CN113243033B - 综合诊断系统和方法 - Google Patents
综合诊断系统和方法 Download PDFInfo
- Publication number
- CN113243033B CN113243033B CN201980084634.0A CN201980084634A CN113243033B CN 113243033 B CN113243033 B CN 113243033B CN 201980084634 A CN201980084634 A CN 201980084634A CN 113243033 B CN113243033 B CN 113243033B
- Authority
- CN
- China
- Prior art keywords
- report
- medical
- vocabulary
- pathology
- reports
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 39
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000007170 pathology Effects 0.000 claims description 107
- 238000002059 diagnostic imaging Methods 0.000 claims description 78
- 238000010801 machine learning Methods 0.000 claims description 41
- 238000003384 imaging method Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 23
- 206010028980 Neoplasm Diseases 0.000 claims description 22
- 238000013500 data storage Methods 0.000 claims description 21
- 238000001574 biopsy Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 16
- 238000013450 outlier detection Methods 0.000 claims description 16
- 238000003058 natural language processing Methods 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 claims description 4
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 2
- 238000002600 positron emission tomography Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 11
- 201000011510 cancer Diseases 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 230000001575 pathological effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 239000003550 marker Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000000481 breast Anatomy 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012636 positron electron tomography Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000036210 malignancy Effects 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 206010060862 Prostate cancer Diseases 0.000 description 2
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 210000004072 lung Anatomy 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
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 229920006291 polyimido sulfide Polymers 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种医学信息技术(IT)系统包括以不同的相应医学信息系统特定医学报告格式存储医学报告的多个医学信息系统。综合诊断系统包括:医学报告变换,可操作以将以不同的相应系统报告格式被存储的医学报告的文本变换为综合诊断表示,该综合诊断表示将医学报告的文本表示为类别词汇表的词汇表类别值;以及多个文档处理任务,每个文档处理任务可操作以调用医学报告变换,来将由任务处理的一个或多个医学报告变换为综合诊断表示,并且对由任务处理的一个或多个医学报告的综合诊断表示的词汇表类别值执行任务。
Description
技术领域
以下内容总体上涉及医学诊断技术、医学成像技术、病理学技术、医学设施信息技术(IT)基础设施技术和相关技术。
背景技术
用于医院或其他医学机构的IT基础设施通常包括多个不同系统。例如,为了支持放射学/医学成像实践,IT基础设施可以包括:图片存档和通信系统(PACS),其提供用于存储和分发医学图像的基础设施;放射学信息系统(RIS),其为患者提供用于安排成像检查、存储和分发放射学报告等的基础设施;病理学信息系统(PIS),其为病理实验室和服务提供类似服务;用于医学专业的IT系统,诸如心血管信息系统(CVIS),其为心脏病学数据的存储和分发提供基础设施;电子健康记录(EHR)、电子病历(EMR)或其他命名的基础设施,其用于存储和分发患者病史信息;等等。
这些IT部门具有很强的实际利益。但是,在实际操作中,患者的治疗通常会与众多不同IT系统相交。例如,单个癌症患者的记录可以包括:存储在PACS上的医学图像;存储在RIS上的放射学报告;存储在PIS上的病理学报告;存储在CVIS上的常规心电图(ECG)测试或其他心脏测试数据;以及由患者的全科(GP)医生和肿瘤学家进行的体检概要、以及都存储在EHR或EMR上的成像学、病理学、ECG或其他专业医学测试的高级概要。临床医生可能会熟练使用这些不同IT系统;然而,存储在这些不同医学IT系统中的发现、推荐、临床医生印象等之间的重要联系的可能丢失是一个始终存在的问题。事实上,临床医生甚至有可能在单个专业领域内遗漏这样的联系。例如,在八小时(或更长时间)轮班期间阅读很多放射学检查的放射科医师可以记录在放射学检查的放射学报告的描述部分中的发现,但忘记在报告的推荐部分中包括用于执行通过发现而推荐的病理学检查的对应推荐。
不同医学IT系统的多样性的另一困难在于难以提供存储在这些不同系统上的患者数据的组合概要。以外行的术语提供这样的概要尤其困难,例如以(外行)患者容易理解的报告的形式。
下面公开了某些改进。
发明内容
在本文中公开的一些非限制性说明性实施例中,一种医学信息技术(IT)系统包括一个或多个计算机和一个或多个数据存储介质。一个或多个计算机和一个或多个数据存储介质通过电子网络互连,一个或多个数据存储介质存储由一个或多个计算机可执行的指令,以限定:以不同的相应医学信息系统特定医学报告格式来存储医学报告的多个医学信息系统、以及综合诊断系统。例如,多个医学信息系统可以包括以病理学报告格式存储病理学报告的病理学信息系统(PIS)和/或以不同于病理学报告格式的医学成像检查报告格式存储医学成像检查报告的放射学信息系统(RIS)。综合诊断系统包括:可操作以将以不同的相应系统报告格式所存储的医学报告的文本变换为综合诊断表示的医学报告变换,综合诊断表示将医学报告的文本表示为类别词汇表的词汇表类别值;以及多个文档处理任务,每个文档处理任务可操作以调用医学报告变换来将由任务处理的一个或多个医学报告变换为综合诊断表示并且对由任务处理的一个或多个医学报告的综合诊断表示的词汇表类别值执行任务。
在本文中公开的一些非限制性说明性实施例中,一种非瞬态存储介质存储由一个或多个计算机可读取并且可执行的指令,以:从关于患者的医学成像检查的医学成像检查报告中提取文本内容;以及将描述从医学成像检查报告中所提取的文本内容的元数据添加到患者的医学成像检查的图像。描述从医学成像检查报告中所提取的文本内容的所添加的元数据包括到医学成像检查报告的超链接。
在本文中公开的一些非限制性说明性实施例中,结合以病理学报告格式存储病理学报告的病理学信息系统(PIS)和以不同于病理学报告格式的医学成像检查报告格式存储医学成像检查报告的放射学信息系统来执行的一种方法。该方法包括使用由被存储在非瞬态存储介质上的指令编程的电子处理器:将至少一个病理学报告和至少一个医学成像检查报告转换为综合诊断表示,该综合诊断表示将经转换的报告的文本表示为类别词汇表的词汇表类别值;基于相应报告的时间戳对经转换的报告时间排序;基于经转换的响应报告的词汇表类别值响应于经转换的因果报告的词汇表类别值,标识响应报告和因果报告;以及在工作站上显示在标识中被使用的词汇表类别值的概要。
附图说明
本发明可以采用各种组件和组件布置的形式、以及各种步骤和步骤布置的形式。附图仅用于说明优选实施例的目的,而不应当被解释为限制本发明。
图1示意性地示出了如本文中描述的医院信息技术(IT)系统。
图2示意性地示出了图1的IT系统的医学报告变换(IDRx)的说明性实施例。
图3示意性地示出了图1的IT系统的医学图像标记任务的说明性实施例。
图4示意性地示出了图1的IT系统的报告跟踪任务的说明性实施例。
图5示意性地示出了由图1和图4的报告跟踪任务产生的放射病理学一致性仪表板的示例。
图6示意性地示出了图1的IT系统的推荐推断任务的说明性实施例。
图7示意性地示出了图1的IT系统的印象推断任务的说明性实施例。
图8示意性地示出了图1的IT系统的患者时间线任务的说明性实现。
图9示意性地示出了词汇表大纲,其中在制定患者时间线时最重要的话语/语用角色的元素和属性被加下划线。
图10示意性地示出了图1的IT系统的异常值检测任务的说明性实施例。
具体实施方式
