医生的活动模式与同一对等团体中其它临床医生的活动模式进行比较来确定所述临床医生是否表现出异常行为。如所指出，临床医生的活动模式可以包括一系列事务记录，其在临床医生与一个或更多个数据系统120交互时生成。所述一系列事务记录可以在时间上划分为例如对应于与临床医生相关联的排班。如果所述临床医生的活动模式偏离同一对等团体中其它临床医生的活动模式，则异常检测器240可以确定出所述临床医生表现出异常行为。例如，可以向临床医生分配与所述临床医生的活动模式偏离所述临床医生对等团体的预期范数多少相对应的等级。如果临床医生的等级高于或低于阈值，则异常检测器240可以确定出所述临床医生表现出异常行为。所述确定可以基于单个行为评分或一段时间内的评分的组合(例如，平均值或移动平均值)。在一些实施方案中，可以使用一系列可接受的评分来评估等级。在一些实施方式中，阈值或范围可以动态地生成。例如，当系统收集具体团体的行为信息时，可以生成阈值或范围以反映团体。在一些实施方式中，系统可以包括阈值或范围的绝对极限，以防止整个挪用人团体逃避检测。可以提供用户界面来接收异常检测器240的这种配置，例如所描述的阈值或范围。
在一些示例性实施方案中，异常检测器240可以通过至少触发调查工作流程来响应表现出异常行为的临床医生的识别。调查工作流程可以包括异常检测器240生成临床医生被识别为表现出异常行为的警报，并且经由网络210将该警报发送给客户端250。此外，调查方案可以包括异常检测器240配置一个或更多个数据系统120。例如，每当所述临床医生接近医疗装置时，异常检测器240激活所述医疗装置(例如，配药柜、输注泵、废弃站等)处的一个或更多个监视装置(例如，摄像机、静止图像相机、录音机等)。可替代地和/或另外地，异常检测器240可以配置医疗装置以隔离所述临床医生能够使用的药物。例如，响应于所述临床医生接近废弃站以处置未使用的药物，异常检测器240可以激活废弃站处的监视装置。此外，异常检测器240可以配置废弃站以将所述临床医生返回的未使用的药物隔离在例如与容纳其它临床医生返回的未使用的药物的容器分开的指定容器中。
如所指出的，分析引擎110(例如，对等团体控制器230)可以配置为识别一个或更多个临床医生对等团体，每个临床医生对等团体包括应表现出相同和/或相似的活动模式的临床医生。在一些示例性实施方案中，对等团体控制器230可以至少基于与每个临床医生相关联的一个或更多个属性来形成临床医生对等网络并随后识别对等网络中存在的对等团体。为了进一步说明，图3A描绘了根据一些示例性实施方案的表示对等网络300的图。如图3A中所示，对等网络300可以包括由多个边缘连接的多个节点。在一些示例性实施方案中，对等网络300中的每个节点可以对应于包括例如第一临床医生310a、第二临床医生310b、第三临床医生310c等的临床医生。同时，对等网络300中的每个边缘可以连接两个节点，并且因此可以对应于在与由边缘连接的两个节点相对应的临床医生之间共享的共同属性。对等团体控制器230可以通过至少识别共享共同属性的临床医生(例如，应由边缘互连的节点)和/或不共享任何共同属性的临床医生(例如，不应保持未连接状态的节点)来形成对等网络300。
例如，如果对应于两个节点的临床医生治疗至少一个共同患者，则对等团体控制器230可以确定出两个节点应由边缘互连。因此，连接第一临床医生310a和第二临床医生310b的边缘可以对应于由第一临床医生310a以及第二临床医生310b治疗的一个或更多个患者320a。同时，连接第二临床医生310b和第三临床医生310c的边缘可以对应于由第二临床医生310b以及第三临床医生310c治疗的一个或更多个患者320b。应当理解，对等网络300中的每个边缘可以与表示由所述边缘连接的节点之间的从属关系的强度的权重相关联。在图3A中示出的示例中，与对等网络300中的边缘相关联的权重可以对应于由与由边缘连接的两个节点相关联的临床医生所治疗的患者数量。
对等网络300可以包括多个对等团体。对等团体控制器230可以应用一种或多种监督和/或无监督机器学习技术来识别对等网络300中存在的对等团体。例如，对等团体控制器230可以应用训练为识别对等网络300中存在的对等团体的神经网络。可替代地和/或另外地，对等团体控制器230还可以应用替代技术，包括例如最小割、分层聚类、Girvan-Newman、模块化最大化、团检测等。然而，在一些示例性实施方案中，在对等网络300中的节点形成可辨别的对等团体之前，可能需要对等团体控制器230基于多个属性来生成对等网络300。
为了进一步说明，图3B示出了通过应用对等网络300中的每个临床医生与其交互的医疗装置来进一步完善对等网络300。如所指出的，由于极其邻近(例如，在同一护理区域和/或类似区域中)操作的临床医生应表现出相同和/或相似的活动模式，因此医疗装置的位置可能会对每个对等团体中的成员资格施加地理约束。例如，如图3B中所示，除了治疗相同的患者之外，第一临床医生310a可以进一步与一个或更多个与相同的医疗装置和/或位于同一护理区域中的医疗装置(例如，第一装置330a)交互的其它临床医生互连。同样，第二临床医生310b和第三临床医生310c可以与不仅治疗相同的患者而且还与相同的医疗装置和/或位于同一护理区域中的医疗装置(例如，第二装置330b)交互的其它临床医生互连。而且，如图3B中所示，尽管第一临床医生310a和第二临床医生310b可以因为第一临床医生310a和第二临床医生310b治疗一个或更多个相同的患者而互连，但是第一临床医生310a和第二临床医生310b可以基于一个或更多个其它属性(包括，如图3B中所示，医疗装置由第一临床医生310a和第二临床医生310b使用)而分组到不同的对等团体中。如所指出的，第一临床医生310a和第二临床医生310b在其中操作的护理区域可以指示第一临床医生310a和第二临床医生310b所治疗的患者的病状。因此，尽管第一临床医生310a和第二临床医生310b可能治疗了相同的患者，但是第一临床医生310a和第二临床医生310b可能是在其不同的护理点治疗了这些患者。例如，第一临床医生310a可能是在患者第一次接受急诊护理时对所述患者进行了治疗，而第二临床医生310b可能是在患者稳定并转变为重症监护之后对同一患者进行了治疗。因此，图3B示出了第一临床医生310a和第二临床医生310b互连但却是不同对等团体的成员。
图3C描绘了根据一些示例性实施方案的示出对等网络350的另一个示例的图。如图3C中所示，对等网络350可以包括多个对等团体，包括例如第一对等团体355a、第二对等团体335b、第三对等团体335c、第四对等团体335d、第五对等团体335e、第六对等团体335f等。如所指出的，同一对等团体中的临床医生可以共享共同属性，并且因此可以具有相同和/或相似的活动模式，而不同对等团体中的临床医生可以具有不同的属性和不同的活动模式。然而，应当理解的是，临床医生可以表现出与多个对等团体的不同程度的从属关系。因此，如图3C中所示，由于临床医生从属于多个对等团体，因此不同对等团体(诸如，例如第三对等团体335c和第四对等团体335d)可能重叠。为了分开重叠的对等团体，对等团体控制器230可以应用在属于一个对等团体但不属于另一个对等团体的临床医生之间有所区分的另外的属性。
一种用于识别对等网络(诸如，例如对等网络350)中存在的多个对等团体的技术可以依赖于团体成员资格和临床医生属性之间的统计关系，以便基于每个临床医生的属性来推断团体成员资格以及基于单个团体成员资格来推断每个临床医生的属性。例如，对等网络G可以包括N个节点。N个节点的每一个可以对应于具有由X表示的K个属性的临床医生，其中，Xuk可以对应于节点u的第k个属性。K个属性可以包括例如由临床医生治疗的患者、临床医生与其交互的医疗装置等。同时，对等网络G可以包括C个对等团体。对于团体成员资格F，每个节点u可以与单个对等团体c的非负从属关系权重Fuc∈[0，∞)相关联。因此，当Fuc＝0时，节点u不属于对等团体c。
在一些示例性实施方案中，对等团体控制器230可以基于团体成员资格F构造图G(V，E)。为了表示图G(V，E)，对等团体控制器230可以生成邻接矩阵A∈{0，1}N×N以表示图G(V，E)，其使用概率生成过程来检测重叠的对等团体。也就是说，邻接矩阵A中的每一项Auv∈{0，1}的值可以对应于图G是否包括将节点u和节点v互连的边缘。例如，下面的等式(1)可以表示属于团体c的两个节点u和v连接的概率Puv。
Puv(c)＝1-exp(-Fuc·Fvc) (1)
其中，Fuc可以表示节点u和对等团体c之间的从属关系权重，而Fvc可以表示节点v和对等团体c之间的从属关系权重。
根据等式(1)，如果节点u或节点v不属于对等团体c(例如，Fuc＝0或Fvc＝0)，则节点u和节点v连接的概率将为零。此外，为了使图G不包括将节点u或节点v互连的任何边缘，节点u或节点v可以不在任何团体u中连接。节点u和节点v在图G中未连接的概率可以由下面的等式(2)表示：
1-Puv＝Πc(1-Puv(c))＝exp(-∑cFuc·Fvc) (2)
因此，可以根据以下等式(3)和(4)来确定表示图G的邻接矩阵A中的每一项Auv∈{0，1}的值：
Puv＝1-exp(-∑cFuc·Fvc) (3)
Auv～Bernoulli(Puv) (4)
如所指出的，图G中的将节点u和节点v互连的边缘可以对应于由与节点u和节点v中的每一个相关联的临床医生共享的一个或更多个共同属性。节点u和节点v之间共享的共同属性可以确定节点在对等团体c中的成员资格。此外，与节点u和v中的每一个关联的属性也可以通过节点在对等团体c中的成员资格来推断。例如，下面的等式(5)和(6)基于节点u是对等团体c的成员的概率Fuc来表示节点u与属性k相关联的概率Quk：
