CN112533527A - 在临床评估中并入场景数据 - Google Patents

在临床评估中并入场景数据 Download PDF

Info

Publication number
CN112533527A
CN112533527A CN201980052492.XA CN201980052492A CN112533527A CN 112533527 A CN112533527 A CN 112533527A CN 201980052492 A CN201980052492 A CN 201980052492A CN 112533527 A CN112533527 A CN 112533527A
Authority
CN
China
Prior art keywords
patient
classification decision
classification
decision
boundary
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
CN201980052492.XA
Other languages
English (en)
Inventor
C·Y·赵
许敏男
B·康罗伊
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN112533527A publication Critical patent/CN112533527A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

用于管理警告的方法和系统。本文描述的方法和系统接收与患者有关的分类决策。如果拟订分类决策是边界分类决策，则本文中描述的系统和方法将一个或多个警告过滤器应用于患者数据以确定警告过滤器条件。在确定警告过滤器条件与边界分类相冲突时，所述系统和方法可以向临床医师发出场景数据警告，以提示临床医师考虑与患者有关的场景数据。

Description

在临床评估中并入场景数据
技术领域
本文描述的实施例总体涉及用于改善患者护理的系统和方法，并且更具体地但非排他地涉及用于管理在患者评估、诊断和处置中的至少一个期间的警告的系统和方法。
背景技术
在临床遭遇之前、期间或之后，有关患者的场景和环境信息是做出临床支持决策的重要因素。但是，此类信息本质上是主观的，通常无法通过临床测量设备进行测量。因此，所述信息通常不被记录或者存储在电子数据库中。
另外，提醒临床医师过于频繁地考虑此类信息可能使临床医师负担过重，并导致警告疲劳。这可能导致临床医师降低对警告的敏感性和对警告采取行动的倾向。这继而可能对患者接受的护理的质量产生不利影响。
因此，需要克服现有测量和警告技术的缺点的系统和方法。
发明内容
提供本发明内容以用简化形式介绍一些概念，这些概念将在下面的具体实施例部分进一步描述。本发明内容并非旨在识别或排除要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定要求保护的主题的范围。
根据一个方面，实施例涉及用于在患者评估、诊断和处置中的至少一个期间管理警告的方法。所述方法包括：使用接口接收患者数据；使用所述接口从运行分类模型的分类器接收分类决策，其中，所述分类决策基于所述患者数据；使用运行存储在存储器中的指令的处理器来确定所述分类决策是否为边界分类决策；并且在确定所述分类决策为边界分类决策时，使用所述处理器将至少一个警告过滤器应用于所述患者数据，其中，所述至少一个警告过滤器用于确定是否向临床医师发出场景数据警告，以提示所述临床医师考虑与所述患者有关的场景数据。
在一些实施例中，所述方法还包括向临床医师发出场景数据警告以提示临床医师考虑与患者有关的场景数据。
在一些实施例中，确定所述分类决策是否为边界分类决策包括：将所述分类决策与决策边界进行比较；确定所述分类决策是否在距所述决策边界预定阈值之内；并且在确定所述分类决策在所述距决策边界的预定阈值内的情况下确定所述分类决策为边界分类决策。
在一些实施例中，应用所述至少一个警告过滤器包括分析所述患者数据以确定至少一个警告过滤器条件是否与接收到的边界分类决策相冲突，并且其中，所述方法还包括在处理器确定警告过滤器条件与接收到的边界分类决策相冲突时，向所述临床医师发出场景数据警告。在一些实施例中，所述至少一个警告过滤器条件涉及患者就诊历史，患者对处置的反应，临床测量的特征的模式，临床测量结果的类型以及测量的临床特征的变化中的至少一项。
在一些实施例中，所述至少一个警告过滤器是基于所述分类模型选择的。
在一些实施例中，与所述患者有关的所述场景数据包括患者的情绪，患者的身体外观，患者的情绪状态和患者的敏捷性中的至少一项。
根据另一个方面，实施例涉及用于在患者评估、诊断和处置中的至少一个期间管理警告的系统。所述系统包括用于从执行分类模型的分类器接收患者数据和分类决策的接口，其中，所述分类决策基于所述患者数据；并且处理器运行存储在存储器中的指令以确定分类决策是否为边界分类决策，并在确定分类决策为边界分类决策的情况下对患者数据应用至少一个警告过滤器，其中，所述至少一个警告过滤器用于确定是否向临床医师发出场景数据警告，以提示所述临床医师考虑与所述患者有关的场景数据。
在一些实施例中，所述处理器还被配置为使用用户接口向临床医师发出场景数据警告，以提示所述临床医师考虑与所述患者有关的场景数据。
在一些实施例中，所述处理器还被配置为通过以下方式来确定所述分类决策是否为边界分类决策：将所述分类决策与决策边界进行比较；确定所述分类决策是否在距所述决策边界预的定阈值之内；并且在确定所述分类决策在距所述决策边界的预定阈值内的情况下确定所述分类决策为边界分类决策。
在一些实施例中，所述处理器通过分析所述患者数据来确定至少一个警告过滤器条件是否与接收到的边界分类决策相冲突来应用至少一个警告过滤器，并且所述处理器还被配置为在确定警告过滤器条件与接收到的边界分类决策相冲突的情况下使用用户接口来向临床医师发出场景数据警告。在一些实施例中，所述至少一个警告过滤器条件涉及患者就诊历史，患者对处置的反应，临床测量的特征的模式，临床测量结果的类型以及测量的临床特征的变化中的至少一项。
在一些实施例中，所述至少一个警告过滤器是基于所述分类模型选择的。
在一些实施例中，与所述患者有关的所述场景数据包括患者的情绪，患者的身体外观，患者的情绪状态和患者的敏捷性中的至少一项。
根据又一个方面，实施例涉及一种非瞬态计算机可读介质，所述非瞬态计算机可读介质包括用于在患者评估、诊断和处置中的至少一个期间执行用于管理警告的方法的计算机可执行指令。所述介质包括：用于使用接口接收患者数据的计算机可执行指令；用于使用所述接口从运行分类模型的分类器接收分类决策的计算机可执行指令，其中，所述分类决策基于患者数据；用于使用处理器执行存储在存储器中的指令来确定所述分类决策是否为边界分类决策的计算机可执行指令；以及用于使用处理器在当确定分类决策是边界分类决策的情况下向患者数据应用至少一个警告过滤器的计算机可执行指令，其中，所述至少一个警告过滤器用于确定是否向临床医师发出场景数据警告，以提示所述临床医师考虑与所述患者有关的场景数据。
附图说明
参考以下附图描述本文中的实施例的非限制性和非穷举性实施例，其中，除非另有说明，否则相同的附图标记在各个视图中指代相同的部件。
图1图示了根据一个实施例的用于在患者评估、诊断和处置中的至少一个期间管理警告的系统；
图2图示了根据一个实施例的警告触发机制的工作流程；
图3图示了根据一个实施例的呈现决策边界的S形函数；
图4描绘了根据一个实施例的用于在患者评估、诊断和处置中的至少一个期间管理警告的方法的流程图；
图5图示了根据一个实施例的用于量化过去患者数据的时间动态的图；并且
图6描绘了根据另一实施例的用于在患者评估、诊断和处置中的至少一个期间管理警告的方法的流程图。
具体实施方式
以下参考附图更详细地描述了各种实施例，附图形成实施例的一部分，并且示出了具体的示例性实施例。然而，本公开的概念可以以许多不同的形式实现，并且不应该被解释为限于本文中阐述的实施例；相反，这些实施例是作为全面和完整公开的一部分提供的，以向本领域技术人员充分传达本公开的概念、技术和实现的范围。各实施例可以被实践为方法、系统或设备。因此，实施例可以采取硬件实现方式、完全软件实现方式或组合了软件和硬件方面的实现方式的形式。因此，以下详细描述不应被认为是限制性的。
说明书中对“一个实施例”或“实施例”的引用意味着结合所述实施例描述的特定特征、结构或特性被包括在根据本公开的至少一个范例实现方式中。在说明书中的各位置，短语“在一个实施例中”的出现不一定都指代相同的实施例。在说明书中的各位置，短语“在一些实施例中”的出现不一定都指代相同的实施例。
以下说明的一些部关于存储在计算机存储器中的非瞬态信号的操作的符号表示来呈现。这些描述和表示是数据处理领域的技术人员用来最有效地将其工作的本质传达给本领域其他技术人员。这样的操作通常需要对物理量的物理操作。通常，但是不一定，这些量采取能够被存储、传输、组合、比较和以其他方式操纵的电、磁或光学信号的形式。有时，主要是出于通常使用的原因，将这些信号称为比特、值、元素、符号、字符、术语、数字等。此外，有时方便起见，也将需要对物理量的物理操纵的步骤的特定布置称为模块或代码设备，而不失一般性。
然而，所有这些和类似的术语都将与适当的物理量相关联，并且仅仅是应用于这些量的便利标签。除非根据以下讨论显而易见另行专门陈述，应该理解，在贯穿本说明，使用诸如“处理”或“运算”或“计算”或“确定”或“显示”等术语的讨论是指计算机系统或类似电子计算设备的动作和过程，其对表示为计算机系统存储器或寄存器或其他此类信息存储、传输或显示设备内的物理(电子)量的数据进行操纵和变换。本公开的部分包括可以以软件、固件或硬件实现的过程和指令，并且当以软件实现时，可以将其下载以驻留在各种操作系统所使用的不同平台上并由其操作。
本公开还涉及一种用于执行本文中的操作的装置。该装置可以针对期望的目的而特别构造，或者其可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。这样的计算机程序可以存储在计算机可读存储介质中，例如但不限于任何类型的磁盘，包括软盘、光盘、CD-ROM、磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡、专用集成电路(ASIC)或适合于存储电子指令的任何类型的介质，并且每个介质都可以耦合到计算机系统总线。此外，说明书中提到的计算机可以包括单个处理器，或者可以是采用多个处理器设计以提高计算能力的架构。
本文提出的过程和显示并不固有地与任何特定的计算机或其他装置相关。各种通用系统也可以根据本文的教导的程序一起使用，或者构造更专用的装置来执行一个或多个方法步骤可以证明是方便的。在下面的描述中讨论了针对各种这样的系统的结构。另外，可以使用足以实现本公开的技术和实现方式的任何特定编程语言。可以使用各种编程语言来实现如本文中所讨论的本公开。
此外，说明书中使用的语言主要是为了可读性和指导性目的而选择的，并且可能没有被选择来描绘或限定本公开的主题。因此，本公开旨在说明而非限制本文中所讨论的概念的范围。
本文描述的实施例提供了用于在对患者的评估、诊断和/或处置中的至少一个期间考虑与患者有关的场景和/或环境(为了简单起见，“场景”)信息的系统和方法。例如，诸如患者的情绪、患者的总体外观、患者的移动和行走方式(例如，他们是否需要支撑)以及对临床遭遇的次级反应等的特征可能在提供患者护理中有帮助。
但是，此信息本质上是主观的，不能轻易或自动地由传感器设备测量。因此，在提供有关患者的分类决策时，机器学习程序通常不考虑该信息。
因此，分类模型可能没有考虑相关信息或没有考虑所有相关信息来对患者做出可靠的分类决策。结果，分类模型可以输出指示难以实现准确分类的“边界”分类决策(例如，因为场景数据不是以数字形式收集/存储的并且因此未被考虑)。这些临界的分类决策最终可能导致假阳性和假阴性，并且患者被错误处置。
因此，在这些临界情况下，临床护理系统和方法可以通过考虑与患者有关的场景信息来改进。换句话说，如果考虑场景信息，而不是仅依赖于边界分类决策的临床医师，则临床医师的决策可能更准确。
因此，本申请的特征可以警告临床医师这些临界情况并提示临床医师进一步考虑与患者有关的特定场景信息。该信息可以以临床医师的输入的形式出现，因此，系统和方法可以利用临床医师的临床经验来提供除(一个或多个)分类模型所提供的见解之外的见解。
然而，本文描述的各种实施例的特征还考虑了不希望的潜在以过多的警告使临床医师过度负担的可能性。过多的警告可能导致警告疲劳，在这种情况下，临床医师会降低对警告的敏感性以及采取警告的动力。实际上，与警告相关的问题已被列为最严重的技术健康危害。
此外，警告通常伴随着声音，这些声音可能会对患者的舒适度产生不利影响(例如，导致压力增加，谵妄等)。对于脆弱的患者，例如婴儿或重症监护病房的患者，尤其如此。
因此，本文描述的各种实施例的特征可以首先考虑分类决策是否是边界分类决策。如果是这样，则可以将一个或多个警告过滤器应用于患者数据以确定一个或多个警告过滤器状况。如果警告过滤器条件与边界分类决策相冲突或相反，则可以向临床医师发出场景数据警告以提示临床医师考虑与患者有关的特定场景数据。如果警告条件与分类决策相符或者不与其冲突，则不发出场景数据警告。
图1图示了用于在患者评估、诊断和处置中的至少一项期间管理警告的系统100。系统100可以包括经由一个或多个系统总线110互连的处理器120、存储器130、用户接口140、网络接口150和存储设备160。应该理解，在一些方面中，图1构成抽象，并且系统100的实际组织及其部件可以与所示的不同。
处理器120可以是能够执行存储在存储器130上，或存储设备160上或者能够处理数据的指令的任何硬件设备。这样，处理器120可以包括微处理器、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其他类似设备。
存储器130可以包括各种存储器，例如L1、L2或L3高速缓存或系统存储器。这样，存储器130可以包括静态随机存取存储器(SRAM)、动态RAM(DRAM)、闪存、只读存储器(ROM)或其他类似的存储器设备。只要可以执行用于管理警告的指令，存储器130的确切配置就可以改变。
用户接口140可以在一个或多个设备上执行，以使得能够与诸如临床医师或其他类型的医务人员的用户进行通信。例如，用户接口140可以包括用于接收用户命令的显示器、鼠标和键盘。在一些实施例中，用户接口140可以包括命令行接口或图形用户接口，其可以经由网络接口150呈现给远程终端。
用户接口140可以在诸如PC、膝上型电脑、平板电脑、移动设备、智能手表等的用户设备上执行。用户接口140和其执行在其上的设备的确切配置以及本文描述的各种实施例的特征可以被实现。
网络接口150可以包括用于实现与其他硬件设备的通信的一个或多个设备。例如，网络接口150可以包括被配置为根据以太网协议进行通信的网络接口卡(NIC)。另外，网络接口150可以根据TCP/IP协议实现用于通信的TCP/IP栈。用于网络接口150的各种替代或附加硬件或配置将是显而易见的。
网络接口150可以与一个或多个传感器设备151可操作地通信。在健康护理场景中，这些传感器可以包括配置为患者监视设备的部分的传感器，所述传感器收集各种类型的信息，从而得到患者的健康状况。
当然，所使用的传感器设备151的类型可以变化并且可以取决于患者和场景。因此，可以使用任何类型的传感器设备151，只要它们可以收集或以其他方式获得关于被分析实体的所采集的数据即可。
(一个或多个)传感器设备151可以通过可以将各种部件与各种类型的网络连接进行连接的一个或多个网络与系统100通信。所述(一个或多个)网络可以包括互联网，内联网，个人局域网(PAN)，局域网(LAN)，广域网(WAN)，城域网(MAN)，存储区域网(SAN)，帧中继连接，高级智能网络(AIN)连接，同步光网络(SONET)连接，数字T1，T3，E1或E3线路，数字数据服务(DDS)连接，数字用户线(DSL)连接，以太网连接，综合服务数字网络(ISDN)线，拨号端口(例如V.90，V.34，或V.34bis模拟调制解调器连接，线缆调制解调器，异步传输模式(ATM)连接，光纤分布式数据接口(FDDI)连接，铜缆分布式数据接口(CDDI)连接或光学/DWDM网络。
所述一个或多个网络还可以包括，包括或连接到无线应用协议(WAP)链路，Wi-Fi链路，微波链路，通用分组无线服务(GPRS)链路，全球系统中的任何一个或多个用于移动通信G(SM)链路，码分多址(CDMA)链路或时分多址(TDMA)链路，例如蜂窝电话信道，全球定位系统(GPS)链路，蜂窝数字分组数据(CDPD)链接，动态研究有限公司(RIM)，双工寻呼类型设备，蓝牙无线电链接或基于IEEE 802.11的链接。
存储器160可以包括一个或多个机器可读存储介质，诸如只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存设备或类似的存储介质。在各种实施例中，存储设备160可以存储用于由处理器120执行的指令或者处理器120可以操作的数据。例如，存储器160可以包括边界分类识别指令161，一个或多个分类模型162和163，临床医师警告指令164以及适用于一个或多个分类模型的一个或多个警告过滤器165和166。
图2图示了根据一个实施例的警告触发机制的工作流程200。步骤202涉及采集或以其他方式接收一种或多种类型的患者数据。该患者数据可包括但不限于患者人口统计学，患者生命，患者实验室，患者超声心动图数据，患者药物，患者就诊史，患者对(一个或多个)处置的反应，临床测量的特征的模式，临床测量的类型和/或方法，测量的临床特征的变化等中的至少一项。上面的列举不是穷尽的，并且可以考虑其他类型的患者数据来实现本文所述的各种实施例的特征。
在步骤204中，一个或多个分类模型(例如模型162和163)可以分析步骤202的患者数据以获得分类决策。例如，分类决策可以涉及患者是否对某状况测试呈阳性，患者是否应该出院或被送往医学单位，或者患者是否应开处方某些药物。
一个或多个模型可以执行任何类型的合适的机器学习分类过程。这些可以包括但不限于逻辑回归、随机森林、神经网络等。
步骤206可以涉及从(一个或多个)分类模型接收分类决策。例如，在一些实施例中，输出可以例如包括患者是否应被收入特定健康护理单元的概率或患者患有某种状况的概率。
步骤208涉及分析分类决策以确定该分类决策是否为边界分类决策。该步骤可以由执行图1的边界识别指令161的医师/临床医师警告机制来执行。
边界识别指令161可以根据以下方式来确定分类决策是否是边界分类决策。如果当前遭遇pi的分类决策在决策边界pb的阈值pthresh内，则该分类决策为边界分类决策。换句话说，边界分类指令161在确定以下各项时确定分类决策是边界分类：
|pi-pb|<pthresh
这些边界可以以多种方式确定和/或呈现。例如，图3呈现了S形函数300，其呈现了决策边界pb，其在每个分类过程的训练期间预先确定。例如，可以学习决策边界pb，使得边界之上的值导致肯定的分类(例如，允许患者入院)，等于或低于边界的值导致否定的分类(例如，使患者出院)。在图3中也示出了当前测试用例的分类决策pi，以及阈值pthresh1和pthresh2，其是用户定义的参数。
如图3中所示，分类决策pi落在决策边界pb与阈值pthresh2之间的区域内。因此，图3中所示的分析可以导致边界分类决策。尽管图3图示了S形函数，但是可以使用其他类型的函数或分类方法来确定分类决策是否为边界分类决策。
在确定分类决策为边界分类决策时，临床医师警告机制可以在步骤208中确定任何适用的警告过滤器条件是否与分类决策相冲突，并可以在步骤210中呈现患者信息。如果警告过滤器条件与边界分类决策相冲突，则在步骤212中，临床医师警告机制可以发出警告以提示临床医师考虑/提供关于与患者有关的场景数据的输入。
图4描绘了根据一个实施例的用于管理警告的方法400的流程图。具体地，方法400包括可由图2的临床医师警告机制执行的几个步骤。步骤410涉及根据一些准则来选择用于对患者进行分类的分类模型。在步骤410中选择的分类模型可以包括任何类型的机器学习算法，例如逻辑回归，随机森林，卷积神经网络(CNN)，递归神经网络(RNN)等。
步骤420涉及将在步骤410中选择的分类模型应用于患者数据以接收关于患者的分类决策。分类决策可以涉及患者应该被送入医学机构(例如其特定部门)还是应该出院并送回家。或者，在其他实施例中，分类决策可以涉及患者是否被诊断出具有特定状况。在再其他实施例中，分类决策可以涉及是否应当给患者开处方某些药物。这些实施例仅是示例性的，并且预期分类模型可以被配置为做出其他类型的分类决策。
步骤430涉及确定分类决策是否为边界分类决策。如上所述，分类模型可能无法以所需或期望水平的置信度做出分类决策。
例如，如果分类模型被配置为输出关于数值的分类(例如，如图3所示的S形函数标度)，则在分类决策落入距决策边界的阈值距离内的情况下，可以将该分类决策视为边界分类。
如果步骤430中的答案为否(即，分类决策不是边界分类决策)，则方法400可以前进至步骤440。步骤440指定如果分类决策不是边界分类则将不发出场景数据警告。这主要是因为没有所要求的不确定度，因此不需要其他场景数据即可获得准确的分类决策。
如果步骤430中的答案为是(即，分类决策是边界分类)，则方法400可以前进至步骤450。步骤450涉及应用至少一个警告过滤器。(一个或多个)警告过滤器考虑某些类型的患者数据，以获得对患者总体状态的更深入的见解，以及临床医师对患者健康的了解。
经受警告过滤器的数据可以包括分类所基于的一些或全部数据。额外地或者替代地，经受警告过滤器的数据可以包括与分类决策所基于的数据不同的数据。
在一些实施例中，警告过滤器可以考虑患者就诊历史。例如，如果患者第一次因特定症状而去急诊室(ED)，通常会接收他们入院以接受更彻底的检查。如果患者针对(一个或多个)相同的状况并在短时间内重复访问ED，接收患者到医院(或其特定部门)将有助于确定状况是否在恶化以及与状况相关的原因。另一方面，如果在较长的时间间隔内进行多次访问，则努力可能导向在急诊室使患者稳定，然后将其送回家。
换句话说，如果分类决策是患者入院的指示，并且这是患者第一次去医院，则临床医师可能希望进行更彻底的检查。因此，警告筛选器可能是“这是患者的第一次访问吗？”如果答案是“是”，则该方法可能最终更倾向于发出场景数据警告以提示临床医师输入或者考虑与患者有关的场景数据。
另一方面，如果分类决策是允许患者入院的指示，但患者过去曾进行过多次访问，则临床医师可能已经熟悉了患者。在这种情况下，方法400可能更倾向于不发出场景数据警告，因为这可能只会使临床医师烦恼。或者，可以应用另一个警告筛选器。
另一个警告过滤器可以寻找指示高急性的测量模式，从而保证患者可以接受更高水平的护理。这些模式可以包括但不限于测量的存在，测量的频率，以及获得测量的方法等。
仅当临床医师已经担心患者的状况时，特定测量才由临床医师预约。因此，已预约特定测量的事实本身就指示了患者的恶化状态(以及临床医师对患者恶化状态的了解)。在这些情况下，方法400可能倾向于不发出场景数据警告，因为临床医师已经熟悉患者和患者的状态。
这些特征可以通过分析在患者群体中不太常见的特征来发现。另外，如果测量结果(例如，生命体征)测量得过于频繁，则通常指示护理团队对患者的恶化状态有所了解。此外，使用侵入性(与非侵入性相反)测量方法或更高灵敏度的方法来测量一定的临床价值通常指示更高的紧急性。
例如，有创测量的血压比无创方法指示更高的临床医师关注度。在这些情况下，警告临床医师临界的入院决策是多余的，应该避免，因为临床医师已经知道患者正在恶化并且应该入院。
另一个警告过滤器可能与患者数据趋势有关。对于患有潜在的慢性疾病而导致急性恶化的患者，患者的病史或患者随时间变化的方式在导向临床决策时尤为重要。因此，过去患者数据的趋势分析可以提供有关患者状况的宝贵见解。
例如，图5图示了用于量化过去数据的时间动态的曲线图500。诸如最小，最大，中位数，标准偏差，当前数据点x到最小值的相对距离(即，(x-Min)/(Max-Min))，当前数据点x的Z得分的统计信息是非常有用的度量。此外，过去数据点的线性回归的斜率和截距也具有临床意义。
在过去数据的不同时间持续时间内进行上述分析也可能是有用的。例如，可以考虑所有可用数据，或者仅考虑来自某个窗口的数据，例如过去六个月，过去一个月，过去7天，过去2天，过去24小时，分诊期间等。如果访问的临床值如上述统计数据所示在很大程度上变化，则警告过滤器条件可能建议患者应入院。
另一个警告过滤器可以考虑患者对处置的反应性和/或急诊室中提供给患者的处置的积极性。如果患者对急诊室的处置有反应并稳定下来，则临床医师应考虑可能的出院。但是，如果边界分类决策是允许患者入院，并且患者已经对处置做出反应并且已稳定下来，则由于警告过滤器条件与分类决策相冲突，应向临床医师发出警告。换句话说，如果边界分类决策是允许患者入院，但其他患者数据显示患者对治疗有反应且已稳定下来，则应向临床医师发出警告，提示临床医师考虑与患者有关的场景数据。
例如，如果患者对ED中施予的利尿剂反应良好，则可能考虑出院。评估处置反应性的简单方法可能是估计药物的剂量和持续时间。例如，可以计算具有不同给药途径的不同类型利尿药的等效剂量(例如，每次口服滴注IV，连续IV泵等)。不断增加的剂量通常指示无反应，因此需要接受更高水平的护理。更全面但复杂的评估可能是通过分析胸部X射线图像上的水肿和液体保留的变化来进行的。
返回参考图4，步骤460涉及确定警告筛选条件是否与步骤420中的分类决策相冲突。可以设置或以其他方式配置诸如以上讨论的过滤器，以确定特定类型的患者数据是否满足/不满足对患者健康状况具有一定显著性或一些潜在性的一种或多种状况。如果一个或多个警告过滤器条件不与(一个或多个)分类决策相冲突，则方法400可以进行到步骤440，并且将不发出场景数据警告。
例如，分类决策可能是接收患者进入急诊室。警告过滤器条件(基于(一个或多个)警告过滤器)可以指示患者对处置没有反应。在这种情况下，可以说警告条件与分类决策一致或者冲突。然后，方法400可以进行到步骤440，在这种情况下，不发出场景数据警告。
另一方面，如果警告条件指示患者对处置有反应，则可以说警告过滤器条件与允许患者接受ED的分类决策相冲突。在这种情况下，图4的方法400可以进行到步骤470。
步骤470涉及向临床医师发出场景数据警告。场景数据警告可以提示临床医师考虑与患者有关的特定类型的场景数据，以便患者可以接受更适当的处置。如上所述，通常不记录关于患者的该信息。但是，可以将其合并到决策过程中以解决困难的案例(即，具有边界分类决策的案例)。
可以通过任何合适的用户设备向临床医师发出警告。这些警告可以包括基于音频的警告、基于视觉的警告、基于触觉的警告或其某种组合。例如，返回参考图2，本文描述的系统和方法可以经由在任何合适的用户设备上执行的任何合适的接口来输出患者信息的自适应显示，并提示临床医师输入与患者有关的特定类型的场景信息。
具体地，所述警告可以包括针对临床医师的注意的提示，更详细的临床参数及其时间趋势的呈现以及临界临床值的呈现。该信息可以以任何适当的形式来呈现，例如文本、图形、音频消息、图形、动画等。
然后，临床医师可以考虑分类模型无法观察到的有关患者和/或患者遭遇的场景信息。临床医师可以使用诸如键盘，鼠标，麦克风的输入设备来输入该场景信息，或者通过与显示器上的触摸屏进行交互，扫描要通过OCR技术进行分析的手写便笺等。
图6描绘了根据一个实施例的用于管理警告的方法600的流程图。步骤602涉及使用接口来接收患者数据。当然，接收到的患者数据的类型可能变化并且可能取决于患者访问医学机构的原因。
可以经由诸如图1的接口150的接口来接收患者数据。可以通过任何合适的传感器设备来收集患者数据，诸如用于测量患者参数的那些传感器，诸如在图2的步骤202中列出的那些。
步骤604涉及使用接口从运行分类模型的分类器接收分类决策，其中，所述分类决策基于所述患者数据。分类决策可以涉及临床护理决定，例如是允许患者进入医学机构部门还是要处置患者并将其送回家。可以通过执行一个或多个各种机器学习程序(例如逻辑回归、随机森林、CNN、RNN等)的任何合适的分类模型来做出分类决策。
步骤606涉及使用运行存储在存储器中的指令的处理器来确定所述分类决策是否为边界分类决策。通常，由于例如缺乏某些类型的患者数据，分类决策可能没有期望的置信度。
例如，分类决策可以在决策边界的某个阈值之内，如结合图3所描述的。如果分类决策落在距分类决策边界的阈值距离之内，则可以将其称为边界分类决策。
步骤608涉及在确定所述分类决策为边界分类决策时，使用所述处理器将至少一个警告过滤器应用于所述患者数据，其中，所述至少一个警告过滤器用于确定是否向临床医师发出场景数据警告，以提示所述临床医师考虑与所述患者有关的场景数据。所述至少一个警告过滤器可以应用于某些类型的患者数据，以确定一种或多种警告过滤器状况。如上所述，警告过滤器条件可以与关于患者的健康，他们的个人病史，他们的病史等的特定方面有关。该信息可以包括患者是否对先前的治疗有很好的反应，先前测量的患者参数的类型，这些参数如何先前被测量等。
步骤610是任选的，并且包括向临床医师发出场景数据警告以提示临床医师考虑与患者有关的场景数据。诸如图1的处理器120的处理器可可以结合边界分类决策来分析警告过滤器条件，以确定警告过滤器条件是否与边界分类决策相冲突。一旦确定警告过滤器条件与分类决策相冲突，处理器就可以通过接口发出场景数据警告，以提示临床医师考虑与患者有关的场景数据。
上面讨论的方法、系统和设备是示例。各种配置可以适当地省略、替换或添加各种过程或部件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，并且可以添加、省略或组合各种步骤。而且，关于某些配置描述的特征可以以各种其他配置组合。可以以类似的方式组合配置的不同方面和元素。此外，技术在发展，因此，许多元素是示例，并且不限制本公开或权利要求的范围。
上面参照根据本公开的实施例的方法、系统和计算机程序产品的框图和/或操作说明来描述了本公开的实施例。方框中记载的功能/动作可能按照不同于任何流程图中所示的顺序发生。例如，取决于所涉及的功能/动作，相继地示出的两个块实际上可以基本上同时执行，或者块有时可以以相反的顺序执行。额外地或者替代地，并不是任何流程图中示出的所有块都需要执行和/或运行。例如，如果给定的流程图具有包含功能/动作的五个块，则可能的情况是，仅执行和/或运行五个块中的三个块。在该范例中，可以执行和/运执行五个块中的任意三个。
值超过(或大于)第一阈值的陈述等同于该值满足或超过略大于第一阈值的第二阈值的陈述，例如，第二阈值是一个值高于相关系统分辨率中的第一个阈值。值小于第一阈值(或在其之内)的陈述等同于该值小于或等于略低于第一阈值的第二阈值的陈述，例如，第二阈值是相关系统分辨率中低于第一阈值的一个值。
在说明书中提出了具体细节以提供对示例配置(包括实现方式)的透彻理解。然而，可以在没有这些具体细节的情况下实践配置。例如，已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节，以避免使配置模糊。本说明仅提供示例配置，并且不限制权利要求的范围、适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的实现的描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
已经描述了若干示例配置，可以使用各种修改、替代构造和等同物而不脱离本公开的精神。例如，上述元素可以是更大系统的部件，其中，其他规则可以优先于或以其他方式修改本公开的各种实现或技术的应用。而且，可以在考虑上述元素之前、期间或之后进行许多步骤。
已经提供了本申请的描述和说明，本领域技术人员可以设想到落入本申请中所讨论的总体发明概念中的变型、修改和替代实施例，其不脱离权利要求的范围。
例如，上述系统和方法可以应用于急性心力衰竭(AHF)患者的急诊分诊。急诊科是针对AHF患者的第一道护理，需要迅速做出“入院”或“送回家”的分诊决定。
为了减轻急诊室和医学机构(例如医院)的整体负担，上述系统和方法可以分析患有心力衰竭的患者，以识别应该住院的患者以及可以处置并送回家的患者。因此，上述系统和方法可以通过上游机器学习分类算法帮助正确地识别边界病例，并在适当时提示临床医师在当前患者和患者遭遇的情况下重新考虑模型的分类/分诊决策。如上所述，所述场景信息通常不会被记录，因此不被算法考虑。
实际上，几种类型的场景信息对急性发作有贡献，但并未记录或存储在电子数据库中。因此，上述各种实施例的系统和方法改善了例如AHF患者的管理。
除了AHF之外，上述各种实施例的系统和方法可以推广到其他状况，例如肾脏疾病，哮喘和COPD。警告机制的不同版本可以与各种不同的机器学习过程结合使用。例如，与AHF结合使用的警告触发器可能与用于慢性肾脏疾病的警告触发器不同。另外，所提出的框架可以适诮于变化的临床实践以及在临床医师、医院、地理区域等之间的变化。
上述各种实施例的系统和方法还可被概括为在除ED之外的临床设置中转移决策。例如，上述系统和方法可以在普通病房中实现。
实际上，为提示临床医师提供场景信息而概述的过程可以推广到任何分类任务。例如，上述系统和方法可以应用于涉及金融市场分析、物流操作、制造、天气分析等的分类任务。
不管确切的应用如何，都可以基于距离度量的分类概率(例如，欧几里得距离)来识别接近决策边界的边界情况。(一个或多个)警告机制可以与上游机器学习分类模型共同开发。因此，可以基于所使用的分类模型来应用特定的警告过滤器。
额外地或替代地，警告机制可以与现有的CDS算法一起使用，例如由申请人开发的那些。另外，可以使用机器学习来创建警告系统和方法，所述机器学习的目标群体是由上游分类算法识别的边界事件的子群体，从而构建算法的层级结构。例如，如果该算法的相关决策与该方法指定的任何条件之一的决策相违背，则可以针对候选情况发出警告。如果部署了机器学习，则可以了解条件之间更复杂的关系。最后，上述警告疲劳预防方法可用于开发新的CDS算法或完善现有算法。

Claims (15)

1.一种用于在患者评估、诊断和处置中的至少一项期间管理警告的方法，所述方法包括：
使用接口接收患者数据；
使用所述接口从运行分类模型的分类器接收分类决策，其中，所述分类决策基于所述患者数据；
使用运行存储在存储器中的指令的处理器来确定所述分类决策是否为边界分类决策；并且
在确定所述分类决策为边界分类决策时，使用所述处理器将至少一个警告过滤器应用于所述患者数据，其中，所述至少一个警告过滤器用于确定是否向临床医师发出场景数据警告以提示所述临床医师考虑与所述患者有关的场景数据。
2.根据权利要求1所述的方法，还包括向所述临床医师发出场景数据警告以提示所述临床医师考虑与所述患者有关的场景数据。
3.根据权利要求1所述的方法，其中，确定所述分类决策是否为边界分类包括：
将所述分类决策与决策边界进行比较，
确定所述分类决策是否在距所述决策边界的预定阈值内，并且
在确定所述分类决策在距所述决策边界的所述预定阈值内的情况下，确定所述分类决策是边界分类决策。
4.根据权利要求1所述的方法，其中，应用所述至少一个警告过滤器包括分析所述患者数据以确定至少一个警告过滤器条件是否与接收到的边界分类决策相冲突，并且
其中，所述方法还包括在所述处理器确定警告过滤器条件与接收到的边界分类决策相冲突时，向所述临床医师发出场景数据警告。
5.根据权利要求4所述的方法，其中，所述至少一个警告过滤器条件包括以下中的至少一项：患者就诊历史、患者对处置的反应、临床测量的特征的模式、临床测量结果的类型以及测量的临床特征的变化。
6.根据权利要求1所述的方法，其中，所述至少一个警告过滤器是基于所述分类模型选择的。
7.根据权利要求1所述的方法，其中，与所述患者有关的所述场景数据包括以下中的至少一项：患者的情绪、患者的身体外观、患者的情绪状态和患者的敏捷性。
8.一种用于在患者评估、诊断和处置中的至少一项期间管理警告的系统，所述系统包括：
接口，其用于接收以下项：
患者数据，以及
来自执行分类模型的分类器的分类决策，其中，所述分类决策基于所述患者数据；以及
处理器，其执行存储在存储器中的指令以：
确定所述分类决策是否为边界分类，并且
在确定所述分类决策为边界分类决策的情况下，将至少一个警告过滤器应用于所述患者数据，其中，所述至少一个警告过滤器用于确定是否向临床医师发出场景数据警告以提示所述临床医师考虑与所述患者有关的场景数据。
9.根据权利要求8所述的系统，其中，所述处理器还被配置为使用用户接口向所述临床医师发出场景数据警告，以提示所述临床医师考虑与所述患者有关的场景数据。
10.根据权利要求8所述的系统，其中，所述处理器还被配置为通过以下方式来确定所述分类决策是否为边界分类决策：
将所述分类决策与决策边界进行比较，
确定所述分类决策是否在距所述决策边界的预定阈值内，并且
在确定所述分类决策在距所述决策边界的预定阈值内的情况下，确定所述分类决策是边界分类决策。
11.根据权利要求8所述的系统，其中，所述处理器通过分析所述患者数据以确定至少一个警告过滤器条件是否与接收到的边界分类决策相冲突而应用至少一个警告过滤器，并且所述处理器还被配置为在确定警告条件与接收到的边界分类决策相冲突的情况下使用用户接口来向所述临床医师发出场景数据警告。
12.根据权利要求11所述的系统，其中，所述至少一个警告过滤器条件包括以下中的至少一项：患者就诊历史、患者对处置的反应、临床测量的特征的模式、临床测量结果的类型以及测量的临床特征的变化。
13.根据权利要求8所述的系统，其中，所述至少一个警告过滤器是基于所述分类模型选择的。
14.根据权利要求8所述的系统，其中，与所述患者有关的所述场景数据包括以下中的至少一项：患者的情绪、患者的身体外观、患者的情绪状态和患者的敏捷性。
15.一种非瞬态计算机可读介质，包含用于在至少一个患者评估、诊断和处置期间执行用于管理警告的方法的计算机可执行指令，所述介质包括：
用于使用接口来接收患者数据的计算机可执行指令；
用于使用所述接口来从执行分类模型的分类器接收分类决策的计算机可执行指令，其中，所述分类决策基于所述患者数据；
用于使用运行存储在存储器中的指令的处理器来确定所述分类决策是否为边界分类决策的计算机可执行指令；以及
用于在确定所述分类决策为边界分类决策的情况下使用所述处理器将至少一个警告过滤器应用于所述患者数据的计算机可执行指令，其中，所述至少一个警告过滤器用于确定是否向临床医师发出场景数据警告以提示所述临床医师考虑与所述患者有关的场景数据。
CN201980052492.XA 2018-08-08 2019-07-30 在临床评估中并入场景数据 Pending CN112533527A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862715825P 2018-08-08 2018-08-08
US62/715,825 2018-08-08
PCT/EP2019/070557 WO2020030480A1 (en) 2018-08-08 2019-07-30 Incorporating contextual data in a clinical assessment

Publications (1)

Publication Number Publication Date
CN112533527A true CN112533527A (zh) 2021-03-19

Family

ID=67514636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980052492.XA Pending CN112533527A (zh) 2018-08-08 2019-07-30 在临床评估中并入场景数据

Country Status (5)

Country Link
US (1) US20210298686A1 (zh)
EP (1) EP3833240B1 (zh)
JP (1) JP7420753B2 (zh)
CN (1) CN112533527A (zh)
WO (1) WO2020030480A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210202052A1 (en) * 2019-12-31 2021-07-01 Cerner Innovation, Inc. Patient safety using virtual observation

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040260666A1 (en) * 2000-09-21 2004-12-23 Pestotnik Stanley L. Systems and methods for manipulating medical data via a decision support system
US20100280847A1 (en) * 2007-12-21 2010-11-04 Koninklijke Philips Electronics N.V. Detection of errors in the inference engine of a clinical decision support system
CN102483815A (zh) * 2009-09-04 2012-05-30 皇家飞利浦电子股份有限公司 临床决策支持
US20130035581A1 (en) * 2011-08-05 2013-02-07 General Electric Company Augmented reality enhanced triage systems and methods for emergency medical services
US20140155763A1 (en) * 2012-12-03 2014-06-05 Ben F. Bruce Medical analysis and diagnostic system
CN104040547A (zh) * 2011-12-21 2014-09-10 皇家飞利浦有限公司 用于预测生理和临床状态改变的方法和系统
US20150213224A1 (en) * 2012-09-13 2015-07-30 Parkland Center For Clinical Innovation Holistic hospital patient care and management system and method for automated patient monitoring
US20160302671A1 (en) * 2015-04-16 2016-10-20 Microsoft Technology Licensing, Llc Prediction of Health Status from Physiological Data
US20160371446A1 (en) * 2015-06-19 2016-12-22 Yosko, Inc. Methods and systems for providing medical decision support
US20170098037A1 (en) * 2015-10-06 2017-04-06 Cerner Innovation, Inc. Alert optimizer
US20170124269A1 (en) * 2013-08-12 2017-05-04 Cerner Innovation, Inc. Determining new knowledge for clinical decision support
US20170308650A1 (en) * 2014-09-14 2017-10-26 Voalte, Inc. Intelligent Integration, Analysis, and Presentation of Notifications in Mobile Health Systems

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7689437B1 (en) * 2000-06-16 2010-03-30 Bodymedia, Inc. System for monitoring health, wellness and fitness
WO2008141024A1 (en) 2007-05-10 2008-11-20 Advanced Breath Diagnostics, Llc Methods and systems for assessing gastric emptying
JP2009187100A (ja) 2008-02-04 2009-08-20 Nippon Telegr & Teleph Corp <Ntt> 保健指導支援装置、保健指導支援システム、保健指導支援方法、およびプログラム
US20120078062A1 (en) * 2010-09-24 2012-03-29 International Business Machines Corporation Decision-support application and system for medical differential-diagnosis and treatment using a question-answering system
JP6166253B2 (ja) 2011-03-25 2017-07-19 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 着用可能な医療装置においてアラームを適合させるためのコントローラおよび方法
US10585940B2 (en) * 2014-05-12 2020-03-10 Koninklijke Philips N.V. Method and system for computer-aided patient stratification based on case difficulty
US9649073B2 (en) 2014-09-14 2017-05-16 Voalte, Inc. Usage modeling for intelligent management of alarms and messages in mobile health systems
JP6828055B2 (ja) 2016-05-04 2021-02-10 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 患者緊急度の臨床医評価の推定及び使用
WO2018099767A1 (en) * 2016-11-29 2018-06-07 Koninklijke Philips N.V. False alarm detection
US11484283B2 (en) * 2016-12-02 2022-11-01 Children's National Medical Center Apparatus and method for identification of wheezing in ausculated lung sounds

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040260666A1 (en) * 2000-09-21 2004-12-23 Pestotnik Stanley L. Systems and methods for manipulating medical data via a decision support system
US20100280847A1 (en) * 2007-12-21 2010-11-04 Koninklijke Philips Electronics N.V. Detection of errors in the inference engine of a clinical decision support system
CN102483815A (zh) * 2009-09-04 2012-05-30 皇家飞利浦电子股份有限公司 临床决策支持
US20130035581A1 (en) * 2011-08-05 2013-02-07 General Electric Company Augmented reality enhanced triage systems and methods for emergency medical services
US20150006088A1 (en) * 2011-12-21 2015-01-01 Koninklijke Philips N.V. Method and system to predict physiologic and clinical status changes
CN104040547A (zh) * 2011-12-21 2014-09-10 皇家飞利浦有限公司 用于预测生理和临床状态改变的方法和系统
US20150213224A1 (en) * 2012-09-13 2015-07-30 Parkland Center For Clinical Innovation Holistic hospital patient care and management system and method for automated patient monitoring
US20140155763A1 (en) * 2012-12-03 2014-06-05 Ben F. Bruce Medical analysis and diagnostic system
US20170124269A1 (en) * 2013-08-12 2017-05-04 Cerner Innovation, Inc. Determining new knowledge for clinical decision support
US20170308650A1 (en) * 2014-09-14 2017-10-26 Voalte, Inc. Intelligent Integration, Analysis, and Presentation of Notifications in Mobile Health Systems
US20160302671A1 (en) * 2015-04-16 2016-10-20 Microsoft Technology Licensing, Llc Prediction of Health Status from Physiological Data
US20160371446A1 (en) * 2015-06-19 2016-12-22 Yosko, Inc. Methods and systems for providing medical decision support
US20170098037A1 (en) * 2015-10-06 2017-04-06 Cerner Innovation, Inc. Alert optimizer

Also Published As

Publication number Publication date
JP7420753B2 (ja) 2024-01-23
US20210298686A1 (en) 2021-09-30
EP3833240B1 (en) 2024-05-15
EP3833240A1 (en) 2021-06-16
WO2020030480A1 (en) 2020-02-13
JP2021532445A (ja) 2021-11-25

Similar Documents

Publication Publication Date Title
van der Heijden et al. An autonomous mobile system for the management of COPD
Hauskrecht et al. Outlier detection for patient monitoring and alerting
US10039485B2 (en) Method and system for assessing mental state
US11923094B2 (en) Monitoring predictive models
US9861308B2 (en) Method and system for monitoring stress conditions
JP2010514497A (ja) リスク層別化のための患者間比較
US20170132383A1 (en) Systems and methods for automated rule generation and discovery for detection of health state changes
US20170193181A1 (en) Remote patient monitoring system
US20220165417A1 (en) Population-level gaussian processes for clinical time series forecasting
JP2013148996A (ja) 重症度判定装置、及び、重症度判定方法
US20140149129A1 (en) Healthcare fraud detection using language modeling and co-morbidity analysis
US20230053474A1 (en) Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology
US9111024B2 (en) Medical treatment management device, method, and program for tracking and advising patient caregivers
EP3833240B1 (en) Incorporating contextual data in a clinical assessment
Pugh et al. Evaluating alarm classifiers with high-confidence data programming
US20150235000A1 (en) Developing health information feature abstractions from intra-individual temporal variance heteroskedasticity
CA3168393A1 (en) Methods and systems for generating behavioral insights using survey instruments and diabetes treatment information
Pechenizkiy et al. Heart failure hospitalization prediction in remote patient management systems
US20210407686A1 (en) Detecting Early Symptoms And Providing Preventative Healthcare Using Minimally Required But Sufficient Data
Khatter et al. Machine Learning-Based Automated Medical Diagnosis for Healthcare
JP2019504404A (ja) 挙動学習臨床支援
US20220189637A1 (en) Automatic early prediction of neurodegenerative diseases
US20230360780A1 (en) Generating information indicative of an interaction
US20230011880A1 (en) System and method for real-time prediction of hospital discharge disposition and deferring clinical services
Guleria et al. XAI Framework for Cardiovascular Disease Prediction Using Classification Techniques. Electronics 2022, 11, 4086

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