解决因在医院或其他医学机构使用多个不同医学IT系统而引起的困难的一种可能方法可以是将它们替换为单个综合医学IT系统,该单个综合医学IT系统为医学成像/放射学、病理学和心脏病学和其他医学专业提供服务,以及提供电子病历。但是,这可能不是理想的解决方案。对于现有的医院或其他医学机构而言,如此大规模的升级可能不切实际,因为它可能会对正在进行的患者记录保存造成巨大破坏。此外,由此产生的综合医学IT系统可能使用起来很麻烦。例如,RIS的用户接口(UI)是根据放射学和医学成像实验室的需求而量身定制的;PIS的UI是根据病理实验室的需求而量身定制的;等等。综合医学IT系统可以为在不同医学领域操作的用户引入无关的用户输入字段、选项和功能,这将导致效率低下并且可能导致数据录入和/或读取错误。同样,用于存储医学成像数据和报告的报告格式、元数据格式和其他数据结构与用于存储病理数据的数据结构非常不同,后者又不同于用于存储心脏病数据的数据结构,以此类推。此外,综合医学IT系统可能会引入数据管理和安全问题,例如,放射科医师可能有权访问放射科医师不完全合格的领域的医学数据。更进一步,不同医学IT系统供应商可能在不同领域受到好评,因此医院或其他医学机构有动力采用专门从事病理学信息系统的一个供应商的PIS和专门从事放射学信息系统的另一供应商的RIS等。
在本文中公开的系统和方法中,保留了针对不同医学领域(例如,PACS、RIS、PIS、CVIS、EHR……)采用单独系统的现有医学IT基础设施范例;但这些系统通过综合诊断系统得到增强,该综合诊断系统可以在不同系统之间提供自动化和受控的数据交互。这是通过使用综合诊断表示(IDR)来实现的,IDR使用标准化类别词汇表表示医学报告和其他基于文本的医学数据。因此,例如,放射科医师继续使用放射学特定报告格式在RIS环境中产生放射学报告,病理学家继续使用病理学特定(或甚至更细粒度的病理学实验室特定)报告格式在PIS环境中传输病理学报告,等等;但是,综合诊断表示提取器(IDRx)将这些文档中的每个转换为一种表示,在这种表示中,提取出关键概念(由类别词汇表的类别表示)以形成文档的IDR表示。以这种方式,例如,放射学报告中包含的执行病理学测试的推荐容易与总结所推荐的病理学测试的结果的对应病理学报告相关联。
如本文中进一步公开的,可以通过利用所公开的IDR表示来实现广泛的综合诊断任务。例如,从RIS中总结成像检查的放射学报告中提取的IDR类别值对可以用作被读取以产生该放射学报告的存储在PACS中的(多个)医学图像的元数据标签,使得该信息可用于从PACS取回(多个)图像以供查看的任何临床医生。此外,使用通用的类别词汇表使得来自不同医学领域的同一患者的后续报告也可以被注释到(多个)图像中,例如通过将来自(多个)图像的放射学报告的IDR推荐:值与来自病理学报告的IDR检查类型:值进行匹配。由所公开的IDR表示启用的另一说明性综合诊断任务是跨区域相关任务,该任务在不同医学领域的相关文档之间生成一致性/不一致性信息(例如,确定放射学检查的发现与同一患者的相关病理学报告的发现的一致性和/或不一致性)。其他说明性启用的任务为临床医生提供创作帮助(例如,当放射科医师将一个发现口述到正在起草的放射学报告中时,所提取的IDR发现:值可以用于标识与该发现:值对通常同时出现的一个或多个可能推荐和/或印象,并且所标识的推荐和/或印象可以在放射学UI中推荐,以包括在放射学报告的相应推荐和/或印象部分中)。另一说明性启用的任务检测正在起草的报告中的异常值,例如没有对应警报的重要发现的录入,通常在指定该重要发现时包括该警报。还有一个说明性启用的任务是时间线跟踪任务,该任务将来自不同医学领域的信息概括和组合到特定医学患者的时间线中,以提供总结和背景化迄今为止患者的医学旅程的连贯话语(优选地是外行人可理解的术语)。
参考图1,医院信息技术(IT)系统包括一个或多个计算机10、12和一个或多个数据存储介质14。计算机10、12和数据存储介质通过电子网络16互连(在图1中以图形方式指示)以限定:存储医学图像的图片存档和通信系统(PACS)20、存储患者病史和相关数据的电子健康记录(EHR)22(EHR 22在本领域中通常被称为各种类似的命名,诸如电子医学记录、EMR等;说明性EHR 22旨在包含这样的变体)、以及以不同的相应医学信息系统特定医学报告格式来存储医学报告的多个医学信息系统24、26、28。说明性地示出的医学信息系统包括以病理学报告格式存储病理学报告的病理学信息系统(PIS)24、以及以不同于病理学报告格式的医学成像检查报告格式存储医学成像检查报告的放射学信息系统(RIS)26。(注意,特定医学信息系统可以采用替代报告命名;例如,某个RIS 26将医学成像检查报告称为放射学报告,而病理学报告可以基于病理检查的类型进行命名,例如活检报告。本文中使用的术语(例如,医学成像检查报告和病理学报告)应当理解为包括这些替代命名)。例如,说明性地指示的其他医学信息系统28可以包括心血管信息系统(CVIS)或其他专业特定医学信息系统。
PACS 20、EHR 22和各种医学信息系统24、26、28在图1中示意性地示出,但是应当理解为通过被存储在非瞬态存储介质14上并且由(多个)计算机10、12可读取并且可执行以引起计算机限定或实现每个这样的系统20、22、24、26、28的适当指令来实现。该实现包括提供(多个)合适的用户接口(UI)30、32以供医务人员、文书人员或其他经授权(例如,已登录)用户访问,以向系统输入数据、从系统中取回数据、修改系统上的数据等等。UI通常在各种工作站34上实现。作为非限制性说明,图1示出了在说明性放射学工作站34上呈现的用于用户与RIS 26和PACS 20交互的说明性放射学UI 30、以及在病理实验室工作站(未示出)上实现的所说明性地指示的病理学UI 32。可以在各种其他类型的工作站(图1中未示出)上实现各种其他UI,诸如在医生办公室或个人计算机(在医院和/或通过VPN或其他远程UI访问协议远程)上实现的医生UI等。每个工作站(诸如说明性放射学工作站34)通常包括用于显示适当的医学信息(例如,医学报告的文本、从PACS 20中取回的医学图像等,视具体系统UI而定)的一个或多个显示器40、42、以及一个或多个用户输入设备44、46、48,诸如说明性键盘44、轨迹板46(或鼠标、轨迹球或其他指示设备)、听写麦克风48等。给定工作站的特定显示器和用户输入组件取决于各种因素,诸如成本考虑、用户需求、由UI呈现和操纵的数据类型等。例如,说明性放射学工作站34包括两个显示器40、42,因为这对于放射科医师来说通常是有用的,放射科医师可以使用一个显示器来示出医学图像而另一显示器来呈现正在起草的放射学报告的文本,并且听写麦克风因此通常被放射科医师用于口述放射学报告。另一方面,如果病理实验室工作人员需要输入文本但不查看高分辨率医学图像,则病理实验室工作站可以采用不太复杂的显示技术。全科(GP)医生的工作站可以具有对各种系统20、22、24、26、28的更广泛的访问,因为可能需要GP医生审查各种类型的医学数据;而放射技术人员的工作站UI可能仅被授权(例如,登录)PACS 20和可能RIS 26,因为这些可能是放射技术人员需要访问的唯一系统。
医学IT系统通常通过网络16与各种医学设备连接,诸如说明性医学成像设备50和各种其他医学设备(未示出),诸如患者监测器、机械通气系统等。说明性医学成像设备50是包括CT机架52和PET机架54的正电子发射断层/计算机断层(PET/CT)扫描仪,即,通常用于诸如肿瘤学成像、脑成像、心脏成像等任务的一种配置。医学成像设备的其他非限制性示例包括磁共振成像(MRI)扫描仪、荧光透视成像设备、超声(US)成像设备、独立CT扫描仪等。各种医学成像设备可以以各种方式组织,例如,在可以在现场(即,医院设施)和/或不在现场(例如,第三方成像实验室或服务)的放射学实验室,并且经由网络16被连接以与PACS 20可操作地交互以存储所生成的医学图像。
各种系统20、22、24、26、28被示出为单独的系统。但是,其中的某些可以在特定医院或医学机构的医学IT系统中组合。例如,PACS和RIS可以组合为存储医学图像和医学成像检查报告两者的综合PACS/RIS系统。然而,如前所述,将各种医学IT任务分离到各种系统中具有很大优势,尤其是将医学信息系统分离到大部分不相关医学专业,诸如放射学(使用RIS 26)和病理学(使用PIS 24)。
一个或多个计算机10、12通常包括一个或多个服务器计算机10。如果有两个或更多个服务器计算机10,则它们可以被不同地配置以共享计算工作负载,诸如专用于执行不同处理的不同服务器计算机(例如,一个服务器计算机可以处理PACS 20,另一服务器计算机可以处理EHR 22);或者,服务器计算机可以通过网络16互连以形成计算集群、云计算资源等,其中各个服务器计算机10协同操作以实现诸如PACS 20等单个系统;等等。各种系统20、22、24、26、28的某些操作可以在工作站34的计算机12处执行,诸如在工作站34处生成UI显示的本地实现。再次,预期在(多个)服务器计算机10与本地工作站12之间的处理的不同程度的共享或分布。将进一步理解,网络16可以使用各种联网技术(例如,有线、无线或组合;各种传输调制技术等)、各种联网协议(例如,WiFi、以太网等)、各种网络组件(局域网、WiFi网络、互联网等)实现,并且网络16上的给定通信链路可以涉及各种这些技术、协议和组件。
继续参考图1,各种医学信息系统24、26、28以不同的相应医学信息系统特定医学报告格式存储医学报告,例如PIS 24以病理学报告格式存储病理学报告,RIS 26以不同于病理学报告格式的医学成像检查报告格式存储医学成像检查报告,等等。这些各种系统特定医学报告格式优选地针对由该系统处理的(多个)医学报告的(多个)类型的有效数据录入、存储和显示而被优化。例如,由PIS 24采用的病理学报告格式优选地包括用于存储诸如活检样本标识信息、样本染色信息(如果有的话)、病理学家关于病理特征的观察等病理学报告特定信息的字段或其他数据结构;同时,RIS 26优选地包括用于存储诸如成像模态、成像视场、所采用的造影剂(如果有的话)、肿瘤尺寸等医学成像检查报告特定信息的字段或其他数据结构。因为不同医学信息系统24、26、28通常以不同系统特定医学报告格式存储医学报告,并且在一些特定实现中可以由不同医学IT系统供应商使用不同供应商特定格式提供,所以组合来自不同系统的诊断信息很难。传统上,对来自不同系统的诊断的综合主要是一个手动过程,例如在办公室工作站工作的GP医师可以在工作站上打开一个窗口以访问RIS并且调出关于患者的医学成像检查报告,并且打开另一窗口以访问PIS以调出关于患者的病理学报告。另一方面,病理实验室技术人员可能根本无权访问RIS,并且因此可能无法读取关于患者的医学成像检查报告、或查看来自PACS的基础图像,以提供可以有助于执行病理检查的成像信息。即使这样的访问被授权,病理实验室技术人员也可能不熟悉RIS或PACS,并且因此无法取回成像报告或底层图像。
为了支持综合了被存储在各种医学信息系统24、26、28中的医学报告的诊断,图1的医学IT系统包括综合诊断(ID)系统60,该ID系统60包括医学报告变换(有时在本文中由简写“IDRx”表示)62,医学报告变换62可操作以将以不同的相应系统报告格式被存储的医学报告的文本变换为综合诊断表示,该综合诊断表示将医学报告的文本表示为类别词汇表64的词汇表类别值。ID系统60还包括多个文档处理任务70、72、74、76、78、80。每个文档处理任务可操作以调用医学报告变换62来将由任务处理的一个或多个医学报告变换为综合诊断表示,并且对由任务处理的一个或多个医学报告的综合诊断表示的词汇表类别值执行任务。说明性文档处理任务包括:医学图像标记任务70;报告跟踪任务72;推荐推断任务74;印象推断任务76;患者时间线任务78;以及异常值检测任务80。这些仅仅是可以由ID系统60实现的说明性文档处理任务,并且可以实现更少、更多和/或不同的文档处理任务,这些任务有利地利用医学报告变换62来将一个或多个中间报告转换为通用综合诊断表示。