Figure BDA0002848195800000141
Xuk～Bernoulli(Quk) (6)
其中，Wkc可以表示团体c至第k个节点属性的实值逻辑模型参数，而Wk(C+1)可以表示偏项。Wkc的值可以表示节点u是对等团体c的成员和节点u与属性k相关联之间的相关性。
为了识别由邻接矩阵A表示的图G(V，E)中存在的对等团体，对等团体控制器230可以基于图G来推断潜在变量F和W的值。因此，可能需要对等团体控制器230估计N·C个团体成员资格(即，
Figure BDA0002848195800000142
)和K·(C+1)个逻辑权重参数(即，
Figure BDA0002848195800000143
)。为此，对等团体控制器230可以针对
Figure BDA0002848195800000144
和
Figure BDA0002848195800000145
根据下面的等式(7)确定最大化观察数据G、X的似然度l(F，W)＝logP(G，X|F，W)的最优值：
Figure BDA0002848195800000146
因为G和X在给定F和W的情况下是条件独立的，所以对数似然度log P(G，X|F，W)可以根据下面的等式(8)进行分解：
Figure BDA0002848195800000147
其中，
Figure BDA0002848195800000148
并且
Figure BDA0002848195800000149
基于上面的等式(3)至(6)，对等团体控制器230可以计算
Figure BDA00028481958000001410
和
Figure BDA00028481958000001411
如下面的等式(9)和(10)中所示：
Figure BDA00028481958000001412
Figure BDA00028481958000001413
其中，Fu可以是节点u的向量{Fuc}，而Quk可以根据等式(3)和(4)定义。
对等团体控制器230可以进一步在W上调用l1-正则化，以避免过度拟合并学习团体和属性之间的稀疏关系。因此，可能需要对等团体控制器230解决由下面的等式(11)表示的优化问题：
Figure BDA00028481958000001414
其中，λ可以表示正则化超参数。
为了解决等式(11)中提出的优化问题，对等团体控制器230可以应用块坐标上升方法，其中通过至少针对所有其它节点v固定W和团体成员资格Fv来为每个节点u更新Fu的值。一旦针对所有节点更新了Fu，则对等团体控制器230可以在固定团体成员资格F的同时更新W。
为了更新单个节点u的团体成员资格Fu，同时固定所有其它参数(诸如，例如其它节点v的对等团体成员资格Fv和逻辑模型参数W)，可能需要对等团体控制器230解决由下面的等式(12)表示的凸子问题：
Figure BDA0002848195800000151
其中，
Figure BDA0002848195800000152
和
Figure BDA0002848195800000153
包括
Figure BDA0002848195800000154
和
Figure BDA0002848195800000155
涉及Fu的部分，如下面的等式(13)和(14)所示：
Figure BDA0002848195800000156
Figure BDA0002848195800000157
其中，N(u)可以表示节点u的邻居的集合。注意的是，由等式(11)和(12)表达的问题可以是凸问题，其中，当W固定时，
Figure BDA0002848195800000158
是Fu的凹函数，而
Figure BDA0002848195800000159
是Fuc的逻辑函数。
为了解决凸问题，对等团体控制器230可以应用根据下面的等式(15)和(16)计算的投影梯度下降：
Figure BDA00028481958000001510
Figure BDA00028481958000001511
对等团体控制器230可以更新每个Fuc以对应于节点u是对等团体c的成员的概率。例如，根据下面的等式(17)，每个Fuc可以通过梯度下降来更新并随后投影到非负实数空间[0，∞)：
Figure BDA00028481958000001512
其中，α可以对应于可以使用回溯线搜索设置的学习率。
一旦对等团体控制器230已经学习了实值团体从属关系
Figure BDA00028481958000001513
对等团体控制器230就可以确定节点u是否实际上属于对等团体c。为此，对等团体控制器230可以施加阈值δ，使得如果节点u是对等团体c的成员的相对应概率Fuc超过阈值δ，则节点u可以是对等团体c的成员。可以设置阈值δ的值，使得如果节点u连接到是对等团体c的成员的另一个节点的概率大于
Figure BDA00028481958000001514
则节点u可以是对等团体c的成员，其中N可以对应于图G中的节点总数。
在一些示例性实施方案中，可以基于下面的等式(18)和(19)来确定阈值δ的值：
Figure BDA0002848195800000161
Figure BDA0002848195800000162
再次参考图3C，对等团体控制器230可以配置为识别对等网络350中存在的多个对等团体，包括例如第一对等团体355a、第二对等团体335b、第三对等团体335c、第四对等团体335d、第五对等团体335e、第六对等团体335f等。对等网络350中存在的每个对等团体可以对应于共享足够相似属性并且因此应表现出相同和/或相似的活动模式的一组临床医生。例如，对等网络350中存在的每个对等团体可以对应于治疗相同患者以及与相同的医疗装置和/或位于同一护理区域中的医疗装置交互的临床医生。通过识别共享这些共同属性的临床医生对等团体，对等团体控制器230可以能够区分已被分配了不同排班、护理区域和/或任务的临床医生，例如常任临床医生、流动临床医生、辅助临床医生、学生临床医生和主管临床医生。如所指出的，由于分配的排班、护理区域和/或任务的不同，常任护士、流动护士、辅助护士、学生护士和主管护士也可能表现出不同的活动模式。因此，通过将已经被分配了不同排班、护理区域和/或任务的临床医生分组到适当的对等团体中，对等团体控制器230可以确保异常检测器240比较已经被分配相同和/或相似的排班、护理区域和/或任务的临床医生的活动模式。
图4描绘了根据一些示例性实施方案的示出用于跟踪临床医生行为的过程400的流程图。参考图1至图2、图3A至图3C和图4，过程400可以全部或部分地由分析引擎110进行。
在402，分析引擎110可以从一个或更多个数据系统120接收与由一个或更多个数据系统120响应于一个或更多个数据系统120和多个临床医生之间的交互而生成的事务记录的至少一部分相对应的多个输入数据。例如，如图2中所示，一个或更多个数据系统120可以包括接近控制系统220a、分配系统220b和电子医疗记录(EMR)系统220c。此外，如所指出的，一个或更多个数据系统120可以包括医疗装置，诸如，例如配药柜、输注泵、废弃站等。当临床医生与一个或更多个数据系统交互时，一个或更多个数据系统120可以生成事务记录。由一个或更多个数据系统120生成的事务记录的至少一部分可以作为输入数据发送到分析引擎110。在一些实施方案中，可以归一化事务记录以允许有意义的属性比较。例如，一个系统可以使用名为“PATIENT”的字段来指代患者，而另一个系统可以使用名为“PATIENT_ID”的字段来指代患者。可以由分析引擎110作为预处理步骤或由环境内的另一个系统来进行归一化。可以根据标准化消息传递格式(例如，卫生信息交换标准(Health Level Seven，HL7)格式或其它电子记录格式)进行归一化。归一化可以提供对来自不同事务的共同、类似和/或语义等同属性的比较。
例如，从配药柜分配药物的临床医生可以触发事务记录的生成，所述事务记录包括时间戳、临床医生的临床医生标识符、配药柜的装置标识符、被开药的患者的患者标识符、从配药柜取回的药物的标识符、从药物柜取回的药物的数量等。可替代地和/或另外地，使用输注泵向患者给予药物的临床医生可以触发事务记录的生成，所述事务记录包括时间戳、临床医生的临床医生标识符、输注泵的装置标识符、接收药物的患者的患者标识符、给予患者的药物的标识符、给予患者的药物的数量等。
在404，分析引擎110可以至少基于从一个或更多个数据系统120接收到的多个输入数据来形成包括多个临床医生的对等网络。在一些示例性实施方案中，分析引擎110可以基于与多个临床医生相关联的一个或更多个属性(其包括由每个临床医生治疗的患者、每个临床医生与其交互的医疗装置等)来形成例如对等网络300。例如，分析引擎110可以通过至少将对应于临床医生的多个节点与对应于临床医生之间共享的共同属性的边缘互连来形成对等网络300。在图3A中示出的示例中，边缘可以对应于由与通过边缘互连的节点相对应的临床医生治疗的一个或更多个患者。同时，图3B示出，除了治疗相同的患者之外，对等网络300中的节点可以基于相对应临床医生与相同的医疗装置和/或位于同一护理区域中的医疗装置交互而进一步互连。
