CN112771621A - 为患者选择处置 - Google Patents
为患者选择处置 Download PDFInfo
- Publication number
- CN112771621A CN112771621A CN201980063447.4A CN201980063447A CN112771621A CN 112771621 A CN112771621 A CN 112771621A CN 201980063447 A CN201980063447 A CN 201980063447A CN 112771621 A CN112771621 A CN 112771621A
- Authority
- CN
- China
- Prior art keywords
- follow
- recommendation
- patient
- processor
- suggestion
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000001105 regulatory effect Effects 0.000 claims abstract description 3
- 230000015654 memory Effects 0.000 claims description 21
- 230000036541 health Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 11
- 239000007787 solid Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000005338 frosted glass Substances 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Bioethics (AREA)
- Biomedical Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
用于为患者选择处置的方法和系统。所述系统从与患者相关联的记录和相关联的随诊建议中提取偶然发现。然后，所述系统确定报告中的随诊建议与机构或管理指南规定的随诊建议之间是否存在不一致。然后可以解决任何不一致，以确保为患者护理提供适当的工作流。
Description
技术领域
本文中描述的实施例总体涉及用于为患者选择处置的系统和方法，并且更具体地但非排他性地涉及基于对偶然发现的随诊建议来为患者选择处置的系统和方法。
背景技术
在健康检查期间，临床医师经常遇到与检查的原始原因无关的发现。这种类型的发现称为“偶然发现”。
通常存在完善的指南，指导临床医师如何处理偶然发现。例如，美国放射学院(ACR)或特定健康护理机构的临床管理团队可能各自提供自己的指南，以处理来自放射学检查的偶然发现。
根据偶然发现的重要性，提供明确的随诊建议并使临床医师遵循建议的行动步骤可能很重要。不遵循随诊建议可能导致患者严重的健康问题。实际上，已经表明，在做出偶然发现的案例中，有30％没有采取随诊行动。
因此，需要能够提供用于处置患者的准确且适当的随诊建议的方法和系统。
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，实施例涉及一种用于为患者选择处置的方法。所述方法包括：使用运行存储在存储器中的指令的处理器，从与患者相关联的记录中提取至少一个偶然发现；并且使用所述处理器从所述记录中提取至少一个第一随诊建议；将第一随诊建议与第一偶然发现相关联；使用接口从第三方定义的策略中获得第二随诊建议；使用所述处理器来确定所述第一随诊建议与所述第二随诊建议之间是否存在任何不一致；使用用户接口来呈现对所述第一随诊建议与所述第二随诊建议之间是否存在任何不一致的确定；使用所述用户接口，接收关于哪个建议要被使用以解决所确定的不一致的用户反馈；并且至少基于接收到的用户反馈，使用所述处理器来更新临床护理工作流。
在一些实施例中，所述第三方是健康护理机构和行政主体中的至少一个。
在一些实施例中，所述方法还包括在处理器确定所述第一随诊建议与所述第二随诊建议之间存在不一致时使用所述用户接口接收解决方案。
在一些实施例中，所述至少一个偶然发现与放射学检查的发现有关。
在一些实施例中，提取所述至少一个偶然发现包括：在医学检查报告中识别所述至少一个偶然发现；并且通过分析与所述患者相关联的纵向数据，来确认所述至少一个偶然发现不是先前发现。
在一些实施例中，所述方法还包括从电子健康记录中提取至少一个患者特征，其中，所述第三方定义的策略要求所述至少一个患者特征，其中，所述第二随诊建议基于至少一个所提取的患者特征。
在一些实施例中，将第一随诊建议与第一偶然发现相关联包括使用以下中的至少一项：关键字匹配方法，在配对的训练数据上训练的模型以及为给定的随诊建议指定所需的偶然发现的现有指南。
根据另一方面，实施例涉及一种用于为患者选择处置的系统。所述系统包括：接口，其用于接收与所述患者相关联的记录；以及处理器，其运行存储在存储器中的指令以从与所述患者相关联的记录中提取至少一个偶然发现；从所述记录中提取至少一个第一随诊建议；将所述至少一个第一随诊建议与所述至少一个偶然发现相关联；从第三方定义的策略中获得至少一个第二随诊建议；确定所述至少一个第一随诊建议与所述至少一个第二随诊建议之间是否存在任何不一致；使用用户接口来呈现对在所述至少一个第一随诊建议与所述至少一个第二随诊建议之间是否存在任何不一致的确定；使用所述用户接口，接收关于哪个建议要被使用以解决所确定的不一致的用户反馈；并且至少基于接收到的用户反馈来更新临床护理工作流程。