参考图2,示出了医学报告变换(IDRx)62的说明性实施例。医学报告90由医学报告变换62接收。医学报告90可以是从医学信息系统92取回的,例如,从医学信息系统24、26、28中的一个医学信息系统,该医疗信息系统92已经被任务70、72、74、76、78、80中的一个任务调用以变换医学报告90。备选地,医学报告90可以是由操作医学信息系统24、26、28中的一个医学信息系统的UI 94的用户正在草拟的医学报告,例如由经由放射学工作站34操作放射学UI30的放射科医师正在草拟的医学成像检查报告、或者由经由病理学工作站(图1中未示出)操作病理学UI 32的病理学实验室技术人员正在草拟的病理学报告等。说明性医学报告变换62通过报告分段96处理医学报告90,该报告分段96基于报头文本和/或基于先验已知的报告模式将报告分段为可标识部分,可标识部分标识针对由源医学信息系统采用的报告格式的报告部分。例如,医学成像检查报告通常具有由RIS 26限定的标准部分。针对医学成像检查报告的一个非限制性部分模式可以包括阐述放射科医师的发现(例如,标识肿瘤)的“描述”部分;阐述放射科医师的印象(例如,肿瘤的定性和/或定量特征,诸如大小和/或几何形状)的“印象”部分;阐述由放射科医师确定的任何诊断(例如,乳房X线照片中标识的肿瘤的乳房成像学报告和数据系统(BI-RADS)得分)的“诊断”部分;以及阐述放射科医师可以提供的任何后续推荐(例如,对报告中标识的可疑肿瘤进行活检的推荐)的“推荐”部分。这仅仅是说明性的部分方案,可以采用更多或更少和/或其他部分;附加地或备选地,报告分段过程可以使用报告报头和/或报告内容的文本内容来执行分段成部分。
然后通过自然语言处理(NLP)98来分析报告的各部分的文本内容,NLP 98可以例如采用:令牌器(tokenizer)的序列,其标识空白以将文本分解成个体令牌(通常是字词或数字);语法解析器,其将令牌解析为语法单元(例如,句子)和词性(例如,名词、动词、形容词等);短语结构解析器;依存解析器;命名实体识别器;语义角色标签器;和/或其他NLP令牌分组/分类。在一种方法中,基于规则的组件和ML组件的集基于从过去(即,病史)放射学报告中收集的被标签和未被标签临床文本被训练,并且被策划以创建临床报告文本的整体模型。自然语言处理的元素可以包括字词、句子、词性标签和其他基本语言信息、以及将文本单元标识为词汇表类别值(诸如发现、诊断、后续推荐、以及临床文本中发现的其他话语要素)的更高级别的语义结构。然后搜索解析的文本以标识类别词汇表64的词汇表类别值。类别词汇表是类别的封闭集合。这些是医学报告中常用的医学语言类别,诸如(作为非限制性说明性示例):“发现”、“重要发现”、“推荐”、“活检样本”、“检查原因”、“诊断”、“印象”和“观察”和/或其他词汇表类别。词汇表类别在特定医学报告中由该类别的值实例化,例如“诊断”词汇表类别的可能值可以是“前列腺癌”。词汇表可以是分层的,其中属于子类别的所有值也必然属于更高级别的类别,例如属于(子)类别“重要诊断”的所有值也属于更高级别的类别“诊断”。同样,属于(子)类别“后续推荐”的值也必然属于上级类别“推荐”。词汇表的类别之间也可以有一些重叠,例如属于“印象”类别的术语也可以属于“发现”类别。备选地,类别词汇表可以被设计为相互排斥,以便不存在这种重叠。
作为非限制性说明,图2示意性地示出了被变换为综合诊断表示100的医学报告90的一个可能示例,其中报告部分由标题(heading)“描述”、“印象”、“推荐”和“警报”标记,并且每个部分的内容表示为(词汇表类别:值)对,例如“发现:值”、“观察:值”等。
在下文中,描述了各种非限制性说明性任务70、72、74、76、78、80。
参考图3,医学图像标记任务70由被存储在一个或多个数据存储介质14上并且由一个或多个计算机10、12可执行的指令限定,以标识关于患者的医学成像检查的医学成像检查报告110。医学报告变换62被调用以将所标识的医学成像检查报告110变换为综合诊断表示。元数据114被添加到患者的医学成像检查的被存储在PACS 20上的图像112。元数据114描述所标识的并且经变换的医学成像检查报告的一个或多个词汇表类别值116。
可选地,医学图像标记任务70还可以标识关于(相同)患者的病理学报告120,并且调用医学报告变换62以将所标识的病理学报告120变换为综合诊断表示。一个或多个相关词汇表类别值126被定位在与由被添加到图像110中的元数据114描述的一个或多个词汇表类别值116相关的所标识的并且经变换的病理学报告中,并且描述所标识的并且经变换的病理学报告中的一个或多个相关词汇表类别值的另外的元数据124被添加到图像115中。基于类别词汇表64的结构或模式,来自病理学报告112的元数据词汇表类别值126与来自医学成像检查报告110的词汇表类别值116相关。例如,在成像检查报告110中所标识的发现:肿瘤(标志)词汇表类别值(其中(标志)是放射科医师在起草医学成像检查报告110期间应用以标志图像中的肿瘤的图像115中的标志)与被定位于病理学报告112中的诊断:恶性词汇表类别值相关。
可选地,标记可以继续通过另外的后续医学报告,诸如后续医学成像检查报告132,其生成与现有元数据114、124相关并且被适当地添加为另外的元数据134的另外的词汇表类别值。例如,后续医学成像检查报告132可以在施用一轮或多轮化学疗法之后被执行以评估该疗法的功效,并且另外的元数据134可以描述关于肿瘤大小是增加、减少还是保持不变的印象或观察。
在一些实施例中,所添加的元数据114、124、134是医学数字成像和通信(DICOM)元数据,该元数据是PACS中被注释到图像的元数据的通用元数据格式。在一些实施例中,所添加的元数据114、124、134包括去往相应医学报告110、112、132的超链接138,相应医学报告110、112、132被变换以获取由元数据114、124描述的一个或多个词汇表类别值116、126。超链接138可以去往一般的报告,也可以去往报告中包含词汇表类别值的特定部分,甚至可以去往报告中包含词汇表类别值的特定句子或其他更细粒度的单元。“超链接”是指当显示元数据时,存在元数据的可选择元素,如果被选择(例如,通过鼠标点击),则该可选择元素引起显示图像115的UI调出报告(或报告中包含词汇表类别值的部分)。通过所添加的元数据114、124、134,任何具有对PACS 20的访问的一方都可以查看来自相应医学报告110、112、132的信息,这些信息由元数据114、124、134描述。如果超链接138被包括作为该元数据的一部分,则用户还可以轻松调出源医学报告。(如果特定用户具有对PACS 20的访问但不具有对包含所链接的报告的医学信息系统的访问,则优选地,用户接收指示拒绝对报告的访问的消息)。
参考图4,报告跟踪任务72由被存储在一个或多个数据存储介质14上并且由一个或多个计算机10、12可执行的指令限定,以在第一医学信息系统(例如,说明性RIS 26)中标识以第一系统报告格式(例如,RIS报告格式)存储的关于患者的第一医学报告150。医学报告变换(IDRx)62被调用以将第一医学报告150变换为综合诊断表示,并且一个或多个第一报告词汇表类别值在经变换的第一医学报告中被标识。类似地,以不同于第一(例如,RIS)系统报告格式的第二系统报告格式(例如,PIS报告格式)存储的关于患者的第二医学报告152在第二医学信息系统(例如,说明性PIS 24)中被标识。医学报告变换(IDRx)62被调用以将第二医学报告152变换为综合诊断表示,并且经变换的第二医学报告中的与第一报告词汇表类别值相关的一个或多个第二词汇表类别值被标识。报告关联过程154适当地基于类别词汇表的结构或模式。报告意见确定过程156将病理学报告152的结果适当地分类为(作为非限制性示例)非诊断、良性、可疑或恶性。在一个或多个第一报告词汇表类别值与一个或多个第二报告词汇表类别值之间确定一致性或不一致性158。用户接口160被显示在工作站上,工作站呈现第一医学报告150和第二医学报告152的比较。在一个合适的呈现中,所显示的比较呈现第一报告词汇表类别值和第二报告词汇表类别值以及一个或多个第一报告词汇表类别值与一个或多个第二报告词汇表类别值之间的所确定的一致性或不一致性158。
例如,说明性的第一医学报告150是医学成像检查报告,并且一个或多个第一报告词汇表类别值可以包括针对乳房成像报告(或放射学)和数据系统(BI-RADS)词汇表类别的BI-RADS得分、以及指示针对推荐类别的肿瘤活检推荐的值。说明性的第二医学报告152是病理学报告,并且与成像报告150的这些词汇表类别值相关的一个或多个第二报告词汇表类别值可以包括针对肿瘤分类类别的肿瘤分类值。这仅仅是一个非限制性的示例,并且设想了很多变体;例如,对于乳房以外的解剖结构,可以使用另一放射学和数据系统(RADS)得分代替BI-RADS得分(例如,针对前列腺的PI-RADS得分、针对肺的LI-RADS得分等)。
报告跟踪任务72提供放射学与病理学之间(或更一般地,关于两个不同医学信息系统的报告之间)的相关性和一致性系统,并且利用基于规则的组件和统计机器学习(ML)自然语言处理(NLP)组件(诸如说明性医学报告变换62)来将放射学和病理学报告相关并且评估它们的意见是否一致。类别词汇表64使得能够理解放射学报告中的重要信息,包括基于放射成像对患者身体状态的观察、对由放射科医师进行的观察的可能诊断或解释的描述、以及后续测试或检查的后续推荐。标识这些元素的属性,诸如解剖区域、观察到的现象的测量以及使用NLP技术描述疾病或癌症的词汇表。所提取的属性与在一个或多个后续和相关病理学报告中描述的活检过程的发现、观察和诊断相关。
单个患者的放射学和病理学报告之间的相关性创建了源自一个或多个放射学报告和后续病理学报告的相关话语元素的链。通过将这些报告中的话语元素相关,安排医师(ordering physician)或机构将能够测量放射科医师、病理学家和安排医师之间的通信链的质量。
如图4所示,说明性报告跟踪实现包括数据和信息提取模块(例如,IDRx 62),该数据和信息提取模块从放射学和病理学信息系统(PIS 24和RIS 26)中提取临床数据以及句法和语义语言信息。模块156对病理学报告结果的意见进行分类,而模块154将相关放射学和病理学报告相关。UI 160被提供以报告放射学和病理学报告的一致性(或不一致性)158。