在406，分析引擎110可以在对等网络内识别应表现出相同和/或相似的活动模式的一个或更多个临床医生对等团体。在一些示例性实施方案中，分析引擎110可以在对等网络300中识别一个或更多个临床医生对等团体，其共享足够相似的属性，使得同一对等团体中的临床医生也应表现出相同和/或相似的活动模式。例如，如所指出的，分析引擎110可以应用训练为识别例如对等网络300中存在的一个或更多个临床医生对等团体的机器学习模型。可替代地和/或另外地，分析引擎110可以通过应用替代技术(诸如，例如最小割、分层聚类、Girvan-Newman、模块化最大化、团检测等)来识别对等团体。
在408，分析引擎110可以至少基于同一对等团体中其它临床医生的活动模式来确定临床医生是否表现出异常行为。例如，分析引擎110可以配置为通过将临床医生的活动模式与同一对等团体中其它临床医生的活动模式进行比较来确定所述临床医生是否表现出异常行为。在一些示例性实施方案中，临床医生的活动模式可以包括一系列事务记录，其在临床医生与一个或更多个数据系统120交互时生成。此外，所述一系列事务记录可以在时间上划分为例如对应于与临床医生相关联的排班。如果所述临床医生的活动模式偏离同一对等团体中其它临床医生的活动模式，则分析引擎110可以确定出所述临床医生表现出异常行为。例如，分析引擎110可以向临床医生分配与所述临床医生的活动模式偏离所述临床医生对等团体的预期范数多少相对应的等级。如果临床医生的等级高于或低于阈值，则分析引擎110可以确定出所述临床医生表现出异常行为。
在410，分析引擎110可以通过至少在一个或更多个数据系统120处触发调查工作流程来响应确定出所述临床医生表现出异常行为。例如，调查工作流程可以包括分析引擎110生成警报并经由网络210将其发送给客户端250。可替代地和/或另外地，调查工作流程可以包括分析引擎110将一个或更多个数据系统120配置为激活由临床医生接近的医疗装置处的一个或更多个监视装置和/或隔离临床医生接近的药物。例如，分析引擎110可以将配药柜配置为每当所述临床医生接近配药柜以取回药物时激活一个或更多个监视装置(例如，摄像机、静止图像相机、录音机等)。可替代地和/或另外地，分析引擎110可以将废弃站配置为隔离所述临床医生在废弃站处置的未使用的药物。例如，代替混合了由多个临床医生处置的未使用的药物的共享容器，废弃站可以配置为向临床医生提供单独的容器。
在一些实施方案中，触发调查工作流程可以包括激活临床医生跟踪系统100内的传感器或其它收集装置。所述激活可以包括将控制消息发送到装置以将所述装置配置为启动收集调查工作流程的信息，例如，调查目标的生物统计、与调查目标交互或在调查目标附近的患者的电子医疗记录、目标在一个或更多个排班期间的位置信息、对等临床医生信息(例如，与目标一起或邻近目标工作的对等临床医生)等。这对于收集信息而又不必对调查的调查目标进行警告的情况可能特别有用。如果让调查目标知道了数据收集，调查目标可能会改变行为或采取进一步措施以避免检测或破坏调查的完整性。这些特征提供了一种确保调查工作流程的效率和可靠性的技术方案。
图5描绘了示出与当前主题的实施方式一致的计算系统500的框图。参考图1和2，可以使用计算系统500来实施分析引擎110和/或其中的任何组件。
如图5中所示，计算系统500可以包括：处理器510、存储器520、存储装置530和输入/输出装置540。处理器510、存储器520、存储装置530和输入/输出装置540可以经由系统总线550连接。处理器510能够处理用于在计算系统500内执行的具体指令，以用于基于对等团体的技术来检测异常行为并动态地配置其上的装置。这种执行的指令可以实施如分析引擎110的一个或更多个组件。在一些示例性实施方案中，处理器510可以是单线程处理器。可替代地，处理器510可以是多线程处理器。处理器510能够处理存储器520中和/或存储装置530上存储的指令，以显示经由输入/输出装置540为用户界面提供的图形信息。
存储器520是在计算系统500内存储信息的计算机可读介质(例如，易失性或非易失性介质)。例如，存储器520可以存储表示配置对象数据库的数据结构。存储装置530能够为计算系统500提供永久存储。存储装置530可以是软盘装置、硬盘装置、光盘装置、磁带装置、固态装置和/或任何其它合适的永久存储装置。输入/输出装置540为计算系统500提供输入/输出操作。在一些示例性实施方案中，输入/输出装置540包括键盘和/或指示装置。在各个实施方式中，输入/输出装置540包括用于显示图形用户界面的显示单元。
根据一些示例性实施方案，输入/输出装置540可以为网络装置提供输入/输出操作。例如，输入/输出装置540可以包括以太网端口或其它联网端口，以与一个或更多个有线和/或无线网络(例如，局域网(LAN)、广域网(WAN)、因特网)进行通信。
在一些示例性实施方案中，可以使用计算系统500来执行各种交互式计算机软件应用程序，所述应用程序可以用于组织、分析和/或存储各种格式的数据。可替代地，可以使用计算系统500来执行具体的对等团体异常检测软件应用程序。可以使用这些应用程序来进行临床医生跟踪系统(如图1中所示)内的各种功能，例如计划功能(例如，生成、管理、编辑电子表格文档、文字处理文档和/或任何其它对象等)、计算功能、通信功能等。所述应用程序可以包括各种插件功能，也可以是独立的计算产品和/或功能。当在应用程序内激活后，所述功能可以用于生成经由输入/输出装置540提供的用户界面。用户界面可以由计算系统500生成并呈现给用户(例如，在计算机屏幕监视器等上)。
可以在数字电子电路、集成电路、专门设计的ASIC、现场可编程门阵列(FPGA)计算机硬件、固件、软件和/或其组合中实现本文中所述主题的一个或更多个方面或特征。这些各个方面或特征可以包括在一个或更多个计算机程序中的实施，所述计算机程序能够在可编程系统上执行和/或解释，所述可编程系统包括至少一个专门配置的专用的或通用的可编程处理器，其联接以从存储系统、至少一个输入装置和至少一个输出装置接收数据和具体的指令并向其发送数据和指令。可编程系统或计算系统可以包括一个或更多个客户端和/或服务器。客户端和服务器通常彼此远离，并且通常经由通信网络进行交互。客户端和服务器之间的关系是通过在相应计算机上运行并彼此具有客户端-服务器关系的计算机程序产生的。
这些具体的计算机程序(也可以被称为程序、软件、软件应用程序、应用程序、组件或代码)包括用于可编程处理器的机器指令，并且可以以高级过程和/或面向对象的编程语言和/或以汇编/机器语言实施。如本文使用的，术语“机器可读介质”是指用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品、设备和/或装置，诸如例如磁盘、光盘、存储器和可编程逻辑器件(PLD)，包括将机器指令作为机器可读信号接收的机器可读介质。术语“机器可读信号”是指用于向可编程处理器提供机器指令和/或数据的任何信号。机器可读介质可以非易失性地存储这种机器指令，诸如例如像非易失性固态存储器或磁性硬盘驱动器或任何等同存储介质一样。机器可读介质可以可替代地或另外地以易失性方式存储这种机器指令，诸如例如像处理器缓存或与一个或更多个物理处理器核相关联的其它随机存取存储器一样。
为了提供与用户的交互，本文中所述主题的一个或更多个方面或特征可以在具有显示装置(诸如，例如阴极射线管(CRT)或液晶显示器(LCD)或发光二极管(LED)监视器，用于向用户显示信息)以及键盘和指示装置(诸如，例如鼠标或轨迹球，用户可以通过其向计算机提供输入)的计算机上实施。也可以使用其它种类的装置来提供与用户的交互。例如，提供给用户的反馈可以是任何形式的感觉反馈，诸如例如视觉反馈、听觉反馈或触觉反馈，并且来自用户的输入可以以任何形式接收，包括声音、语音或触觉输入。其它可能的输入装置包括触摸屏或其它触敏装置，例如单点或多点电阻式或电容式轨迹板、语音识别硬件和软件、光学扫描仪、光学指示器、数字图像捕获装置和相关联的解释软件等。
在上面的描述和权利要求中，可能在元件或特征的连续列表之前出现诸如“……中的至少一个”或“……中的一个或更多个”的短语。在两个或两个以上元件或特征的列表中还可能出现术语“和/或”。除非与其所使用的上下文含蓄地或明显地矛盾，否则这种短语旨在表示任何单独列出的元件或特征，或任何所述元件或特征与任何其它所述元件或特征组合。例如，短语“A和B中的至少一个”、“A和B中的一个或更多个”和“A和/或B”分别旨在表示“仅A、仅B或A和B一起”。类似的解释也旨在用于包括三个或三个以上项目的列表。例如，短语“A、B和C中的至少一个”、“A、B和C中的一个或更多个”和“A、B和/或C”分别旨在表示“仅A、仅B、仅C、A和B一起、A和C一起、B和C一起或A和B和C一起”。上文和权利要求中的术语“基于”的使用旨在表示“至少部分地基于”，使得未叙述的特征或元件也是允许的。术语“相对应(correspond/corresponds/corresponding)”可以包括比较至少两个值，其中所述至少两个值精确匹配、模糊匹配、语音匹配、在预定容差(例如，正负)内匹配，根据预定关系(例如，基于动态生成的权重的评分)匹配或根据比较至少两个值的其它度量匹配。
取决于期望配置，本文所述主题可以体现在系统、设备、方法和/或物品中。前面描述中阐述的实施方式并不表示与本文所述主题一致的所有实施方式。相反，它们仅是与关于所描述的主题的方面一致的一些示例。尽管上面已经详细地描述了一些变型，但是其它修改方式或添加方式也是可能的。特别地，除了本文阐述的那些之外，还可以提供另外的特征和/或变型。例如，上述实施方式可以涉及所公开特征的各种组合和子组合和/或以上所公开的若干另外的特征的组合和子组合。另外，附图中描绘和/或本文中描述的逻辑流程不一定需要所示出的特定顺序或连续顺序来实现期望的结果。其它实施方式可以在所附权利要求的范围内。