在一些实施例中，所述第三方是健康护理机构和行政主体中的至少一个。
在一些实施例中，所述用户接口还被配置为在所述处理器确定所述至少一个第一随诊建议与所述至少一个第二随诊建议之间存在不一致时接收解决方案。
在一些实施例中，所述至少一个偶然发现与放射学检查的发现有关。
在一些实施例中，所述处理器被配置为通过识别医学检查报告中的至少一个偶然发现来提取所述至少一个偶然发现；并且通过分析与所述患者相关联的纵向数据，来确认所述至少一个偶然发现不是先前发现。
在一些实施例中，所述处理器还被配置为从电子健康记录中提取至少一个患者特征，其中，所述第三方定义的策略要求所述至少一个患者特征，其中，所述第二随诊建议基于至少一个所提取的患者特征。
在一些实施例中，所述处理器使用以下中的至少一项来将所述至少一个第一随诊建议与所述至少一个偶然发现相关联：关键字匹配方法，在配对的训练数据上训练的模型，以及指定针对给定的随诊建议所需的偶然发现的现有指南。
根据又一方面，实施例涉及一种非瞬态计算机可读介质，其包含用于执行用于为患者选择处置的方法的计算机可执行指令。所述计算机可读介质包括用于使用运行存储在存储器中的指令的处理器来从与所述患者相关联的记录中提取至少一个偶然发现的计算机可执行指令；以及用于使用所述处理器从所述记录中提取至少一个第一随诊建议的计算机可执行指令；用于将所述至少一个第一随诊建议与所述至少一个偶然发现相关联的计算机可执行指令；用于使用接口来从第三方定义的策略中获得至少一个第二随诊建议的计算机可执行指令；用于使用所述处理器来确定在所述至少一个第一随诊建议与所述至少一个第二随诊建议之间是否存在任何不一致的计算机可执行指令；用于使用用户接口来呈现对所述至少一个第一随诊建议与所述至少一个第二随诊建议之间是否存在任何不一致的确定的计算机可执行指令；用于使用所述用户接口来接收关于要使用哪个建议来解决任何确定的不一致的用户反馈的计算机可执行指令；以及用于至少基于接收到的用户反馈来使用所述处理器来更新临床护理工作流程的计算机可执行指令。
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：
如图1图示了根据一个实施例的用于为患者选择处置的系统；
图2描绘了根据一个实施例的用于为患者选择处置的方法的流程图；并且
图3图示了根据一个实施例的基于机构指南的示例性随诊建议。
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。该装置可以被特殊地构造用于所需目的，或者可以包括由计算机中存储的计算机程序或通过使用基于云的解决方案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。
作为处置的一部分，医务人员(为简单起见，通常称为“临床医师”)经常要负责检查图像和其他与患者健康有关的数据。如前所述，临床医师通常遇到与进行检查的原始原因无关的发现。即使这些发现(即偶然发现)与进行检查的原因无关，它们仍可能对患者的健康产生重大影响。
但是，偶然发现通常不导致随诊的建议和/或进一步的处置。这最终可能导致患者得不到处置，并可能进一步导致严重的健康后果。因此，重要的是提供一种自动化的方式，以确保对偶然发现以及与偶然发现相关的特定疾病给予适当的护理和关注。
偶然发现可能在放射学检查中常见。放射学检查期间可能遇到与偶然发现有关的三种不同情况。在第一种情况下，放射科医师可以观察偶然发现并提供与ACR或其他管理机构设定的指南相匹配的建议(例如，通过在患者的健康记录中输入建议的随诊的记录)。
在第二种情况下，放射科医师可以观察偶然发现并提供随诊建议。但是，提供的随诊建议与ACR指南或某些机构或行政机构的指南不匹配。
在第三种情况下，放射科医师可能观察到偶然发现，但不提供随诊建议。例如，放射科医师可能不认为偶然发现的显著性足以要求随诊建议，或者放射科医师可能最终忘记提供随诊建议。在这种情况下，与偶然发现相关联的特定疾病可能得不到处置，因为临床医师未提供任何随诊建议，并且患者可能未意识到偶然发现或任何相关的并发症。
本文中所描述的系统和方法提供了自动新颖的方式来处理这些情况，以保证患者护理的适当工作流程。如图1图示了根据一个实施例的用于为患者选择处置的系统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(一个或多个)其他类似设备。
在一些实施例中，例如依赖于一个或多个ASIC的实施例，被描述为部分地通过软件提供的功能可以替代地被配置到ASIC的设计中，并且因此，可以省略相关联的软件。处理器120可以被配置为在其上执行用户接口140的用户设备的一部分，或者可以位于某个远程位置。
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。存储器130的确切配置可以变化，只要可以运行用于选择患者的处置的指令即可。
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。用户接口140可以使临床医师能够查看与医学检查有关的图像，输入与检查有关的注释，查看与检查有关的注释，提供对偶然发现的随诊建议等。