在一个合适的实施例中,数据提取使用基于规则的技术和统计机器学习(ML)自然语言处理(NLP)技术的集合。通过标识患者的放射学和病理学检查的日期/时间,报告相关性154可以依赖于日期相关性。这些可以从相应报告150、152的内容中提取,或者可以独立于相应病理学和放射学信息系统24、26的数据库而被定位。IDRx 62适当地提取放射学报告中的元素,例如如参考图2所述。作为非限制性说明性示例,可以按放射学发现被分组的词汇表类别值的示例包括:与放射学发现相关联的解剖区域;与放射学发现相关联的(多个)测量;与放射学发现相关联的可疑得分;与放射学发现相关联的活检推荐;等等。作为非限制性说明性示例,可以从病理学报告中提取的词汇表类别值的检查包括:活检解剖;活检过程;最终诊断;癌症分期;癌症等级;和/或TNM恶性肿瘤分类(TNM)值。病理学报告意见分析156实现将病理学报告结果分类为非诊断性、良性、可疑或恶性的方法。放射学和病理学一致性(或不一致性)是通过利用通用综合诊断表示数据中的相应报告150、152的词汇表类别以及由数据提取模块提取的句法和语义语言信息来确定的。计算患者的放射学报告150与病理学报告152之间的一致性得分;其中较高的一致性得分表明放射学和病理学元素之间的上下文匹配程度很高。UI 160提供基于一致性得分来显示或可视化一对匹配的放射学和病理学报告150、152。临床医生可以在仪表板或等效的可视化界面中验证匹配的对并且确认结果。报告跟踪任务72因此实现用于将病理学报告分类为与放射学报告一致或不一致的系统。
在报告跟踪任务72的一个实施例中,该系统可以计算针对机构中的所有放射学研究而汇总的一致性得分。一致性得分还可以细分为子集,诸如按疾病(例如,肺癌、乳腺癌、前列腺癌、肝癌等),按用于放射学诊断的成像方式(例如,CT、MR、PET、超声、X射线等),按成像数据的特性(例如,用于成像研究的像素分辨率或切片厚度、MR扫描仪的场强等),按提供放射学诊断的放射科医师的专科,按用于进行活检的介入设备。
参考图5,作为示例,放射病理学一致性仪表板可以显示BI-RADS得分为4或5的所有患者的汇总病理学结果(得分数字被标签在图的条形上;BI-RADS得分为4表示基于医学成像检查的可疑异常;而BI-RADS得分为5表示异常高度可疑为恶性肿瘤),随后进行活检。BI-RADS得分是如由放射科医师解释的乳腺病变恶性风险的指标。两个BI-RADS风险得分的乳腺病理学结果的这种分布允许机构评估其乳腺癌诊断的表现。
参考图6,推荐推断任务74由被存储在一个或多个数据存储介质14上并且由一个或多个计算机10、12可执行的指令限定,以调用IDRx62来将经由与电子网络16连接的放射学工作站34处的UI 30被录入到放射学报告中的文本变换为综合诊断表示。在经变换的文本中检测针对发现词汇表类别的值170。推荐推断操作172使用机器学习(ML)组件176(如图所示,或者备选地使用将推荐与针对发现词汇表类别的值相关联的查找表)来推断与针对发现词汇表类别的检测到的值170相对应的推荐174。所推断的推荐174显示在放射学工作站34的显示器40、42上。ML组件176可以例如采用推荐模型178。
在典型的放射学报告格式中,(后续)推荐是放射学报告的印象部分中的声明,其中放射科医师基于对成像检查(诸如CT扫描、MRI扫描、PET扫描等)中的发现的分析来推荐后续检查或测试。通常,发现明确列出在放射学报告中印象部分之前的发现部分中。发现和后续推荐之间存在隐式的因果关系。例如,发现BI-RADS得分为4或5的可疑乳房病变通常会导致放射科医师推荐后续活检过程。由于(由IDRx 62输出的综合诊断表示所捕获的)词汇表有限以及放射学报告中使用的通常简洁的语言,因此报告中的后续推荐的语言相似。例如,给定特定类型的发现,放射学报告语料库中将存在一系列类似的后续推荐声明。ML组件176和相关联的推荐模型178可以在这些关系上大规模实现为自然语言生成(NLG)组件,以基于正在起草的放射学报告中的一个或多个特定发现170的存在来自动生成后续推荐174。放射学报告的印象部分中后续推荐声明的语言可以基于个体放射科医师和机构而异。用于进行推荐的特定语言、甚至进行推荐的决定都可能是个体放射科医师的责任。建议或生成初始响应框架(按概率排名)的NLG模块可以辅助放射科医师进行做出后续推荐以及如何最好地声明该推荐的决定。推荐推断任务74因此提高了临床工作流中后续推荐的一致性和质量。在一些实施例中,ML组件176、178体现为基于深度学习(DL)神经网络的NLG模块,该神经网络利用被标签的发现和生成候选后续推荐声明的后续推荐(按概率排名),以辅助放射科决定是否包括推荐声明、以及关于如何声明推荐的指南。基于DL神经网络的NLG模块适当地训练从过去(即,病史)放射学报告中提取的成对的发现和后续推荐,以创建发现和可能的推荐后续文本单元的模型178。在更具体的预期实现中,使用基于规则的组件和统计ML自然语言处理(NLP)组件的集合来提取相关文本单元。
推荐推断任务74可以通过在放射科医师记录他们的观察(例如,使用IDRx 62)时分析由转录服务产生的文本来适当地与放射学UI 30的报告创作系统实时交互,以在它们被录入到报告中时在正在起草的放射学报告中检测发现。推断操作172然后从由ML组件176(例如,体现为DL神经网络)构建的模型178准备并且排名最可能的后续推荐。放射学UI 30可以将推荐推断任务74综合为UI 30的专用窗口,该窗口列出了由推荐推断任务74生成的(多个)推荐174,然后放射科医师可以点击显示在窗口中的(后续)推荐(例如,使用鼠标或其他指示/选择用户输入设备单击)以将其插入正在起草的放射学报告的印象部分。备选地,推荐174可以自动插入放射学报告中——然而,一些放射科医师可能不喜欢这种自动方法。例如,这可以通过使可选的自动推荐插入操作成为UI 30的用户可选设置来解决。
参考图7,印象推断任务76由被存储在一个或多个数据存储介质14上并且由一个或多个计算机10、12可执行的指令限定,以调用IDRx62以将经由与电子网络16连接的放射学工作站34处的UI 30被录入到放射学报告中的文本变换为综合诊断表示。在经变换的文本中检测针对发现词汇表类别的值180。印象推断操作182使用机器学习(ML)组件186(如图所示,或者备选地使用将印象与针对发现词汇表类别的值相关联的查找表)来推断与针对发现词汇表类别的检测到的值180相对应的印象184。所推断的印象184被显示在放射学工作站34的显示器40、42上。ML组件186可以例如采用印象模型188。
类似于推荐推断任务74的ML组件176和推荐模型178,印象推断任务76的ML组件186和相关联的印象模型188在一些实施例中被实现为NLP模块,该NLP模块包括从正在起草的放射学报告文本中提取句法和语义信息的基于规则的组件和统计ML组件。作为说明,一些合适的ML组件可以包括深度学习(DL)神经网络模块,该模块使用NLP模块的输出(在说明性示例中并入IDRx 62中)来生成印象模型188,印象模型188可以由ML组件186使用用于基于从放射科医师接收的正在起草的放射学报告的转录内容来自动创建放射学报告的印象部分的内容。印象推断任务76可以通过在放射科医师记录他们的观察(例如,使用IDRx 62)时分析由转录服务产生的文本来适当地与放射学UI 30的报告创作系统实时交互,以在它们被录入到报告中时在正在起草的放射学报告中检测发现。推断操作182然后从由ML组件186(例如,体现为DL神经网络)构建的模型188准备并且排名(多个)最可能的印象。放射学UI 30可以将印象推断任务76综合为UI 30的专用窗口,该窗口列出了由印象推断任务76生成的(多个)印象184,然后放射科医师可以点击在窗口中显示的印象(例如,使用鼠标或其他指示/选择用户输入设备单击)以将其插入正在起草的放射学报告的印象部分。备选地,印象184可以自动插入放射学报告中(例如,如果放射科医师在UI设置中选择了启用UI30的自动插入的用户可选择设置)。
参考图8,描述了由被存储在一个或多个数据存储介质14上并且由一个或多个计算机10、12可执行的指令限定的患者时间线任务78的说明性实现。从多个医学信息系统取回关于患者的医学报告,在示例性示例中,包括从RIS 26取回的放射学报告、从PIS 24取回的病理学报告和从EHR 22取回的临床医生的注释。IDRx 62被调用以将每个所取回的报告变换为综合诊断表示,如图8所示:综合诊断报告(IDR)格式的两组临床医生注释200、202;IDR格式的放射学报告204;以及IDR格式的病理学报告206。来自不同所取回的并且经变换的医学报告200、202、204、206的词汇表类别值基于医学报告的值和日期的词汇表类别而相关。在图8的说明性示例中,放射学报告204中的检查原因值210可以与描述充当检查原因210的基础的临床观察的临床医生注释200中的值相关。放射学报告204还可以包括与临床医生注释202中的一致活检推荐(或活检安排)214相关的针对活检的后续推荐212。临床医生注释202中的活检推荐或安排214又可以与在病理学报告206中标识的活检样本216和最终诊断218相关。各种医学报告200、202、204、206中的各种其他值可以类似地相关,诸如放射学报告204中包含的与临床医生注释202的内容相关的偶然发现220。不同医学报告200、202、204、206中的值的相关性基于值的词汇表类别(例如,推荐类别的值与描述根据该推荐执行的测试或检查的后续报告中的类别值相关)并且还基于医学报告的日期。在说明性图8中,报告200、204、202、206按该顺序注明日期,即,临床医生注释200的日期在放射学报告204之前,放射学报告204的日期在临床医生注释202之前,临床医生注释202的日期在病理学报告206之前。作为使用日期进行相关的示例,如果检查发生在推荐之后(使得响应于推荐进行检查),则检查与针对该类型的检查的推荐相关。可以显示患者的患者时间线,包括根据医学报告的日期以时间顺序布置的相关词汇表类别值的呈现。
概括地说,在一些预期实施例中,来自不同所取回的并且经变换的医学报告200、204、202、206的词汇表类别值通过基于以下各项的组合将因果词汇表类别值(例如,推荐类别的值)和响应词汇表类别值(例如,呈现医学检查结果的类别的值)相关而被至少部分地相关:(i)响应词汇表类别值的词汇表类别是对因果词汇表类别值的词汇表类别的响应(这里,检查结果是对执行检查的推荐的响应),以及(ii)包含因果词汇表类别值的医学报告具有早于包含响应词汇表类别值的医学报告的日期。
患者时间线任务78部分基于以下见解:临床文本的话语和语用分析可以有助于更深入地理解临床工作流中的关键动作者(诸如放射科医师、病理学家、和临床医生)的通信的意图和目标。建立话语元素的词汇表(根据由说明性IDRx 62输出的综合诊断表示,即IDR)以及它们如何对临床报告的整体话语结构和语用做出贡献使得能够针对临床文本模型添加附加语义层。放射学和病理学报告中的话语元素(诸如发现、观察、诊断和推荐的词汇表类别)能够在其临床报告上下文中标识、提取和呈现对话语元素的清晰理解,以使得能够提高对其作用和多个工作流工件之间的相互关系的理解。生成患者时间线需要跟踪为患者推荐了哪些诊断或治疗随访,何时以及为何推荐,以及在什么时间范围内。这些元素以及包含在医学报告中的日期信息被IDR的词汇表类别:值元素有效地捕获。这些是不断发展的治疗计划的要素,其可以通过跟踪这样的推荐的预期后果以及这些推荐是否以及如何得到满足或以其他方式及时发出来描述。这些类型的查询和决定以及请求和响应形成了不断发展的医学保健话语,并且这些行为和推断的大部分文档都记录在基于文本的临床报告中。所有这些话语元素都由IDRx 62提取并且跨报告的年表综合以生成患者时间线以供医务人员审查和/或呈现给患者。患者时间线任务78使用利用由IDRx 62提取的话语元素词汇表被标签的经注释的医学报告语料作为训练数据,并且ML模型在经注释的语料库上被训练并且用于从临床文本中提取话语元素。