Claims (36)

1.一种系统，其包括：
至少一个数据处理器；以及
至少一个存储器，其存储指令，所述指令在由至少一个数据处理器执行时，导致包括以下的操作：
通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别对等网络中的第一对等团体，所述对等网络包括多个临床医生，并且所述第一对等团体至少基于来自多个临床医生的第一临床医生和第二临床医生共享至少一个共同属性而包括第一临床医生和第二临床医生；
将第一临床医生的第一活动模式与第二临床医生的第二活动模式进行比较；
至少基于第一临床医生的第一活动模式与第二临床医生的第二活动模式之间的比较而确定出第一临床医生表现出异常行为；以及
响应于确定出第一临床医生表现出异常行为而在一个或更多个数据系统处触发调查工作流程。
2.根据权利要求1所述的系统，其中，所述至少一个共同属性包括由第一临床医生和第二临床医生治疗的同一患者中的一个或更多个。
3.根据权利要求1所述的系统，其中，所述至少一个共同属性包括所述第一临床医生和所述第二临床医生与其交互的同一医疗装置或位于同一护理区域中的多个医疗装置中的一个或更多个。
4.根据权利要求1所述的系统，其中，所述至少一个共同属性包括以下中的一个或更多个：处方单、临床医生角色、排班、主管、教育背景、训练、指定护理区域、医疗方案和设施的物理布局。
5.根据权利要求1所述的系统，其进一步包括：
生成所述对等网络，所述对等网络包括与第一临床医生相对应的第一节点和与所述第二临床医生相对应的第二节点，并且所述对等网络至少基于第一临床医生和第二临床医生共享至少一个共同属性而进一步包括将第一节点和第二节点互连的边缘。
6.根据权利要求5所述的系统，其中，至少基于由一个或多个数据系统响应于第一临床医生或第二临床医生与一个或多个数据系统交互而生成的多个事务记录来生成对等网络。
7.根据权利要求6所述的系统，其中，所述多个事务记录包括响应于所述第一临床医生与医疗装置交互以取回、给予或处置药物而生成的至少一个事务记录。
8.根据权利要求7所述的系统，其中，所述至少一个事务记录包括以下中的至少一个：时间戳、第一临床医生的第一标识符、与药物相关联的患者的第二标识符、药物的第三标识符、医疗装置的第四标识符、医疗装置的位置标识符或药物的数量。
9.根据权利要求1所述的系统，其中，所述调查工作流程包括向客户端发送指示第一临床医生表现出异常行为的警报。
10.根据权利要求1所述的系统，其中，所述调查工作流程包括：响应于第一临床医生与医疗装置交互而激活一个或更多个监视装置和/或隔离第一临床医生接近的药物。
11.根据权利要求1所述的系统，其中，所述机器学习模型包括以下中的至少一个：神经网络、最小割、分层聚类、Girvan-Newman、模块化最大化或团检测。
12.根据权利要求1所述的系统，其中，所述边缘与对应于第一临床医生和第二临床医生之间共享的共同属性数量的权重相关联。
13.根据权利要求1所述的系统，其中，所述比较包括向第一临床医生分配与第一临床医生的第一活动模式偏离第一对等团体的范数多少相对应的等级，并且其中，至少基于分配给第一临床医生的等级高于或低于阈值来确定第一临床医生表现出异常行为。
14.根据权利要求13所述的系统，其中，所述范数包括至少基于第一临床医生的第一活动模式和第二临床医生的第二活动模式而确定的预期范数。
15.根据权利要求13所述的系统，其中，所述范数包括基于除了第一临床医生的第一活动模式和/或第二临床医生的第二活动模式之外的数据而确定的综合范数。
16.根据权利要求1所述的系统，其进一步包括：
通过至少应用所述机器学习来识别对等网络中存在的第二对等团体，确定第一临床医生是否表现出异常行为的比较不包括第二对等团体中包括的第三临床医生的第三活动模式。
17.一种计算机实施方法，其包括：
通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别对等网络中的第一对等团体，所述对等网络包括多个临床医生，并且所述第一对等团体至少基于来自多个临床医生的第一临床医生和第二临床医生共享至少一个共同属性而包括第一临床医生和第二临床医生；以及
将第一临床医生的第一活动模式与第二临床医生的第二活动模式进行比较；
至少基于第一临床医生的第一活动模式与第二临床医生的第二活动模式之间的比较来确定出第一临床医生表现出异常行为；以及
响应于确定出第一临床医生表现出异常行为而在一个或更多个数据系统处触发调查工作流程。
18.根据权利要求17所述的方法，其中，所述至少一个共同属性包括由第一临床医生和第二临床医生治疗的同一患者中的一个或更多个。
19.根据权利要求17所述的方法，其中，所述至少一个共同属性包括第一临床医生和第二临床医生与其交互的同一医疗装置或位于同一护理区域中的多个医疗装置中的一个或更多个。
20.根据权利要求17所述的方法，其中，所述至少一个共同属性包括以下中的一个或更多个：处方单、临床医生角色、排班、主管、教育背景、训练、指定护理区域、医疗方案和设施的物理布局。
21.根据权利要求17所述的方法，其进一步包括：
生成对等网络，所述对等网络包括与第一临床医生相对应的第一节点和与第二临床医生相对应的第二节点，并且所述对等网络至少基于第一临床医生和第二临床医生共享至少一个共同属性而进一步包括将第一节点和第二节点互连的边缘。
22.根据权利要求21所述的方法，其中，至少基于由一个或多个数据系统响应于第一临床医生或第二临床医生与一个或多个数据系统交互而生成的多个事务记录来生成对等网络。
23.根据权利要求22所述的方法，其中，所述多个事务记录包括响应于第一临床医生与医疗装置交互以取回、给予或处置药物而生成的至少一个事务记录。
24.根据权利要求23所述的方法，其中，所述至少一个事务记录包括以下中的至少一个：时间戳、第一临床医生的第一标识符、与药物相关联的患者的第二标识符、药物的第三标识符、医疗装置的第四标识符、医疗装置的位置标识符或药物的数量。
25.根据权利要求17所述的方法，其中，所述调查工作流程包括向客户端发送指示第一临床医生表现出异常行为的警报。
26.根据权利要求17所述的方法，其中，所述调查工作流程包括响应于第一临床医生与医疗装置交互而激活一个或更多个监视装置和/或隔离第一临床医生接近的药物。
27.根据权利要求17所述的方法，其中，所述机器学习模型包括以下中的至少一个：神经网络、最小割、分层聚类、Girvan-Newman、模块化最大化或团检测。
28.根据权利要求17所述的方法，其中，所述边缘与对应于第一临床医生和第二临床医生之间共享的共同属性数量的权重相关联。
29.根据权利要求17所述的方法，其中，所述比较包括向第一临床医生分配与第一临床医生的第一活动模式偏离第一对等团体的范数多少相对应的等级，并且其中，至少基于分配给第一临床医生的等级高于或低于阈值来确定第一临床医生表现出异常行为。
30.根据权利要求29所述的方法，其中，所述范数包括至少基于第一临床医生的第一活动模式和第二临床医生的第二活动模式而确定的预期范数。
31.根据权利要求20所述的方法，其中，所述范数包括基于除了第一临床医生的第一活动模式和/或第二临床医生的第二活动模式之外的数据而确定的综合范数。
32.根据权利要求17所述的方法，其进一步包括：
通过至少应用机器学习来识别对等网络中存在的第二对等团体，确定第一临床医生是否表现出异常行为的比较不包括第二对等团体中包括的第三临床医生的第三活动模式。
33.一种非易失性计算机可读介质，其存储指令，所述指令在由至少一个数据处理器执行时，导致包括以下的操作：
通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别对等网络中的第一对等团体，所述对等网络包括多个临床医生，并且所述第一对等团体至少基于来自多个临床医生的第一临床医生和第二临床医生共享至少一个共同属性而包括第一临床医生和第二临床医生；以及
将第一临床医生的第一活动模式与第二临床医生的第二活动模式进行比较；
至少基于第一临床医生的第一活动模式与第二临床医生的第二活动模式之间的比较而确定出第一临床医生表现出异常行为；以及
响应于确定出第一临床医生表现出异常行为而在一个或更多个数据系统处触发调查工作流程。
34.一种设备，其包括：
用于通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别对等网络中的第一对等团体的装置，所述对等网络包括多个临床医生，并且所述第一对等团体至少基于来自多个临床医生的第一临床医生和第二临床医生共享至少一个共同属性而包括第一临床医生和第二临床医生；以及
用于将第一临床医生的第一活动模式与第二临床医生的第二活动模式进行比较的装置；
用于至少基于第一临床医生的第一活动模式与第二临床医生的第二活动模式之间的比较而确定出第一临床医生表现出异常行为的装置；以及
用于响应于确定出第一临床医生表现出异常行为而在一个或更多个数据系统处触发调查工作流程的装置。
35.一种设备，其包括：
至少一个数据处理器；以及
至少一个存储器，其存储指令，所述指令在由至少一个数据处理器执行时，导致包括以下的操作：
接收第一临床医生被识别为表现出异常行为的指示，所述第一临床医生是包括多个临床医生的对等网络中的对等团体的一部分，所述对等团体通过至少应用训练为识别对等网络中存在的一个或更多个对等团体的机器学习模型来识别，并且所述第一临床医生至少基于对等团体中的第一临床医生的第一活动模式与第二临床医生的第二活动模式之间的比较而识别为表现出异常行为；以及
响应于所述指示，启动调查工作流程，所述调查工作流程包括响应于第一临床医生与设备交互而激活一个或更多个监视装置和/或隔离第一临床医生接近的药物。
36.根据权利要求35所述的设备，其中，所述设备包括输注泵或自动配药装置。
CN201980041622.XA 2018-05-04 2019-05-03 基于对等团体的异常行为检测 Pending CN112292733A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862667409P 2018-05-04 2018-05-04
US62/667,409 2018-05-04
PCT/US2019/030718 WO2019213607A1 (en) 2018-05-04 2019-05-03 Peer community based anomalous behavior detection