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，所述传感器收集关于患者的健康状况的各种类型的信息。例如，一个或多个传感器设备151可以包括用于进行放射学检查的传感器。
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、环境和医学检查的总体目的。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所需数据作为检查的一部分即可。
(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(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。
存储设备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可以包括偶然发现提取指令161，随诊建议提取指令162，用于将随诊建议与偶然发现相关联的关联指令163，管理指南指令164，特征提取和匹配指令165，不一致确定指令166，用户反馈指令167和临床护理工作流程指令168，用于更新临床护理工作流程。
图2描绘了根据一个实施例的用于为患者选择处置的方法200的流程图。方法200可以依赖于系统100的部件。
步骤202包括使用运行存储在存储器中的指令的处理器，从与患者相关联的记录中提取至少一个偶然发现。处理器120可以通过执行偶然发现提取指令161来执行步骤202。
偶然的发现提取指令161可以使处理器120能够自动识别并提取给定的患者的临床历史所有偶然发现。这些指令161可以具体包括识别指令169和分类指令170。例如，识别指令169可以负责识别患者的健康记录中的特定词语或其他标记，并且可以由包括自然语言处理(NLP)方法的引擎执行，以基于特定本体、word2vec模型、正则表达式等来提取发现。
例如，可以使用一个或多个预定义词典或现有本体通过关键字匹配来在语句中识别和标记放射学检查的发现。这些本体可以包括但不限于
和统一医学语言系统(UMLS)。
额外地或替代地，可以通过使用正则表达式来匹配模式或通过使用先前标记的数据来训练任何类型的适当机器学习模型，来识别偶然发现并在语句中识别和标记这些偶然发现。执行的机器学习模型可以包括但不限于支持向量机、随机森林、递归神经网络、卷积神经网络或可以对报告中的发现进行分类的任何其他模型。
对所发现的结果进行进一步分析，以确定它们是否实际上是偶然发现，而不是先前发现。在本申请的上下文中，术语“先前发现”可以指的是在相同患者的先前研究或检查中已经观察到的发现。
对于指令161来说，区分偶然发现和先前发现是重要的，因为对于这些不同类型的发现，适当的工作流程是不同的。为了区分偶然发现和先前发现，处理器120可执行分类指令170，所述分类指令170依赖并使用伴随偶然发现的关键词列表，例如“新”或“偶然发现”。
类似地，处理器120可依赖并使用伴随先前发现的关键词列表，诸如“先前见过”，“稳定”，“不变”等。此外，处理器120可以依赖于一种或多种机器学习过程，例如支持向量机、随机森林、递归神经网络、卷积神经网络等，来对发现进行分类。
根据各种实施例，识别任务和/或分类任务可以依赖于上述方法的整体。例如，处理器120可以首先运行关键字匹配以识别发现。为了识别罕见的且不是在先前定义的词典或本体中的更具挑战性的情况(例如，未广为人知的缩写)，处理器120可以基于这样情况的示例来训练机器学习模型，以便识别使用关键字匹配方法未检测到的剩余的发现。
步骤204涉及使用处理器从记录中提取至少一个第一随诊建议。处理器120可以通过执行随诊建议提取指令162来执行步骤204。
随诊建议提取指令162可以使处理器120能够自动检测并提取诸如临床报告的患者健康记录中的随诊建议。随诊建议提取指令162可以包括查找诸如但不限于“随诊”和“建议”的特定关键词的任何合适的机器学习过程和自然语言处理技术。额外地或替代地，处理器120可依赖在带注释的放射学报告的语料库上训练的word2vec模型。
如果有足够的训练示例，则此随诊建议检测可以实现为机器学习问题。这些机器学习技术可以包括但不限于支持向量机，随机森林，甚至是深度学习方法，例如递归神经网络和卷积神经网络。此外，处理器120可以执行组合基于关键字的方法和机器学习方法的整体方法。
步骤206涉及将第一随诊建议与第一偶然发现相关联。处理器120可以通过执行关联指令163来执行步骤206。
关联指令163可以将每个偶然发现链接到潜在的随诊建议。处理器120可以本质上寻找偶然发现的发生与(一个或多个)随诊建议短语的接近度，并确定随诊建议短语是否与偶然发现有关。处理器120可以以三种方式中的一种或多种执行该关联步骤。
例如，处理器120可以执行基于关键词的关联指令171。根据该技术，处理器120可以在随诊建议中确定特定发现和发现的相应属性。在基于放射学的应用中，属性可以包括但不限于结节大小、结节形状、结节颜色等。考虑的属性类型当然可以变化，并且可以基于偶然发现。然后，处理器120可将属性与描述发现的(一个或多个)语句匹配。
作为另一示例，处理器120可以执行对应指令172以准备由发现语句和对应的随诊语句组成的配对的训练数据。然后，处理器120可以提供成对的训练数据作为输入，以训练机器学习/深度学习模型以确定对应关系。
例如，对应指令172可以依赖于递归神经网络模型来导出针对发现语句的特征表示和针对于随诊建议语句的特征表示。然后，对应指令172可以依赖于第二RNN来导出共现特征表示以用于查找随诊语句对。