参考图9,示出了话语元素和语用属性的词汇表大纲,其说明了话语元素和更标准的物理实体之间的知识结构和关系。在图9的词汇表大纲中,最重要的话语/语用角色的元素和属性被加下划线。医学话语/语用概念的全部范围包括但不限于带下划线的那些,并且图9应当被理解为非限制性说明性示例。
可以如下执行患者时间线任务的ML组件的训练。分析医学报告的临床语料库以创建临床话语元素及其属性的正式词汇表。临床语料库与临床领域专家合作,用正式的话语词汇表进行注释,并且ML模型被设计和训练。在使用中,从临床文本中标识和提取话语元素(在变换为IDR格式之后)。话语元素标识和提取与自然语言理解(NLU)应用集成。话语元素在基于话语计划或策略的报告工件之间链接和连接,以便用自然语言查询患者的诊断记录,以回答问题,诸如:检查的原因是什么?临床医生推荐了什么治疗方法?是否进行了活检?等等。
参考图10,描述了异常值检测任务80的说明性实施例。异常值检测任务80由被存储在一个或多个数据存储介质14上并且由一个或多个计算机10、12可执行的指令限定,以:调用IDRx 62以将在与电子网络16连接的工作站处被录入到医学报告230中的文本变换为综合诊断表示,并且在经变换的文本中检测词汇表类别值(例如,将经由与电子网络16连接的放射学工作站34处的UI 30被录入到放射学报告中的文本变换为综合诊断表示);通过向ML组件232、234输入检测到的词汇表类别值输入,来推断医学报告的缺失的或不一致的词汇表类别值,该ML组件232、234被训练以在医学报告中检测缺失的或不一致的词汇表类别值;并且在工作站的显示器上(例如,在异常值检测的情况下结合放射学报告在放射学工作站34的显示器40、42上)显示所推断的缺失的或不一致的词汇表类别值。更一般地,如图10中示意性所示,使用ML组件232、234执行推断操作236以在医学报告中检测缺失的或不一致的词汇表类别值,并且内容经由UI 238被显示,如图10中一般所示(例如,在放射学报告处理的情况下,UI 238可以是图1的放射学UI 30)。
异常值检测任务80可以用于检测各种类型的异常值。在一些实施例中,它用于检测异常值,其中在放射学报告中重要发现没有被标识为重要发现(即,其重要性没有被适当地指出)。在放射学图像中的重要发现是需要医生立即关注的发现。发现该发现的放射科医师会将其记录在放射学报告的发现部分,并且包括重要警报(有时会被其他类似的命名法引用,诸如重要通知)。利用对重要发现的可选重述、以及与安排医师进行及时通信的强制性文档,该警报通过被包括在重要警报部分、段落或句子中而在报告中体现出来。警报的部分放置、格式和显著性可能会或可能不会被机构良好指定或控制。然而,标准放射学实践严格要求报告足够的严重性警报并且记录及时通信,当且仅当一个或多个发现是重要发现时。
典型的机构放射学报告协议可以如下进行。首先,鉴于图像评估的目的,报告中列出并且描述了放射学图像中发现的所有值得注意的事件。接下来,鉴于所报告的发现,决定是否有任何发现是也需要发出重要警报的严重发现。该决定是根据医学标准、特定机构要求和专业医学专业知识做出的。然后,如果报告的发现中至少有一个是重要的,则放射学报告应当明确记录重要发现的存在以及放射科医师与安排医师就该问题进行的升级通信。另一方面,如果没有报告的发现是重要的,则报告没有这样的重要警报。
继续参考图10,图10示出了异常值检测任务80操作以检测与重要发现相关的异常值,ML组件232、234充当重要发现和警报分析模块以评估任何所报告的发现240是否是重要的,并且在此基础上评估在放射学报告中是否需要和出现警报。ML组件232、234标识和标记异常值,其中报告列出了ML组件232、234认为重要但不包含警报(或不够突出的警报)的发现240,或者放射学报告列出未发现ML组件232,234被认为是重要的,但确实包含警报242。与可以由异常值检测任务80检测到的重要发现相关的某些类型的异常值可以包括例如:放射学报告或一组报告的过多比例,其记录ML组件232、234认为重要的发现以及以下之一:(i)但报告不包含警报/通知;(ii)并且报告明确记录了重要发现的存在,但没有记录与安排医师的通信;(iii)并且报告记录了与安排医师的通信,但没有明确记录重要发现的存在;和/或(iv)但重要发现的存在或其与安排医师的通信的记录不标准、不突出或不充分。对于类型(iv)的异常值,一些可能的不足之处包括不包含以下所有重要要素的重要通知:时间范围、被通知人员、是否在所需要的时间间隔内(1小时、1天等)、来自接收实体的任何确认。
与可以由异常值检测任务80检测的重要发现相关的其他类型的异常值可以包括放射学报告或一组报告的过多比例,其记录放射科医师认为重要的发现(如由包含在报告中的重要警报),但ML组件232、234认为报告中的任何发现都不能保证所包括的重要警报。
一般而言,异常值检测任务80可以以在线模式应用以在起草放射学报告时协助放射科医师,和/或可以以批处理模式应用以处理过去的放射学报告以便检测有问题的报告和分析放射科医师或机构的汇总报告行为。虽然评估放射学报告中重要发现的处理的应用被描述为说明性示例,但异常值检测任务80更普遍适用于例如任何基于文本的医学报告,其中(人类)临床医生评估医学证据不仅需要记录他/她的发现,而且还需要呼吁、特别通信或以其他方式提高对任何重要发现的关注和响应。
继续参考图10,在训练操作246中,ML组件232、234在训练医学报告250的集合(即,语料库)上被适当地训练。在一种训练方法中,对于样本语料库250中的每个医学报告252,报告由IDRx 62处理,并且发现254和重要警报256被提取。注释器用于划分和标记每个警报区域的种类;每个发现及其重要程度;以及每个正式文件部分作为+/-发现。警报区域的边界如下建立。对于每个种类标记的警报/通知区域:该区域的报告偏移向后和向前扩大,直到它们到达最近的句子、段落或部分边界(可配置以调节性能);由此产生的加宽跨度可能与任何其他报告区域重叠;警报/通知之间的重叠因此被多重标记为种类。有利地,该说明性方法是用于滴定对来自N元差异的预测建模最敏感但最不适合的措辞的稳健的可调谐的方法。
当且仅当至少一个发现具有“重要”级别标签时,报告252被标记为HasCriticalFinding。如果全面没有提供结果注释,则忽略此标志。当且仅当警报区域中的至少一个具有“重要”种类标签时,报告252被标记为HasCriticalAlert。然后将报告分成三组文本区域:所有类型的所有加宽警报/通知区域;所有+发现部分,不包括所有加宽警报/通知区域;以及所有其他部分,不包括所有加宽警报/通知区域。(这相当于-发现加上被视为受分析的任何剩余报告文本。)有利的是,在该说明性方法中,+/-发现部分的拆分及其相对特征权重是可配置的,从而实现跨不同报告格式的更强大的模型调谐。可选地,可以从三组区域中的每个中强制包括或排除带注释的发现(可配置为带有/不带发现文本的回归分析)。即使在没有带注释发现的情况下,这也有利于评估和优化预测歧视,这有助于降低注释个体发现的成本,但在它们存在的情况下提高了判别力。对于刚刚描述的三分报告中的每组文本区域,忽略加宽警报区域集合,并且只有其他两组区域被分析。通过计算其中的字词N元的种类来分析区域,诸如所有N元的宽度为1、2或3。因此,每个报告可选地产生+/-HasCriticalFinding标记,并且总是产生+/-HasCriticalAlert标记,以及每个+发现和其他文本区域集的N元特征简档。
ML组件232、234的异常值模型234可以被构造为如下的语料库填充的N元特征的差分模型。文本区域的每个报告简档被汇总,按+/-HasCriticalFinding(可选)、+/-HasCriticalAlert和+发现与其他区域进行分组。汇总不仅包括N元计数,还包括它们跨报告的差异,分别针对每个被计数的N元。+/-HasCriticalAlert判别模型是通过与+/-HasCriticalFinding组合得出来的,可选择地是4路。不仅要注意N元计数的差异,还要注意每组的计数方差和报告数的差异,从而优化统计功效。作为一个说明性的示例,一个这样的模型用威尔士(Welch)的t测试概率对带符号的特征差异进行加权。作为另一说明性示例,另一这样的模型是为多项逻辑回归构建的模型。诸如软边界分类器等其他模型可以从相同的数据分析中构建,并且提供可比的判别能力。有利地,这种对细粒度分布参数的有针对性的关注有助于减轻非重要报告与重要报告以及正确报告与错误报告的不均衡优势。作为另一优势,当案例的不均匀分布变得容易处理时,正确报告的巨大优势变得高度可利用。这些模型有效地利用了一群放射科医师,这些放射科医师是发现的重要性的训练有素的专家级人类注释者。此外,可能存在一些错误报告的影响很小。刚刚描述的说明性方法通过有效地从同一机构收集过去的专家注释来有助于降低对发现的重要性进行注释的成本。可以针对N元特征分布中有序差异的质量和相关性,在视觉和统计上检查所得到的异常值模型234,从而为开发者提供对人类可解释模型特征的访问。模型不合格警报措辞的突出出现也可以作为对可能遗漏警报注释器的反馈。有利地,系统地使用来自N元的这种反馈提供了一种自我校正机制,该机制提高了注释器和模型的质量和鲁棒性。可以调谐可配置或以其他方式可调谐的参数以优化验证集的性能。
推断操作236的更具体的说明性实施例可以使用刚刚描述的已训练异常值模型234如下执行。给定要评估和分类的放射学报告230,它由IDRx 62分析并且与训练报告252的处理类似地进行处理,例如,使用判别模型,从而产生报告230的报告区域的N元特征简档、+/-HasCriticalAlert标记和可选的+/-HasCriticalFinding标记。鉴于此报告分析,评估:(A)该报告是否+/-HasCriticalAlert,以及(B)与语料库填充的差异模型234进行比较以预测它是否应当具有重要警报(但不,因此是异常值)。该评估和该预测的值用于按照信号检测术语对报告进行分类,即,通过将报告230分配为以下类别之一:
类别真肯定:报告正确地具有重要警报;
类别真否定:报告正确地省略了重要警报;
类别假肯定:报告错误地具有重要警报;或者
类别假否定:报告错误地忽略了重要警报。
在这种分类方案中,使用“假”标签(即,类别假肯定或类别假否定)分类的报告是异常值。
在上述异常值检测方法中,分类拟合优度的估计是有利地可用的。一种合适的分类优度估计是直接的N元简档相似性度量,诸如余弦相似性。另一合适的分类优度估计是来自逻辑回归预测的特征权重。可以注意到,用于使用异常值模型234的推断操作236的该相同实施例也可以用于在构造期间对其进行验证和调谐,以针对验证集优化性能。