Publications (1)

Publication Number Publication Date
CN112292733A true CN112292733A (zh) 2021-01-29

Family

ID=66554515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980041622.XA Pending CN112292733A (zh) 2018-05-04 2019-05-03 基于对等团体的异常行为检测

Country Status (6)

Country Link
US (2) US11222721B2 (zh)
EP (1) EP3788634A1 (zh)
CN (1) CN112292733A (zh)
AU (1) AU2019262215A1 (zh)
CA (1) CA3099146A1 (zh)
WO (1) WO2019213607A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11081220B2 (en) 2018-02-02 2021-08-03 Carefusion 303, Inc. System and method for dispensing medication
US11222721B2 (en) 2018-05-04 2022-01-11 Carefusion 303, Inc. Peer community based anomalous behavior detection
US11804295B2 (en) 2019-01-07 2023-10-31 Carefusion 303, Inc. Machine learning based safety controller
CA3126700A1 (en) 2019-01-18 2020-07-23 Carefusion 303, Inc. Medication tracking system
US11381640B2 (en) 2020-05-15 2022-07-05 Cisco Technology, Inc. Detection of isolated changes in network metrics using smart-peering
US20220277838A1 (en) * 2021-02-26 2022-09-01 Carefusion 303, Inc. Dosage normalization for detection of anomalous behavior

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150081324A1 (en) * 2014-08-08 2015-03-19 Brighterion, Inc Healthcare fraud preemption
US20150109437A1 (en) * 2013-10-18 2015-04-23 Amaryllo International, Inc. Method for controlling surveillance camera and system thereof
US20150286783A1 (en) * 2014-04-02 2015-10-08 Palo Alto Research Center Incorporated Peer group discovery for anomaly detection
US9202052B1 (en) * 2013-06-21 2015-12-01 Emc Corporation Dynamic graph anomaly detection framework and scalable system architecture
US20170103203A1 (en) * 2015-10-13 2017-04-13 Paypal, Inc. Applying Multi-Level Clustering at Scale to Unlabeled Data For Anomaly Detection and Security