作为又一个示例，处理器120可以执行基于指南的指令173，以将偶然发现与随诊建议相关联。例如，处理器120可以依赖于由管理主体建立的现有指南，例如弗莱舍尔指南(以下讨论)，以确定哪些发现需要哪种类型的随诊行动，然后在报告中寻找对应的匹配项。
步骤208涉及使用接口从第三方定义的策略获得第二随诊建议。处理器120可以通过运行管理指南指令164来执行步骤208。
管理指南指令164可以使处理器120能够针对不同类型的偶然发现实施不同的指南。例如，管理指南指令164可以包括基于ACR指南174或其他标准化指南的指令，或者基于医院特定指南175的指令。这些指南可以通过网络接口150从任何适当的位置接收和/或可以存储在系统100可访问的数据库中。
为了实现这些指南，处理器120可以实现任何类型的基于规则的框架，例如if-then规则。额外地或替代地，处理器120可以使用机器学习方法来训练模型，所述模型通过提供发现和相应的属性，可以确定哪个指南场景最匹配。
步骤210涉及从电子健康记录中提取至少一个患者特征，其中，第三方定义的策略要求至少一个患者特征，并且第二随诊建议基于至少一个提取的患者特征。处理器120可以通过执行特征提取和匹配指令165来执行步骤210。
处理器120可以执行特征提取和匹配指令165，以基于管理指南指令164来提取所需的特征。处理器120可以从例如患者记录中的图像和/或非图像数据中提取这些特征。
可以从图像数据(例如，图像数据)和/或非图像数据(EMR数据，放射学报告等)中提取特征。当然，可以根据相应指南的要求，从图像和非图像数据中提取不同类型的特征。
例如，图3示出了表格300，所述表格示出了基于ACR指南174的示例性指南。对于肺癌，ACR指南称为“弗莱舍尔”指南，提取所需的特征是结节大小、吸烟史等。
由于指南通常需要关于发现的信息，例如大小、形状、颜色等，因此处理器120可以提取属性，例如测量结果、形状、边界等。具体地，对于肺结节，处理器120可以提取诸如固体/实体、玻璃样/半固体、推测的、非推测的特征。
用于提取这些特征的指令165可以包括用于通过使用图像处理方法(例如，分割、放射线学等)直接从图像数据中提取这些特征的指令。额外地或替代地，可以通过建立关键字/正则表达式匹配方法和/或通过基于训练数据来训练机器学习模型来从相应的放射学报告中提取属性。
在所需特征不可用的情况下，临床医师或处理器120可以为期望特征的缺失值插入值的多个范围(例如，所有可能范围)，以导出结果的可能性的潜在范围。然后，临床医师可以基于可能的结果做出决定。
例如，结节类型是弗莱舍尔指南所要求的功能。结节的类型可以分为毛玻璃状、亚固体或部分固体。如果此信息不可用，则可以针对所有三种不同类型的值得出建议的指南：指南_毛玻璃，指南_部分固体和指南_亚固体。
特征提取和匹配指令165然后可以使处理器120分析提取的特征以将特征与管理指南匹配。例如，可以将提取的特征输入到if-then框架中，以便根据指南来确定适当的随诊建议。
为了根据弗莱舍尔指南确定适当的随诊建议，第一步是确定患者是低危患者还是高危患者。该确定基于患者的年龄、性别、家族病史、吸烟史等。可以从患者的电子病历数据中自动提取此类数据。
然后，ACR指南174可以使处理器120从患者的记录中提取所需的数据，例如但不限于结节的大小和形状。可以使用图像处理技术(例如，分割)直接从图像中提取数据，或者使用NLP技术从患者的放射学报告中提取该数据。另外，并且如上所述，可以从患者的病史中提取纵向数据以确定所需的纵向信息，例如结节生长。
特征提取和匹配指令165然后可以使处理器120提取与所提取的(一个或多个)特征相关联的随诊(一个或多个)语句、(一个或多个)单词、(一个或多个)短语(为简单起见，“(一个或多个)语句”)。特征提取和匹配指令165然后可以解析随诊语句以更好地理解建议。然后，特征提取和匹配指令165可以使处理器120基于所选择的指南(例如，ACR指南，医院指南等)来确定适当的随诊建议。
步骤212涉及使用处理器确定在第一随诊建议与第二随诊建议之间是否存在任何不一致。处理器120可以通过执行不一致确定指令166来执行步骤212。
处理器120可以执行不一致确定指令166，以确定在报告中提供的随诊建议(即，来自步骤204)与指南提供的随诊建议(即，来自步骤208)之间是否存在任何不一致。例如，报告中的“6个月后进行CT随诊”的随诊建议与指南中的“12个月后进行CT随诊”的随诊建议不一致。
在另一个实施例中，从报告中提取的随诊建议可能不包括形成“完整”建议所需的所有信息。例如，放射科医师可以在患者的放射学报告中提供随诊建议，例如“建议进行随诊CT成像”。在这种情况下，放射科医师忘记在建议中包括时间框。
在诸如此类的情况下，不一致确定指令166可以将指南中的随诊建议与“部分”随诊建议进行比较，以确定适当的随诊建议。可以基于指南建议和部分建议之间的最大匹配(例如，模态匹配)来导出适当的随诊。
步骤214涉及使用用户接口呈现对第一随诊建议与第二随诊建议之间是否存在任何不一致的确定。处理器120可以通过执行用户反馈指令167来执行步骤214。
例如，处理器120可以呈现消息，其指出临床医师的随诊建议与由ACR提供的随诊建议是一致的。可替代地，处理器120可以呈现消息警告，所述消息警告来自报告的随诊建议与例如由ACR提供的随诊建议之间的任何不一致。在一些实施例中，例如在报告中仅提供“部分”随诊建议的情况下，用户反馈指令167可以将消息传达给临床医师以警告他们关于部分匹配。
临床医师可以查看呈现的信息，包括随诊建议和支持该建议的证据，以及从中提取所需特征的特定图像和/或非图像数据。此外，临床医师可以从中提取随诊建议的位置访问参考语句。
步骤216涉及使用用户接口接收关于哪个建议要被使用以解决任何确定的不一致的用户反馈。临床医师可以基于例如他们的知识，他们的过去经验、支持建议的随诊建议的数据等来选择适当的随诊建议。在一些实施例中，可以具体地要求临床医师接受随诊建议或覆写随诊建议。临床医师可以查看建议(以及支持建议的证据)，并通过诸如图1的用户接口140的用户接口提供响应。
步骤218涉及使用处理器至少基于接收到的用户反馈来更新临床护理工作流。处理器120可以通过执行临床护理工作流指令168来执行步骤218。
一旦临床医师提供了关于适当随诊的指示，则临床护理工作流指令168可以使处理器120基于所选择的随诊为患者准备临床护理工作流程。例如，临床护理工作流指令168可以安排成像，安排活检，向适当的临床医师报告，向患者报告等等。
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。
Claims (15)
1.一种用于为患者选择处置的方法，所述方法包括：
使用运行存储在存储器中的指令的处理器，从与所述患者相关联的记录中提取至少一个偶然发现；
使用所述处理器从所述记录中提取至少一个第一随诊建议；
将第一随诊建议与第一偶然发现相关联；
使用接口从第三方定义的策略中获得第二随诊建议；
使用所述处理器来确定所述第一随诊建议与所述第二随诊建议之间是否存在任何不一致；
使用用户接口来呈现对所述第一随诊建议与所述第二随诊建议之间是否存在任何不一致的确定；
使用所述用户接口，接收关于哪个建议要被使用以解决所确定的不一致的用户反馈；并且
使用所述处理器至少基于接收到的用户反馈来更新临床护理工作流。
2.根据权利要求1所述的方法，其中，所述第三方是健康护理机构和管理主体中的至少一个。
3.根据权利要求1所述的方法，还包括：在所述处理器确定所述第一随诊建议与所述第二随诊建议之间存在不一致时，使用所述用户接口接收解决方案。
4.根据权利要求1所述的方法，其中，所述至少一个偶然发现与放射学检查的发现有关。
5.根据权利要求1所述的方法，其中，提取所述至少一个偶然发现包括：
在医学检查报告中识别所述至少一个偶然发现；并且
通过分析与所述患者相关联的纵向数据，来确认所述至少一个偶然发现不是先前发现。
6.根据权利要求1所述的方法，还包括：从电子健康记录中提取至少一个患者特征，其中，所述第三方定义的策略要求所述至少一个患者特征，其中，所述第二随诊建议基于至少一个所提取的患者特征。
7.根据权利要求1所述的方法，其中，将所述第一随诊建议与第一偶然发现相关联包括使用以下中的至少一项：关键字匹配方法，在配对的训练数据上训练的模型，以及为给定的随诊建议指定所需的偶然发现的现有指南。
8.一种用于为患者选择处置的系统，所述系统包括：
接口，其用于接收与所述患者相关联的记录；以及
处理器，其运行存储在存储器中的指令以：
从与所述患者相关联的所述记录中提取至少一个偶然发现，
从所述记录中提取至少一个第一随诊建议，
将所述至少一个第一随诊建议与所述至少一个偶然发现相关联，
从第三方定义的策略中获得至少一个第二随诊建议，
确定所述至少一个第一随诊建议与所述至少一个第二随诊建议之间是否存在任何不一致，
使用用户接口来呈现对在所述至少一个第一随诊建议与所述至少一个第二随诊建议之间是否存在任何不一致的确定，
使用所述用户接口，接收关于哪个建议要被使用以解决所确定的不一致的用户反馈，并且
至少基于接收到的用户反馈来更新临床护理工作流。
9.根据权利要求8所述的系统，其中，所述第三方是健康护理机构和管理主体中的至少一个。
10.根据权利要求8所述的系统，其中，所述用户接口还被配置为在所述处理器确定所述至少一个第一随诊建议与所述至少一个第二随诊建议之间存在不一致时接收解决方案。
11.根据权利要求8所述的系统，其中，所述至少一个偶然发现与放射学检查的发现有关。
12.根据权利要求8所述的系统，其中，所述处理器被配置为通过以下操作来提取所述至少一个偶然发现：
在医学检查报告中识别所述至少一个偶然发现；并且
通过分析与所述患者相关联的纵向数据，来确认所述至少一个偶然发现不是先前发现。
13.根据权利要求8所述的系统，其中，所述处理器还被配置为从电子健康记录中提取至少一个患者特征，其中，所述第三方定义的策略要求所述至少一个患者特征，其中，所述第二随诊建议基于至少一个所提取的患者特征。
14.根据权利要求8所述的系统，其中，所述处理器使用以下中的至少一项来将所述至少一个第一随诊建议与所述至少一个偶然发现相关联：关键字匹配方法，在配对的训练数据上训练的模型，以及指定针对给定的随诊建议所需的偶然发现的现有指南。
15.一种非瞬态计算机可读介质，包含用于执行为患者选择处置的方法的计算机可执行指令，所述计算机可读介质包括：
用于使用运行存储在存储器中的指令的处理器来从与所述患者相关联的记录中提取至少一个偶然发现的计算机可执行指令；
用于使用所述处理器从所述记录中提取至少一个第一随诊建议的计算机可执行指令；
用于将所述至少一个第一随诊建议与所述至少一个偶然发现相关联的计算机可执行指令；
用于使用接口来从第三方定义的策略中获得至少一个第二随诊建议的计算机可执行指令；
用于使用所述处理器来确定在所述至少一个第一随诊建议与所述至少一个第二随诊建议之间是否存在任何不一致的计算机可执行指令；
用于使用用户接口来呈现对所述至少一个第一随诊建议与所述至少一个第二随诊建议之间是否存在任何不一致的确定的计算机可执行指令；
用于使用所述用户接口来接收关于哪个建议要被使用以解决任何确定的不一致的用户反馈的计算机可执行指令；以及
用于使用所述处理器至少基于接收到的用户反馈来更新临床护理工作流的计算机可执行指令。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862723603P | 2018-08-28 | 2018-08-28 | |
| US62/723603 | 2018-08-28 | ||
| PCT/EP2019/072737 WO2020043673A1 (en) | 2018-08-28 | 2019-08-27 | Selecting a treatment for a patient |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112771621A true CN112771621A (zh) | 2021-05-07 |
Family
ID=67847685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980063447.4A Pending CN112771621A (zh) | 2018-08-28 | 2019-08-27 | 为患者选择处置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20210327596A1 (zh) |
| EP (1) | EP3844764A1 (zh) |
| CN (1) | CN112771621A (zh) |
| WO (1) | WO2020043673A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116590A (zh) * | 2022-06-29 | 2022-09-27 | 中国医学科学院基础医学研究所 | 深度强化学习方法、装置、肺结节患者随诊流程规划方法、系统、介质和设备 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11610667B2 (en) | 2018-11-19 | 2023-03-21 | RAD AI, Inc. | System and method for automated annotation of radiology findings |
| KR102261078B1 (ko) * | 2019-07-08 | 2021-06-03 | 경희대학교 산학협력단 | 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템 |
| WO2021051091A1 (en) | 2019-09-13 | 2021-03-18 | Rad Al, Inc. | Method and system for automatically generating a section in a radiology report |
| US11615890B2 (en) * | 2021-03-09 | 2023-03-28 | RAD AI, Inc. | Method and system for the computer-assisted implementation of radiology recommendations |
| US20230343454A1 (en) * | 2021-03-09 | 2023-10-26 | RAD AI, Inc. | Method and system for the computer-assisted implementation of radiology recommendations |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006259788A (ja) * | 2005-03-15 | 2006-09-28 | Seiko Epson Corp | 画像出力装置 |
| CN101657845A (zh) * | 2007-04-18 | 2010-02-24 | 皇家飞利浦电子股份有限公司 | 为医疗患者呈现个人经历的装置和方法 |
| US20140365239A1 (en) * | 2013-06-05 | 2014-12-11 | Nuance Communications, Inc. | Methods and apparatus for facilitating guideline compliance |
| CN104520862A (zh) * | 2012-06-07 | 2015-04-15 | 美敦力迷你迈德公司 | 用于建议调整胰岛素输注设备的糖尿病治疗管理系统 |
| WO2015198180A1 (en) * | 2014-06-25 | 2015-12-30 | Koninklijke Philips N.V. | System and method to assist patients and clinicians in using a shared and patient-centric decision support tool |
| US9542532B1 (en) * | 2011-10-07 | 2017-01-10 | Cerner Corporation | Decision support recommendation optimization |
| CN106663136A (zh) * | 2014-03-13 | 2017-05-10 | 皇家飞利浦有限公司 | 用于基于书面推荐对健康护理随诊预约进行排程的系统和方法 |
| CN107408123A (zh) * | 2015-02-25 | 2017-11-28 | 皇家飞利浦有限公司 | 用于对临床发现的背景敏感性评价的方法和系统 |
| CN108352185A (zh) * | 2015-11-05 | 2018-07-31 | 皇家飞利浦有限公司 | 用于伴随发现的纵向健康患者简档 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150149215A1 (en) * | 2013-11-26 | 2015-05-28 | Koninklijke Philips N.V. | System and method to detect and visualize finding-specific suggestions and pertinent patient information in radiology workflow |
| RU2018117732A (ru) * | 2015-10-14 | 2019-11-14 | Конинклейке Филипс Н.В. | Системы и способы генерирования корректных радиологических рекомендаций |
| US11195621B2 (en) * | 2016-04-08 | 2021-12-07 | Optum, Inc. | Methods, apparatuses, and systems for gradient detection of significant incidental disease indicators |
-
2019
- 2019-08-27 WO PCT/EP2019/072737 patent/WO2020043673A1/en unknown
- 2019-08-27 CN CN201980063447.4A patent/CN112771621A/zh active Pending
- 2019-08-27 EP EP19762732.6A patent/EP3844764A1/en active Pending
- 2019-08-27 US US17/272,466 patent/US20210327596A1/en active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006259788A (ja) * | 2005-03-15 | 2006-09-28 | Seiko Epson Corp | 画像出力装置 |
| CN101657845A (zh) * | 2007-04-18 | 2010-02-24 | 皇家飞利浦电子股份有限公司 | 为医疗患者呈现个人经历的装置和方法 |
| US9542532B1 (en) * | 2011-10-07 | 2017-01-10 | Cerner Corporation | Decision support recommendation optimization |
| CN104520862A (zh) * | 2012-06-07 | 2015-04-15 | 美敦力迷你迈德公司 | 用于建议调整胰岛素输注设备的糖尿病治疗管理系统 |
| US20140365239A1 (en) * | 2013-06-05 | 2014-12-11 | Nuance Communications, Inc. | Methods and apparatus for facilitating guideline compliance |
| CN106663136A (zh) * | 2014-03-13 | 2017-05-10 | 皇家飞利浦有限公司 | 用于基于书面推荐对健康护理随诊预约进行排程的系统和方法 |
| WO2015198180A1 (en) * | 2014-06-25 | 2015-12-30 | Koninklijke Philips N.V. | System and method to assist patients and clinicians in using a shared and patient-centric decision support tool |
| CN106415560A (zh) * | 2014-06-25 | 2017-02-15 | 皇家飞利浦有限公司 | 辅助患者和临床医师使用共享并且以患者为中心的决策支持工具的系统和方法 |
| CN107408123A (zh) * | 2015-02-25 | 2017-11-28 | 皇家飞利浦有限公司 | 用于对临床发现的背景敏感性评价的方法和系统 |
| CN108352185A (zh) * | 2015-11-05 | 2018-07-31 | 皇家飞利浦有限公司 | 用于伴随发现的纵向健康患者简档 |
Non-Patent Citations (1)
| Title |
|---|
| 杜婧;王霄英;: "ACR关于腹盆部检查中偶然发现的处理原则", 放射学实践, no. 12 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116590A (zh) * | 2022-06-29 | 2022-09-27 | 中国医学科学院基础医学研究所 | 深度强化学习方法、装置、肺结节患者随诊流程规划方法、系统、介质和设备 |
| CN115116590B (zh) * | 2022-06-29 | 2023-04-07 | 中国医学科学院基础医学研究所 | 深度强化学习方法、装置、肺结节患者随诊流程规划方法、系统、介质和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210327596A1 (en) | 2021-10-21 |
| EP3844764A1 (en) | 2021-07-07 |
| WO2020043673A1 (en) | 2020-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112771621A (zh) | 为患者选择处置 | |
| US20200357118A1 (en) | Medical scan viewing system with enhanced training and methods for use therewith | |
| CN107562732B (zh) | 电子病历的处理方法及系统 | |
| US11881293B2 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
| US8612261B1 (en) | Automated learning for medical data processing system | |
| CN106415555B (zh) | 用于病理学报告与放射学报告的相关联的系统和方法 | |
| US8214224B2 (en) | Patient data mining for quality adherence | |
| US20140343957A1 (en) | Clinical content analytics engine | |
| US11651252B2 (en) | Prognostic score based on health information | |
| CN110069779B (zh) | 医疗文本的症状实体识别方法及相关装置 | |
| US20080004505A1 (en) | System and method for medical coding of vascular interventional radiology procedures | |
| CN106874643A (zh) | 基于词向量自动构建知识库实现辅助诊疗的方法和系统 | |
| US11923094B2 (en) | Monitoring predictive models | |
| Carchiolo et al. | Medical prescription classification: a NLP-based approach | |
| CN110619959A (zh) | 一种智能分诊的方法及系统 | |
| CN112541066B (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
| US20160110502A1 (en) | Human and Machine Assisted Data Curation for Producing High Quality Data Sets from Medical Records | |
| WO2015134668A1 (en) | Automated quality control of diagnostic radiology | |
| CN110291555A (zh) | 用于促进对健康状况的计算分析的系统和方法 | |
| CN111724136A (zh) | 病案首页信息的录入方法、装置及计算机设备 | |
| CN114334065B (zh) | 病历处理方法、计算机可读存储介质及计算机设备 | |
| CN111968740B (zh) | 一种诊断标签推荐方法、装置、存储介质及电子设备 | |
| Nair et al. | Automated clinical concept-value pair extraction from discharge summary of pituitary adenoma patients | |
| US20200027534A1 (en) | Device, system, and method for updating problem lists | |
| US20240055121A1 (en) | Diagnostic Tool |
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 |