在一个应用中,利用嵌入在放射学报告编辑器中的上述分类器(例如,通过使图1的放射学UI 30调用异常值检测任务80),分类器适当地帮助起草放射学报告。当放射科医师作为起草报告的一部分而记录发现时,可以响应于录入发现而调用分类器来推荐适当的重要警报(因为,除非/直到放射科医师将警报录入正在起草的报告中,否则它是“异常值”),或突出显示发现与警报之间的任何剩余明显差异,作为在所完成的放射学报告完成并且存储在RIS 26之前对其执行的自动检查。异常值检测任务80还可以指出在通知中某些重要元素的缺失。来自如上所述在语料库250上训练的分类器的智能可以单独使用或与其他可用的专家推荐或信息协作使用,诸如来自RadPeer得分。
在另一(非互斥的)应用中,上述分类器可以用于回顾性批处理模式,以标识和标记有差异的报告,并且进而在不同时间跨度内描绘不同机构、不同部门和不同放射科医师的重要性阈值。这样的阈值可以与机构指南进行比较,以评估对指南的遵守情况和指南本身的充分性。
在另一(不相互排斥的)应用中,上述分类器可以以回顾性批处理模式使用,以根据不同机构、部门或放射科医师填充不同类型的所发现的发现及其严重程度的整理列表。
已经参考优选实施例描述了本发明。其他人在阅读和理解前面的详细描述之后可以想到修改和变更。意图在于,将示例性实施例解释为包括所有这样的修改和变更,只要它们落入所附权利要求或其等同物的范围内。
Claims (24)
1.一种医学信息技术(IT)系统,包括:
一个或多个计算机(10,12);以及
一个或多个数据存储介质(14);
其中所述一个或多个计算机和所述一个或多个数据存储介质通过电子网络(16)互连;以及
其中所述一个或多个数据存储介质存储由所述一个或多个计算机可执行的指令,以限定:
多个医学信息系统(24,26,28),以不同的相应医学信息系统特定医学报告格式来存储医学报告;以及
综合诊断系统(60),包括:
医学报告变换(62),可操作以将以所述不同的相应系统报告格式被存储的医学报告的文本变换为综合诊断表示,
所述综合诊断表示将所述医学报告的所述文本表示为类别词汇表(64)的词汇表类别值;以及
多个文档处理任务(70,72,74,76,78,80),每个文档处理任务可操作以调用所述医学报告变换,来将由所述任务处理的一个或多个医学报告变换为所述综合诊断表示,
并且对由所述任务处理的所述一个或多个医学报告的所述综合诊断表示的所述词汇表类别值执行所述任务。
2.根据权利要求1所述的医学IT系统,其中所存储的指令还由所述一个或多个计算机可执行,以限定存储医学图像的图片存档和通信系统(PACS)(20),并且所述多个文档处理任务包括医学图像标记任务(70),所述医学图像标记任务(70)由被存储在所述一个或多个数据存储介质(14)上并且由所述一个或多个计算机(10,12)可执行的指令限定,以:
标识关于患者的医学成像检查的医学成像检查报告(110);
调用所述医学报告变换(62)以将所标识的所述医学成像检查报告变换为所述综合诊断表示;以及
将如下元数据(114)添加到所述患者的所述医学成像检查的被存储在所述PACS(20)上的图像(115):描述所标识的并且经变换的所述医学成像检查报告的一个或多个词汇表类别值(116)的所述元数据(114)。
3.根据权利要求2所述的医学IT系统,其中限定所述医学图像标记任务(70)的所述指令还由所述一个或多个计算机(10,12)可执行以:
标识关于所述患者的病理学报告(112);
调用所述医学报告变换(62)以将所标识的所述病理学报告变换为所述综合诊断表示;
在所标识的并且经变换的所述病理学报告中定位一个或多个相关词汇表类别值(126),所述一个或多个相关词汇表类别值(126)与由被添加到所述图像(115)的所述元数据(114)描述的所述一个或多个词汇表类别值(116)相关;以及
将另外的元数据(124)添加到所述图像,所述另外的元数据(124)描述所标识的并且经变换的所述病理学报告中的所述一个或多个相关词汇表类别值。
4.根据权利要求2至3中任一项所述的医学IT系统,其中所添加的元数据(114,124)包括去往所标识的所述报告(110,112)的至少一个超链接(138),所标识的所述报告(110,112)被变换以获取由所述元数据描述的所述一个或多个词汇表类别值(116,126)。
5.根据权利要求1至3中任一项所述的医学IT系统,其中所述多个文档处理任务包括报告跟踪任务(72),所述报告跟踪任务(72)由被存储在所述一个或多个数据存储介质上并且由所述一个或多个计算机可执行的指令限定,以:
在第一医学信息系统(26)中标识以第一系统报告格式被存储的关于患者的第一医学报告(150);
调用所述医学报告变换(62)以将所述第一医学报告变换为所述综合诊断表示;
在经变换的所述第一医学报告中标识一个或多个第一报告词汇表类别值;
在第二医学信息系统(24)中标识以不同于所述第一系统报告格式的第二系统报告格式被存储的关于所述患者的第二医学报告(152);
调用所述医学报告变换以将所述第二医学报告变换为所述综合诊断表示;
在经变换的所述第二医学报告中标识与所述第一报告词汇表类别值相关的一个或多个第二词汇表类别值;
确定所述一个或多个第一报告词汇表类别值与所述一个或多个第二报告词汇表类别值之间的一致性或不一致性(158);以及
在工作站(34)上显示所述第一医学报告与所述第二医学报告的比较,其中所显示的所述比较呈现所述第一报告词汇表类别值和所述第二报告词汇表类别值以及所述一个或多个第一报告词汇表类别值与所述一个或多个第二报告词汇表类别值之间的所确定的所述一致性或所述不一致性。
6.根据权利要求5所述的医学IT系统,其中:
所述第一医学报告是医学成像检查报告(150),所述一个或多个第一报告词汇表类别值包括针对放射学和数据系统(RADS)词汇表类别的RADS得分以及指示针对推荐类别的肿瘤活检推荐的值;
所述第二医学报告是病理学报告(152),所述一个或多个第二报告词汇表类别值包括针对肿瘤分类类别的肿瘤分类值;以及
所确定的所述一致性或所述不一致性(158)指示所述RADS得分与所述肿瘤分类值之间的一致性或不一致性。
7.根据权利要求1至3中任一项所述的医学IT系统,其中所述多个文档处理任务包括推荐推断任务(74),所述推荐推断任务(74)由被存储在所述一个或多个数据存储介质上并且由所述一个或多个计算机可执行的指令限定,以:
调用所述医学报告变换(62)以将在与所述电子网络(16)连接的放射学工作站(34)处被录入到放射学报告中的文本变换为所述综合诊断表示;
在经变换的文本中检测针对发现词汇表类别的值(170);
使用将推荐与针对所述发现词汇表类别的值相关联的机器学习组件或查找表(176,178),来推断与针对所述发现词汇表类别的检测到的所述值相对应的推荐(174);以及
在所述放射学工作站的显示器(40,42)上显示所推断的所述推荐。
8.根据权利要求1至3中任一项所述的医学IT系统,其中所述多个文档处理任务包括印象推断任务(76),所述印象推断任务(76)由被存储在所述一个或多个数据存储介质上并且由所述一个或多个计算机可执行的指令限定,以:
调用所述医学报告变换(62)以将在与所述电子网络(16)连接的放射学工作站(34)处被录入到放射学报告中的文本变换为所述综合诊断表示;
在经变换的所述文本中检测针对发现词汇表类别的值(180);
使用将印象与针对所述发现词汇表类别的值相关联的机器学习组件或查找表(186,188),来推断与针对发现词汇表类别的检测到的所述值相对应的印象(184);以及
在所述放射学工作站的显示器(40,42)上显示所推断的所述印象。
9.根据权利要求1至3中任一项所述的医学IT系统,其中所述多个医学信息系统至少包括:以病理学报告格式存储病理学报告的病理学信息系统(PIS)(24)、以及以不同于所述病理学报告格式的医学成像检查报告格式存储医学成像检查报告的放射学信息系统(RIS)(26),并且所述多个文档处理任务包括患者时间线任务(78),所述患者时间线任务(78)由被存储在所述一个或多个数据存储介质上并且由所述一个或多个计算机可执行的指令限定,以:
从至少包括所述PIS(24)和所述RIS(26)的所述多个医学信息系统中取回关于患者的医学报告(200,202,204,206);
调用所述医学报告变换(62)以将每个所取回的报告变换为所述综合诊断表示;
基于所述医学报告的值和日期的所述词汇表类别,将来自不同的所取回的并且经变换的医学报告的词汇表类别值(210,212,214,216,218,220)相关;以及
显示针对所述患者的患者时间线,包括根据所述医学报告的所述日期呈现按时间顺序被布置的所述相关词汇表类别值。
10.根据权利要求9所述的医学IT系统,其中来自所述不同的所取回的并且经变换的医学报告的所述词汇表类别值(210,212,214,216,218,220)通过基于以下各项的组合将因果词汇表类别值(212)和响应词汇表类别值(216,218)相关而被至少部分地相关:(i)所述响应词汇表类别值的所述词汇表类别是对所述因果词汇表类别值的所述词汇表类别的响应,以及(ii)包含所述因果词汇表类别值的所述医学报告具有早于包含所述响应词汇表类别值的所述医学报告的日期。
11.根据权利要求1至3中任一项所述的医学IT系统,其中所述多个文档处理任务包括异常值检测任务(80),所述异常值检测任务(80)由被存储在所述一个或多个数据存储介质上并且由所述一个或多个计算机可执行的指令限定,以:
调用所述医学报告变换(62)以将在与所述电子网络(16)连接的工作站(34)处被录入到医学报告(230)中的文本变换为所述综合诊断表示,并且在经变换的所述文本中检测词汇表类别值(240,242);
通过向机器学习组件(232,234)输入检测到的所述词汇表类别值,来推断(236)所述医学报告的缺失的或不一致的词汇表类别值,所述机器学习组件(232,234)被训练以在医学报告中检测缺失的或不一致的词汇表类别值;以及
在所述工作站的显示器(40,42)上显示所推断的所述缺失的或不一致的词汇表类别值。
12.根据权利要求11所述的医学IT系统,其中所述医学报告(230)包括放射学报告,所述机器学习组件(232,234)包括异常值模型(234),并且所述机器学习组件(232,234)被训练以检测:
(i)其中所述放射学报告包括被所述异常值模型分类为重要发现的发现并且所述放射学报告不包括相对应的重要警报的异常值,以及
(ii)其中所述放射学报告包括与未被所述异常值模型分类为重要发现的发现相对应的重要警报的异常值。
13.根据权利要求1至3中任一项所述的医学IT系统,其中所述综合诊断系统(60)通过包括以下各项的操作将医学报告(90)变换为所述综合诊断表示(100):
将所述医学报告分段(96)成多个部分;
执行自然语言处理(98)以将每个部分的文本内容解析为令牌;以及
将令牌与所述类别词汇表(64)的词汇表类别相匹配,并且从所述令牌和匹配的所述词汇表类别得出词汇表类别值。
14.根据权利要求1至3中任一项所述的医学IT系统,其中所述类别词汇表(64)至少包括“发现”、“重要发现”、“推荐”、“活检样本”、“检查原因”、“诊断”、“印象”和“观察”词汇表类别。