Family Cites Families (122)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5945651A (en) 1997-07-17 1999-08-31 Chorosinski; Leonard Remotely programmable medication dispensing system
US6842736B1 (en) 1998-10-21 2005-01-11 David J. Brzozowski Drug auditing method and system
US8666757B2 (en) * 1999-07-28 2014-03-04 Fair Isaac Corporation Detection of upcoding and code gaming fraud and abuse in prospective payment healthcare systems
US9427520B2 (en) 2005-02-11 2016-08-30 Carefusion 303, Inc. Management of pending medication orders
US20040172283A1 (en) 2003-02-09 2004-09-02 Vanderveen Timothy W. Medication management and event logger and analysis system
US6868344B1 (en) 2001-06-22 2005-03-15 Vigilant Devices, Llc Controlled substance analysis, wastage disposal and documentation system, apparatus and method
US6650964B2 (en) 2002-04-16 2003-11-18 Mckesson Automation Inc. Medication dispensing apparatus override check and communication system
US7184897B2 (en) 2002-06-19 2007-02-27 Vigilant Devices, Llc Controlled substance analysis, wastage disposal and documentation system, apparatus and method
US20080319795A1 (en) 2002-11-21 2008-12-25 Cdex, Inc. System and methods for detection and identification of chemical substances
US8075514B2 (en) 2003-03-28 2011-12-13 Carefusion 303, Inc. Infusion data communication system
US7318529B2 (en) 2003-09-19 2008-01-15 Vest Medical, Llc Method for sorting discarded and spent pharmaceutical items
US7660724B2 (en) 2003-09-19 2010-02-09 Vesta Medical, Llc Waste sorting system utilizing removable liners
US7275645B2 (en) 2003-09-19 2007-10-02 Vesta Medical, Llc Handheld medical waste sorting device
US7562025B2 (en) 2003-09-19 2009-07-14 Vesta Medical, Llc Waste sorting system with query function, and method thereof
US7311207B2 (en) 2003-09-19 2007-12-25 Vesta Medical, Llc System for sorting discarded and spent pharmaceutical items
US7303081B2 (en) 2003-09-19 2007-12-04 Vesta Medical, Llc Handheld medical waste sorting method
US8195328B2 (en) 2003-09-19 2012-06-05 Vesta Medical, Llc Combination disposal and dispensing apparatus and method
WO2005029286A2 (en) 2003-09-19 2005-03-31 Vesta Medical, Llc System and method for sorting medical waste for disposal
US8340981B1 (en) 2004-03-02 2012-12-25 Cave Consulting Group, Inc. Method, system, and computer program product for physician efficiency measurement and patient health risk stratification utilizing variable windows for episode creation
US20060062734A1 (en) 2004-09-20 2006-03-23 Melker Richard J Methods and systems for preventing diversion of prescription drugs
US20080140715A1 (en) 2005-02-08 2008-06-12 George Hakos Method and Apparatus for Tracking the Distribution of Pharmaceutical Products
US8753308B2 (en) 2006-01-06 2014-06-17 Acelrx Pharmaceuticals, Inc. Methods for administering small volume oral transmucosal dosage forms using a dispensing device
US8357114B2 (en) 2006-01-06 2013-01-22 Acelrx Pharmaceuticals, Inc. Drug dispensing device with flexible push rod
US20080082360A1 (en) 2006-09-29 2008-04-03 Clear-View-Technologies, Inc Inventory monitoring and control applications
US7805391B2 (en) 2007-02-26 2010-09-28 International Business Machines Corporation Inference of anomalous behavior of members of cohorts and associate actors related to the anomalous behavior
US20080306796A1 (en) 2007-06-07 2008-12-11 Cardinal Health 303, Inc. Method and system for providing closed-loop operations consulting and optimization
US8280550B2 (en) 2008-06-17 2012-10-02 Omnicell, Inc. Cabinet with remote integration
WO2009037615A1 (en) * 2007-09-21 2009-03-26 International Business Machines Corporation System and method for analyzing electronic data records
US20090160646A1 (en) 2007-12-20 2009-06-25 General Electric Company System and method for monitoring and tracking inventories
WO2010058796A1 (ja) 2008-11-19 2010-05-27 株式会社根本杏林堂 漏出検出システム
US8319669B2 (en) 2009-04-22 2012-11-27 Jeffrey C Weller Text entry device with radial keypad layout
US9177269B2 (en) 2009-05-29 2015-11-03 International Business Machines Corporation Complexity reduction of user tasks
US8147479B1 (en) 2009-07-14 2012-04-03 Cell Precision, LLC Monitoring stress on a therapeutic agent during patient delivery
US8284068B2 (en) 2009-07-14 2012-10-09 Sam Johnson Activity monitor to alleviate controlled substance abuse
JP2011022705A (ja) 2009-07-14 2011-02-03 Hitachi Ltd 証跡管理方法、システム、及びプログラム
WO2011039676A2 (en) 2009-09-29 2011-04-07 Koninklijke Philips Electronics N.V. Assessing patient compliance
US20120316897A1 (en) 2011-06-10 2012-12-13 AI Cure Technologies, Inc. Method and Apparatus for Monitoring Medication Adherence
US20110161108A1 (en) 2009-12-30 2011-06-30 Mckesson Automation Inc. Systems and methods for detecting diversion in drug dispensing
US20130325727A1 (en) 2010-03-24 2013-12-05 Mark Macdonell Systems and methods for disposing narcotic and other regulated waste
US20170017760A1 (en) 2010-03-31 2017-01-19 Fortel Analytics LLC Healthcare claims fraud, waste and abuse detection system using non-parametric statistics and probability based scores
WO2012011997A1 (en) 2010-04-27 2012-01-26 The Travelers Companies, Inc. System and method for detecting drug fraud and abuse
US8606596B1 (en) 2010-06-27 2013-12-10 Crisi Medical Systems, Inc. Medication waste and data collection system
WO2012000097A1 (en) 2010-07-01 2012-01-05 Pcas Patient Care Automation Services Inc. Vending machine for storage, labeling and dispensing of a container
AU2015264875B2 (en) 2010-08-13 2017-10-12 Respiratory Motion, Inc. Devices and methods for respiratory variation monitoring by measurement of respiratory volumes, motion and variability
CN103501839A (zh) 2010-09-09 2014-01-08 S.E.A.医疗系统公司 使用导抗谱的用于静脉药物管理的系统和方法
US9636273B1 (en) 2010-12-06 2017-05-02 Vatex Explorations, LLC Drug monitoring methods and systems
US9836485B2 (en) 2011-02-25 2017-12-05 International Business Machines Corporation Auditing database access in a distributed medical computing environment
US9155833B2 (en) 2011-03-04 2015-10-13 Becton, Dickinson And Company Systems and methods for monitoring the use of medications
JP6170907B2 (ja) 2011-05-02 2017-07-26 オムニセル， インコーポレイテッド 施設規模の薬剤管理システム及び方法
US10293107B2 (en) 2011-06-22 2019-05-21 Crisi Medical Systems, Inc. Selectively Controlling fluid flow through a fluid pathway
US20130018356A1 (en) 2011-07-13 2013-01-17 Crisi Medical Systems, Inc. Characterizing medication container preparation, use, and disposal within a clinical workflow
US9910965B2 (en) * 2011-09-16 2018-03-06 Aesynt Incorporated Systems, methods and computer program product for monitoring interactions with a medication storage device
US8790307B2 (en) 2011-12-01 2014-07-29 Picolife Technologies, Llc Drug delivery device and methods therefor
US10762173B2 (en) 2011-12-05 2020-09-01 Omnicell, Inc. System and method for managing inventory at dispensing units
WO2013120029A1 (en) 2012-02-10 2013-08-15 Abiogenix Inc. Dispensing device
US9700247B2 (en) 2012-03-21 2017-07-11 Hill-Rom Services, Inc. Patient support apparatus with redundant identity verification
US9443370B2 (en) 2012-03-26 2016-09-13 Omnicare, Inc. Method and apparatus for onsite distribution of medications and medical supplies
US20130282392A1 (en) 2012-04-20 2013-10-24 Scott Wurm System and method of securely storing, dispensing, and inventorying medications and samples
US8725532B1 (en) 2012-06-29 2014-05-13 Mckesson Financial Holdings Systems and methods for monitoring controlled substance distribution
US11116892B2 (en) 2012-08-28 2021-09-14 Osprey Medical, Inc. Medium injection diversion and measurement
US20140081652A1 (en) * 2012-09-14 2014-03-20 Risk Management Solutions Llc Automated Healthcare Risk Management System Utilizing Real-time Predictive Models, Risk Adjusted Provider Cost Index, Edit Analytics, Strategy Management, Managed Learning Environment, Contact Management, Forensic GUI, Case Management And Reporting System For Preventing And Detecting Healthcare Fraud, Abuse, Waste And Errors
US11246800B2 (en) 2012-10-05 2022-02-15 Alixa Rx, Llc Locking canister for dispensing medications
US20140149131A1 (en) 2012-11-27 2014-05-29 Covectra, Inc. Methods and systems for drug diversion tracking
US9342484B2 (en) 2013-01-30 2016-05-17 Carefusion 303, Inc. Variable dose dispensing system
WO2014127234A1 (en) 2013-02-16 2014-08-21 Diversion Detection Technologies, Llc Method and apparatus for detecting controlled substance abuse or diversion
US20170083681A1 (en) 2013-02-16 2017-03-23 Michael Phillip Sprintz Method and apparatus for generating a clinical presentation related to controlled substance abuse or diversion
US9355071B2 (en) * 2013-03-01 2016-05-31 Sas Institute Inc. System and method for Multivariate outlier detection
US9354178B2 (en) 2013-03-05 2016-05-31 Smiths Detection Inc. Transmission raman sample analysis
WO2014145074A1 (en) 2013-03-15 2014-09-18 Makefield Llc Functional desiccants
US9523635B2 (en) 2013-06-20 2016-12-20 Rigaku Raman Technologies, Inc. Apparatus and methods of spectral searching using wavelet transform coefficients
WO2015006701A2 (en) 2013-07-12 2015-01-15 Schuster Jeffrey A Acoustic based drug delivery monitor
US9561324B2 (en) 2013-07-19 2017-02-07 Bigfoot Biomedical, Inc. Infusion pump system and method
US20150061832A1 (en) 2013-09-05 2015-03-05 University Of Utah Research Foundation Directly observed thearpy using mobile technology
US9171280B2 (en) 2013-12-08 2015-10-27 Kit Check, Inc. Medication tracking
US9576355B2 (en) 2014-01-31 2017-02-21 Catamaran Corporation System and method of monitoring and confirming medication dosage
GB201405561D0 (en) 2014-03-27 2014-05-14 Smiths Detection Watford Ltd Detector inlet and sampling method
US9572748B2 (en) 2014-03-28 2017-02-21 Celico Partnership Prescription container and service for monitoring patients
US20150294079A1 (en) 2014-04-11 2015-10-15 Pierre R. Bergougnan Telehealth system and process
WO2015172018A1 (en) 2014-05-09 2015-11-12 Marqmetrix, Inc. Constant fluid level and equipment monitor
US20150362350A1 (en) 2014-05-09 2015-12-17 Marqmetrix, Inc. External Sensing Device for Machine Fluid Status and Machine Operation Status
WO2015187682A1 (en) 2014-06-02 2015-12-10 Marqmetrix, Inc. External sensing device for machine fluid status and machine operation status
US10473585B2 (en) 2014-06-16 2019-11-12 Murphy Brown, Llc Method and system for measuring a physical parameter of a particulate material
US10101269B2 (en) 2014-07-30 2018-10-16 Smiths Detection Inc. Estimation of water interference for spectral correction
US9752935B2 (en) 2014-08-29 2017-09-05 Marqmetrix, Inc. Portable analytical equipment
JP6313908B2 (ja) 2014-09-03 2018-04-18 ゼブラ スキマーズ コーポレイションＺｅｂｒａ Ｓｋｉｍｍｅｒｓ Ｃｏｒｐ． 液体供給方法および液体供給システム
US20160161705A1 (en) 2014-12-04 2016-06-09 Marqmetrix, Inc. Removable optical assembly
US20160259911A1 (en) 2015-03-03 2016-09-08 Danny P. Koester Automated Medication Adherence System
US20160283691A1 (en) 2015-03-23 2016-09-29 Ammar Ali System, Method and Container Assembly for Prevention of Drug Diversion and for Compliance Assurance
US10591388B2 (en) 2015-04-27 2020-03-17 Virtual Fluid Monitoring Services LLC Fluid analysis and monitoring using optical spectroscopy
US20170032102A1 (en) 2015-05-01 2017-02-02 Ahkeo Ventures LLC Systems and methods for medical dispensing, management and monitoring
AU2016257732B2 (en) 2015-05-04 2021-07-01 Carefusion 303, Inc. Fluid infusion systems and methods
US9796526B2 (en) 2015-07-27 2017-10-24 Call2Recycle, Inc. Receptacle for secure collection of waste
US20170076065A1 (en) 2015-09-10 2017-03-16 Lynx Rx, Inc. System, device, and automated method for verification of medication integrity and chain of custody
US10515722B2 (en) 2015-10-15 2019-12-24 Omnicell, Inc. Medical equipment with diversion mechanism
EP3362924B1 (en) 2015-10-16 2022-11-30 CareFusion 303, Inc. Controlled substance diversion detection systems and methods
WO2017083748A1 (en) 2015-11-13 2017-05-18 Mayo Foundation For Medical Education And Research Medication administration auditing systems and methods
US10032344B2 (en) 2016-03-29 2018-07-24 Vigilant Waste Technologies, Inc. Systems, apparatuses, and methods for disposing and documenting the disposal of controlled substances
US10675221B2 (en) 2016-07-26 2020-06-09 The Regents Of The University Of California Systems and methods for controlling and monitoring medication dispensation
US20180039736A1 (en) 2016-08-08 2018-02-08 Alicia Williams System and Method for Automated Tracking and Analysis of Pharmaceutical Use within Healthcare Facilities
IL264858B2 (en) 2016-08-17 2023-10-01 Nisha Sawhney Injection and system monitoring device
US10345242B2 (en) 2016-11-08 2019-07-09 B&W Tek Llc Reverse intensity correction for Raman spectral library search
US10956538B2 (en) 2016-12-03 2021-03-23 Verily Life Sciences Llc Low-power systems and methods for determining measurement times of values obtained by a measuring device
US10631777B2 (en) 2017-01-11 2020-04-28 Boston Scientific Neuromodulation Corporation Pain management based on functional measurements
US9958324B1 (en) 2017-02-15 2018-05-01 MarqMetrix Inc. Enclosed benchtop raman spectrometry device
US10408675B2 (en) 2017-02-15 2019-09-10 Marqmetrix, Inc. Enclosed benchtop Raman spectrometry device
EP4293343A3 (en) 2017-02-28 2024-02-28 Marqmetrix Inc. Fluid flow cell including a spherical lens
US10187288B2 (en) 2017-03-09 2019-01-22 Caterpillar Inc. Communicating data link information using a light source
US10249389B2 (en) 2017-05-12 2019-04-02 The Regents Of The University Of Michigan Individual and cohort pharmacological phenotype prediction platform
US10522252B2 (en) 2017-06-16 2019-12-31 Carefusion 303, Inc. Opioid management system
US10318729B2 (en) * 2017-07-26 2019-06-11 Forcepoint, LLC Privacy protection during insider threat monitoring
PL3662271T3 (pl) 2017-07-31 2024-02-19 Smiths Detection Inc. System do określania obecności substancji będącej przedmiotem zainteresowania w próbce
US11448588B2 (en) 2017-08-07 2022-09-20 Horiba, Ltd. Analyzer, analysis method, analyzer program, and analysis learning device
JP6981817B2 (ja) 2017-08-31 2021-12-17 株式会社堀場製作所 分光分析装置及び分光分析方法
US20190088354A1 (en) 2017-09-01 2019-03-21 Kit Check, Inc. Identifying discrepancies between events from disparate systems
WO2019084036A1 (en) 2017-10-23 2019-05-02 Cerebral Therapeutics LLC SYRINGE FOR DELIVERING MEDICINES TO IMPLANT MEDICINAL DELIVERY SYSTEMS AND METHODS OF USE THEREOF
US11424020B2 (en) 2017-12-08 2022-08-23 Actual Healthcare Solutions Cloud-based interactive digital medical imaging and patient health information exchange platform
US11081220B2 (en) 2018-02-02 2021-08-03 Carefusion 303, Inc. System and method for dispensing medication
US11222721B2 (en) 2018-05-04 2022-01-11 Carefusion 303, Inc. Peer community based anomalous behavior detection
SE542892C2 (en) 2018-12-06 2020-08-18 Eleiko Group Ab Open barbell with stand
US11804295B2 (en) 2019-01-07 2023-10-31 Carefusion 303, Inc. Machine learning based safety controller
US20200222627A1 (en) 2019-01-10 2020-07-16 Carefusion 303, Inc. System for monitoring dose pattern and patient response
CA3126700A1 (en) 2019-01-18 2020-07-23 Carefusion 303, Inc. Medication tracking system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9202052B1 (en) * 2013-06-21 2015-12-01 Emc Corporation Dynamic graph anomaly detection framework and scalable system architecture
US20150109437A1 (en) * 2013-10-18 2015-04-23 Amaryllo International, Inc. Method for controlling surveillance camera and system thereof
US20150286783A1 (en) * 2014-04-02 2015-10-08 Palo Alto Research Center Incorporated Peer group discovery for anomaly detection
US20150081324A1 (en) * 2014-08-08 2015-03-19 Brighterion, Inc Healthcare fraud preemption
US20170103203A1 (en) * 2015-10-13 2017-04-13 Paypal, Inc. Applying Multi-Level Clustering at Scale to Unlabeled Data For Anomaly Detection and Security

Also Published As

Publication number Publication date
US11222721B2 (en) 2022-01-11
US11823792B2 (en) 2023-11-21
CA3099146A1 (en) 2019-11-07
US20220093239A1 (en) 2022-03-24
WO2019213607A1 (en) 2019-11-07
EP3788634A1 (en) 2021-03-10
AU2019262215A1 (en) 2020-11-26
US20190341142A1 (en) 2019-11-07

Similar Documents

Publication Publication Date Title
CN112292733A (zh) 基于对等团体的异常行为检测
US20210343386A1 (en) System and method for dispensing medication
US11670100B2 (en) Method and apparatus for recognition of patient activity
JP6698178B2 (ja) 社会保険詐欺行為を識別する方法、装置、設備及びコンピュータ可読記憶媒体
CN110769890B (zh) 阿片类药物管理系统
US11804295B2 (en) Machine learning based safety controller
US11037666B1 (en) Method and apparatus for detecting diverted drugs
Michaud et al. Between care and control: examining surveillance practices in harm reduction
Abin et al. Causal association mining for detection of adverse drug reactions
Hu et al. Detecting anomalies in controlled drug prescription data using probabilistic models
CN113517050A (zh) 确定药方单的方法、装置、电子设备及存储介质
US20220277838A1 (en) Dosage normalization for detection of anomalous behavior
US9900329B2 (en) Computer-implemented system and method for discovering heterogeneous communities with shared anomalous components
US20210249121A1 (en) Diversion detection system
US20220375581A1 (en) Rare instance analytics for diversion detection
Li et al. A Data-Driven Iterative Approach for Semi-automatically Assessing the Correctness of Medication Value Sets: A Proof of Concept Based on Opioids
US20220027362A1 (en) Method and system for processing large amounts of real world evidence
Kyritsis et al. Anomaly detection techniques in mobile app usage data among older adults
Gullapalli et al. Joint prediction of cocaine craving and euphoria using structured prediction energy networks
Kakar MARAS: Multi-Drug Adverse Reactions Analytics System

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