15.根据权利要求9所述的医学IT系统,其中所存储的指令还由所述一个或多个计算机可执行以限定存储医学图像的图片存档和通信系统(PACS)(20),并且所述多个医学信息系统至少包括以不同于所述病理学报告格式的医学成像检查报告格式存储医学成像检查报告的放射学信息系统(RIS)(26),并且所述医学IT系统还包括:
多个医学成像设备(50),所述多个医学成像设备(50)包括至少一个磁共振成像(MRI)扫描仪、至少一个计算机断层(CT)扫描仪和至少一个正电子发射断层(PET)扫描仪;
至少一个放射学工作站(34),包括显示器(40,42)和至少一个用户输入设备(44,46,48);
通过所述电子网络(16)被连接的所述多个医学成像设备,用于将由所述多个医学成像设备获取的医学图像传递给所述PACS(20);以及
通过所述电子网络被连接的所述至少一个放射学工作站,用于从所述PACS取回医学图像,用于将所取回的医学图像显示在所述至少一个放射学工作站的所述显示器上,用于经由所述放射学工作站的所述至少一个用户输入设备接收成像检查报告,并且用于以所述成像检查报告格式将所接收的所述成像检查报告存储在所述RIS(26)处。
16.根据权利要求1至3中任一项所述的医学IT系统,其中所述多个医学信息系统包括以下至少一项:以病理学报告格式存储病理学报告的病理学信息系统(PIS)(24)、以及以不同于所述病理学报告格式的医学成像检查报告格式存储医学成像检查报告的放射学信息系统(RIS)(26)。
17.一种存储指令的非瞬态存储介质(14),所述指令由一个或多个计算机(10,12)可读取并且可执行以:
从关于患者的医学成像检查的医学成像检查报告(110)中提取文本内容;以及
将描述从所述医学成像检查报告中所提取的所述文本内容(116)的元数据(114)添加到所述患者的所述医学成像检查的图像(115);
其中描述从所述医学成像检查报告中所提取的所述文本内容的所添加的所述元数据包括去往所述医学成像检查报告的超链接(138),
其中所述指令还由所述一个或多个计算机(10,12)可读取并且可执行以:
标识关于所述患者的病理学报告(112);
从所述病理学报告中提取与从所述医学成像检查报告(110)中所提取的所述文本内容(116)相关的文本内容(126);以及
将描述从所述病理学报告中所提取的所述文本内容的元数据(124)添加到所述患者的所述医学成像检查的所述图像(115);
其中描述从所述病理学报告中所提取的所述文本内容的所添加的所述元数据包括去往所述病理学报告的超链接(138)。
18.根据权利要求17所述的非瞬态存储介质(14),其中:
从所述医学成像检查报告(110)中所提取的所述文本内容(116)标识所述医学成像检查报告中所包含的病理推荐,以及
从所述病理学报告(112)中所提取的所述文本内容(126)响应于所述医学成像检查报告中所包含的所述病理推荐。
19.根据权利要求17至18中任一项所述的非瞬态存储介质(14),其中所添加的所述元数据(114,124)是医学数字成像和通信(DICOM)元数据,并且所述指令还由所述一个或多个计算机(10,12)可读取并且可执行,以将利用所述DICOM元数据被注释的所述图像(115)存储在图片存档和通信系统(PACS)(20)中。
20.一种结合以病理学报告格式存储病理学报告的病理学信息系统(PIS)(24)和以不同于所述病理学报告格式的医学成像检查报告格式存储医学成像检查报告的放射学信息系统(RIS)(26)来执行的方法,所述方法包括:
使用由被存储在非瞬态存储介质(14)上的指令编程的电子处理器(10,12):
将至少一个病理学报告(112,152,206)和至少一个医学成像检查报告(110,150,204)转换为综合诊断表示,所述综合诊断表示将经转换的所述报告的文本表示为类别词汇表(64)的词汇表类别值;
基于相应报告的时间戳,对经转换的所述报告时间排序;
基于经转换的响应报告(112,152,206)的词汇表类别值响应于经转换的因果报告(110,150,204)的词汇表类别值,标识所述响应报告和所述因果报告;以及
在工作站(34)上显示在所述标识中被使用的所述词汇表类别值的概要。
21.根据权利要求20所述的方法,其中所述概要包括表示所述因果报告(204)和所述响应报告(206)的时间线,其中所述因果报告和所述响应报告中的每个被标签有在所述标识中被使用的所述相应报告的所述词汇表类别值和所述相应报告的所述时间戳。
22.根据权利要求20至21中任一项所述的方法,还包括:
使用由被存储在所述非瞬态存储介质(14)上的指令编程的所述电子处理器(10,12),确定在所述标识中被使用的所述因果报告和所述响应报告(150,152)的所述词汇表类别值之间的一致性或不一致性(158);
其中所述概要包括所确定的所述一致性或所述不一致性。
23.根据权利要求20至21中任一项所述的方法,还包括:
将元数据(114,124)添加到在所述至少一个医学成像检查报告(110)中所报告的医学成像检查的图像(115),所添加的所述元数据描述在所述标识中被使用的所述因果报告和所述响应报告(110,112)的所述词汇表类别值(116,126)。
24.根据权利要求20至21中任一项所述的方法,还包括:
将元数据(114,124)添加到在所述至少一个医学成像检查报告(110)中所报告的医学成像检查的图像(115),所添加的所述元数据包括去往所述因果报告和所述响应报告的超链接(138)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862782401P | 2018-12-20 | 2018-12-20 | |
US62/782,401 | 2018-12-20 | ||
PCT/EP2019/085006 WO2020126868A1 (en) | 2018-12-20 | 2019-12-13 | Integrated diagnostics systems and methods |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113243033A CN113243033A (zh) | 2021-08-10 |
CN113243033B true CN113243033B (zh) | 2024-05-17 |
Family
ID=69104358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980084634.0A Active CN113243033B (zh) | 2018-12-20 | 2019-12-13 | 综合诊断系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220068449A1 (zh) |
EP (1) | EP3899963A1 (zh) |
CN (1) | CN113243033B (zh) |
WO (1) | WO2020126868A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210138268A1 (en) * | 2019-11-11 | 2021-05-13 | The Board Of Regents Of The University Of Texas System | Archiving radiation therapy records for transmission and review |
WO2021195345A1 (en) * | 2020-03-26 | 2021-09-30 | Janssen Biotech, Inc. | Annotating and managing of therapeutic or biological digital data |
US20210375437A1 (en) * | 2020-06-01 | 2021-12-02 | Radial Analytics, Inc. | Systems and methods for discharge evaluation triage |
US11763081B2 (en) * | 2020-10-02 | 2023-09-19 | Merative Us L.P. | Extracting fine grain labels from medical imaging reports |
JP2023549044A (ja) * | 2020-10-15 | 2023-11-22 | ビュノ インコーポレイテッド | 画像解析のためのユーザーインターフェース |
WO2022155607A1 (en) * | 2021-01-15 | 2022-07-21 | F. Hoffmann-La Roche Ag | Oncology workflow for clinical decision support |
EP4033493A1 (en) * | 2021-01-26 | 2022-07-27 | Agfa Healthcare Nv | Method of automatically matching procedure definitions in different radiology information systems |
US11669678B2 (en) * | 2021-02-11 | 2023-06-06 | Enlitic, Inc. | System with report analysis and methods for use therewith |
WO2022260292A1 (ko) * | 2021-06-11 | 2022-12-15 | 주식회사 라인웍스 | 암 병리 보고서의 데이터 추출 방법, 이를 구현한 시스템 및 프로그램 |
WO2023011891A1 (en) * | 2021-08-02 | 2023-02-09 | Koninklijke Philips N.V. | Automated alerting system for relevant examinations |
CN115862831B (zh) * | 2023-03-02 | 2023-05-12 | 山东远程分子互联网医院有限公司 | 一种智能在线预约诊疗管理系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007148660A (ja) * | 2005-11-25 | 2007-06-14 | Toshiba Corp | 医用レポートシステム及び医用データ変換プログラム |
CN101299225A (zh) * | 2007-04-30 | 2008-11-05 | 西门子公司 | 提供医学报告的方法、装置和系统 |
JP2009258870A (ja) * | 2008-04-15 | 2009-11-05 | Fuji Xerox Co Ltd | 情報抽出装置およびプログラムならびに情報抽出ルール生成装置およびプログラム |
CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
CN102612696A (zh) * | 2009-09-28 | 2012-07-25 | 皇家飞利浦电子股份有限公司 | 具有报告验证器和报告增强器的医学信息系统 |
WO2014197669A1 (en) * | 2013-06-05 | 2014-12-11 | Nuance Communications, Inc. | Methods and apparatus for providing guidance to medical professionals |
CN105940401A (zh) * | 2014-01-30 | 2016-09-14 | 皇家飞利浦有限公司 | 背景敏感医学数据输入系统 |
CN106415555A (zh) * | 2013-11-26 | 2017-02-15 | 皇家飞利浦有限公司 | 用于病理学报告与放射学报告的相关联的系统和方法 |
CN107077528A (zh) * | 2014-11-03 | 2017-08-18 | 皇家飞利浦有限公司 | 具有基于文本识别的文本图像链接的图片归档系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698152B2 (en) * | 2005-01-07 | 2010-04-13 | Siemens Medical Solutions Health Services Corporation | Medical image viewing management and status system |
US20100114597A1 (en) * | 2008-09-25 | 2010-05-06 | Algotec Systems Ltd. | Method and system for medical imaging reporting |
US20140350961A1 (en) * | 2013-05-21 | 2014-11-27 | Xerox Corporation | Targeted summarization of medical data based on implicit queries |
US11031121B2 (en) * | 2014-05-06 | 2021-06-08 | Koninklijke Philips N.V. | System and method for indicating the quality of information to support decision making |
-
2019
- 2019-12-13 CN CN201980084634.0A patent/CN113243033B/zh active Active
- 2019-12-13 US US17/415,048 patent/US20220068449A1/en active Pending
- 2019-12-13 EP EP19831622.6A patent/EP3899963A1/en active Pending
- 2019-12-13 WO PCT/EP2019/085006 patent/WO2020126868A1/en unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007148660A (ja) * | 2005-11-25 | 2007-06-14 | Toshiba Corp | 医用レポートシステム及び医用データ変換プログラム |
CN101299225A (zh) * | 2007-04-30 | 2008-11-05 | 西门子公司 | 提供医学报告的方法、装置和系统 |
JP2009258870A (ja) * | 2008-04-15 | 2009-11-05 | Fuji Xerox Co Ltd | 情報抽出装置およびプログラムならびに情報抽出ルール生成装置およびプログラム |
CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
CN102612696A (zh) * | 2009-09-28 | 2012-07-25 | 皇家飞利浦电子股份有限公司 | 具有报告验证器和报告增强器的医学信息系统 |
WO2014197669A1 (en) * | 2013-06-05 | 2014-12-11 | Nuance Communications, Inc. | Methods and apparatus for providing guidance to medical professionals |
CN106415555A (zh) * | 2013-11-26 | 2017-02-15 | 皇家飞利浦有限公司 | 用于病理学报告与放射学报告的相关联的系统和方法 |
CN105940401A (zh) * | 2014-01-30 | 2016-09-14 | 皇家飞利浦有限公司 | 背景敏感医学数据输入系统 |
CN107077528A (zh) * | 2014-11-03 | 2017-08-18 | 皇家飞利浦有限公司 | 具有基于文本识别的文本图像链接的图片归档系统 |
Also Published As
Publication number | Publication date |
---|---|
US20220068449A1 (en) | 2022-03-03 |
WO2020126868A1 (en) | 2020-06-25 |
CN113243033A (zh) | 2021-08-10 |
EP3899963A1 (en) | 2021-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113243033B (zh) | 综合诊断系统和方法 | |
Stanfill et al. | Health information management: implications of artificial intelligence on healthcare data and information management | |
US11069432B2 (en) | Automatic disease detection from unstructured textual reports | |
CN108475538B (zh) | 用于将第三方应用集成在图像解读工作流中的结构化发现对象 | |
US10901978B2 (en) | System and method for correlation of pathology reports and radiology reports | |
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
RU2686627C1 (ru) | Автоматическое создание ориентированной на показатели продольной области для просмотра показателей пациента | |
US8527293B2 (en) | Method and system for supporting clinical decision-making | |
US10667794B2 (en) | Automatic detection of disease from analysis of echocardiographer findings in echocardiogram videos | |
CN103069423B (zh) | 用于辅助报告创作的系统和方法 | |
CN109313648B (zh) | 用于基于语义关系来将自由文本临床文档建模为层次图状数据结构的系统和方法 | |
US20060136259A1 (en) | Multi-dimensional analysis of medical data | |
US11195600B2 (en) | Automatic discrepancy detection in medical data | |
US20220028507A1 (en) | Workflow for automatic measurement of doppler pipeline | |
JP2015524107A (ja) | 患者情報を臨床基準にマッチングするシステム及び方法 | |
US20150178386A1 (en) | System and Method for Extracting Measurement-Entity Relations | |
US8799286B2 (en) | System and method for organizing and displaying of longitudinal multimodal medical records | |
US20160283657A1 (en) | Methods and apparatus for analyzing, mapping and structuring healthcare data | |
US20130254703A1 (en) | Medical information system ruleset creation and/or evaluation graphical user interface | |
US10617396B2 (en) | Detection of valve disease from analysis of doppler waveforms exploiting the echocardiography annotations | |
US20180107791A1 (en) | Cohort detection from multimodal data and machine learning | |
KR20240008838A (ko) | 인공 지능-보조 이미지 분석을 위한 시스템 및 방법 | |
del Mar Roldán-García et al. | Towards an ontology-driven clinical experience sharing ecosystem: Demonstration with liver cases | |
Kovacs et al. | Correlate: a PACS-and EHR-integrated tool leveraging natural language processing to provide automated clinical follow-up | |
US8756234B1 (en) | Information theory entropy reduction program |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |