CN113873935A - 个性化数字化治疗方法和装置 - Google Patents
个性化数字化治疗方法和装置 Download PDFInfo
- Publication number
- CN113873935A CN113873935A CN202080038037.7A CN202080038037A CN113873935A CN 113873935 A CN113873935 A CN 113873935A CN 202080038037 A CN202080038037 A CN 202080038037A CN 113873935 A CN113873935 A CN 113873935A
- Authority
- CN
- China
- Prior art keywords
- subject
- data
- individual
- digital
- emotion
- 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 title claims abstract description 358
- 238000011282 treatment Methods 0.000 title claims abstract description 344
- 230000008451 emotion Effects 0.000 claims description 172
- 238000002560 therapeutic procedure Methods 0.000 claims description 169
- 238000010801 machine learning Methods 0.000 claims description 162
- 206010003805 Autism Diseases 0.000 claims description 152
- 208000020706 Autistic disease Diseases 0.000 claims description 152
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 137
- 208000035475 disorder Diseases 0.000 claims description 135
- 230000003542 behavioural effect Effects 0.000 claims description 132
- 230000000694 effects Effects 0.000 claims description 126
- 238000012549 training Methods 0.000 claims description 123
- 239000003814 drug Substances 0.000 claims description 106
- 208000029560 autism spectrum disease Diseases 0.000 claims description 88
- 230000003190 augmentative effect Effects 0.000 claims description 61
- 238000004458 analytical method Methods 0.000 claims description 59
- 206010012559 Developmental delay Diseases 0.000 claims description 54
- 230000006378 damage Effects 0.000 claims description 45
- 230000003997 social interaction Effects 0.000 claims description 42
- 230000006872 improvement Effects 0.000 claims description 33
- 208000027418 Wounds and injury Diseases 0.000 claims description 32
- 208000014674 injury Diseases 0.000 claims description 32
- 230000008909 emotion recognition Effects 0.000 claims description 31
- 230000001537 neural effect Effects 0.000 claims description 27
- 229940124597 therapeutic agent Drugs 0.000 claims description 27
- 230000001815 facial effect Effects 0.000 claims description 26
- 230000000926 neurological effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 22
- 238000010191 image analysis Methods 0.000 claims description 20
- 208000012902 Nervous system disease Diseases 0.000 claims description 14
- 230000019771 cognition Effects 0.000 claims description 12
- 230000001747 exhibiting effect Effects 0.000 claims description 12
- 230000001668 ameliorated effect Effects 0.000 claims description 10
- 238000007639 printing Methods 0.000 claims description 10
- 208000012239 Developmental disease Diseases 0.000 abstract description 86
- 238000003745 diagnosis Methods 0.000 description 130
- 230000004044 response Effects 0.000 description 114
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 87
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 85
- 238000004422 calculation algorithm Methods 0.000 description 85
- 230000003920 cognitive function Effects 0.000 description 75
- 229940079593 drug Drugs 0.000 description 72
- 230000000875 corresponding effect Effects 0.000 description 67
- 230000006399 behavior Effects 0.000 description 55
- 230000035945 sensitivity Effects 0.000 description 52
- 230000001225 therapeutic effect Effects 0.000 description 52
- 208000030979 Language Development disease Diseases 0.000 description 48
- 230000008921 facial expression Effects 0.000 description 40
- 230000003993 interaction Effects 0.000 description 40
- 230000002996 emotional effect Effects 0.000 description 34
- 230000008569 process Effects 0.000 description 34
- 230000008449 language Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 30
- 208000024891 symptom Diseases 0.000 description 29
- 238000012360 testing method Methods 0.000 description 29
- 230000013016 learning Effects 0.000 description 28
- 238000003066 decision tree Methods 0.000 description 26
- 238000001514 detection method Methods 0.000 description 26
- 230000015654 memory Effects 0.000 description 26
- 230000008901 benefit Effects 0.000 description 25
- 238000003860 storage Methods 0.000 description 25
- 230000001755 vocal effect Effects 0.000 description 25
- 238000011156 evaluation Methods 0.000 description 24
- 238000002405 diagnostic procedure Methods 0.000 description 22
- 229960002073 sertraline Drugs 0.000 description 22
- VGKDLMBJGBXTGI-SJCJKPOMSA-N sertraline Chemical compound C1([C@@H]2CC[C@@H](C3=CC=CC=C32)NC)=CC=C(Cl)C(Cl)=C1 VGKDLMBJGBXTGI-SJCJKPOMSA-N 0.000 description 22
- RTHCYVBBDHJXIQ-MRXNPFEDSA-N (R)-fluoxetine Chemical compound O([C@H](CCNC)C=1C=CC=CC=1)C1=CC=C(C(F)(F)F)C=C1 RTHCYVBBDHJXIQ-MRXNPFEDSA-N 0.000 description 21
- 229960002464 fluoxetine Drugs 0.000 description 21
- 230000014509 gene expression Effects 0.000 description 21
- 238000012552 review Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 20
- 230000006854 communication Effects 0.000 description 20
- 238000007781 pre-processing Methods 0.000 description 20
- 238000011161 development Methods 0.000 description 18
- 230000018109 developmental process Effects 0.000 description 18
- 208000020016 psychiatric disease Diseases 0.000 description 18
- WSEQXVZVJXJVFP-HXUWFJFHSA-N (R)-citalopram Chemical compound C1([C@@]2(C3=CC=C(C=C3CO2)C#N)CCCN(C)C)=CC=C(F)C=C1 WSEQXVZVJXJVFP-HXUWFJFHSA-N 0.000 description 17
- 229960001653 citalopram Drugs 0.000 description 17
- 238000010586 diagram Methods 0.000 description 17
- 238000013473 artificial intelligence Methods 0.000 description 14
- 230000001149 cognitive effect Effects 0.000 description 14
- WSEQXVZVJXJVFP-FQEVSTJZSA-N escitalopram Chemical compound C1([C@]2(C3=CC=C(C=C3CO2)C#N)CCCN(C)C)=CC=C(F)C=C1 WSEQXVZVJXJVFP-FQEVSTJZSA-N 0.000 description 14
- 229960004341 escitalopram Drugs 0.000 description 14
- 210000001508 eye Anatomy 0.000 description 14
- 230000000007 visual effect Effects 0.000 description 14
- 208000010877 cognitive disease Diseases 0.000 description 13
- 230000002452 interceptive effect Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 13
- 238000007637 random forest analysis Methods 0.000 description 12
- AHOUBRCZNHFOSL-YOEHRIQHSA-N (+)-Casbol Chemical compound C1=CC(F)=CC=C1[C@H]1[C@H](COC=2C=C3OCOC3=CC=2)CNCC1 AHOUBRCZNHFOSL-YOEHRIQHSA-N 0.000 description 11
- KWTSXDURSIMDCE-QMMMGPOBSA-N (S)-amphetamine Chemical compound C[C@H](N)CC1=CC=CC=C1 KWTSXDURSIMDCE-QMMMGPOBSA-N 0.000 description 11
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 description 11
- AHOUBRCZNHFOSL-UHFFFAOYSA-N Paroxetine hydrochloride Natural products C1=CC(F)=CC=C1C1C(COC=2C=C3OCOC3=CC=2)CNCC1 AHOUBRCZNHFOSL-UHFFFAOYSA-N 0.000 description 11
- QWCRAEMEVRGPNT-UHFFFAOYSA-N buspirone Chemical compound C1C(=O)N(CCCCN2CCN(CC2)C=2N=CC=CN=2)C(=O)CC21CCCC2 QWCRAEMEVRGPNT-UHFFFAOYSA-N 0.000 description 11
- 229960002495 buspirone Drugs 0.000 description 11
- 238000009826 distribution Methods 0.000 description 11
- 230000004630 mental health Effects 0.000 description 11
- 229960002296 paroxetine Drugs 0.000 description 11
- GPRLSGONYQIRFK-MNYXATJNSA-N triton Chemical compound [3H+] GPRLSGONYQIRFK-MNYXATJNSA-N 0.000 description 11
- 229960004688 venlafaxine Drugs 0.000 description 11
- PNVNVHUZROJLTJ-UHFFFAOYSA-N venlafaxine Chemical compound C1=CC(OC)=CC=C1C(CN(C)C)C1(O)CCCCC1 PNVNVHUZROJLTJ-UHFFFAOYSA-N 0.000 description 11
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 10
- 230000002787 reinforcement Effects 0.000 description 10
- 229960001534 risperidone Drugs 0.000 description 10
- RAPZEAPATHNIPO-UHFFFAOYSA-N risperidone Chemical compound FC1=CC=C2C(C3CCN(CC3)CCC=3C(=O)N4CCCCC4=NC=3C)=NOC2=C1 RAPZEAPATHNIPO-UHFFFAOYSA-N 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000012216 screening Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 9
- 238000011269 treatment regimen Methods 0.000 description 9
- 229960001058 bupropion Drugs 0.000 description 8
- SNPPWIUOZRMYNY-UHFFFAOYSA-N bupropion Chemical compound CC(C)(C)NC(C)C(=O)C1=CC=CC(Cl)=C1 SNPPWIUOZRMYNY-UHFFFAOYSA-N 0.000 description 8
- 229960004170 clozapine Drugs 0.000 description 8
- QZUDBNBUXVUHMW-UHFFFAOYSA-N clozapine Chemical compound C1CN(C)CCN1C1=NC2=CC(Cl)=CC=C2NC2=CC=CC=C12 QZUDBNBUXVUHMW-UHFFFAOYSA-N 0.000 description 8
- 229960003529 diazepam Drugs 0.000 description 8
- AAOVKJBEBIDNHE-UHFFFAOYSA-N diazepam Chemical compound N=1CC(=O)N(C)C2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 AAOVKJBEBIDNHE-UHFFFAOYSA-N 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 8
- LNEPOXFFQSENCJ-UHFFFAOYSA-N haloperidol Chemical compound C1CC(O)(C=2C=CC(Cl)=CC=2)CCN1CCCC(=O)C1=CC=C(F)C=C1 LNEPOXFFQSENCJ-UHFFFAOYSA-N 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 229960005017 olanzapine Drugs 0.000 description 8
- KVWDHTXUZHCGIO-UHFFFAOYSA-N olanzapine Chemical compound C1CN(C)CCN1C1=NC2=CC=CC=C2NC2=C1C=C(C)S2 KVWDHTXUZHCGIO-UHFFFAOYSA-N 0.000 description 8
- 230000007958 sleep Effects 0.000 description 8
- 241001122315 Polites Species 0.000 description 7
- 238000013542 behavioral therapy Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 7
- 230000006735 deficit Effects 0.000 description 7
- 229960004431 quetiapine Drugs 0.000 description 7
- URKOMYMAXPYINW-UHFFFAOYSA-N quetiapine Chemical compound C1CN(CCOCCO)CCN1C1=NC2=CC=CC=C2SC2=CC=CC=C12 URKOMYMAXPYINW-UHFFFAOYSA-N 0.000 description 7
- DIWRORZWFLOCLC-HNNXBMFYSA-N (3s)-7-chloro-5-(2-chlorophenyl)-3-hydroxy-1,3-dihydro-1,4-benzodiazepin-2-one Chemical compound N([C@H](C(NC1=CC=C(Cl)C=C11)=O)O)=C1C1=CC=CC=C1Cl DIWRORZWFLOCLC-HNNXBMFYSA-N 0.000 description 6
- CEUORZQYGODEFX-UHFFFAOYSA-N Aripirazole Chemical compound ClC1=CC=CC(N2CCN(CCCCOC=3C=C4NC(=O)CCC4=CC=3)CC2)=C1Cl CEUORZQYGODEFX-UHFFFAOYSA-N 0.000 description 6
- 208000020358 Learning disease Diseases 0.000 description 6
- 208000019022 Mood disease Diseases 0.000 description 6
- VREFGVBLTWBCJP-UHFFFAOYSA-N alprazolam Chemical compound C12=CC(Cl)=CC=C2N2C(C)=NN=C2CN=C1C1=CC=CC=C1 VREFGVBLTWBCJP-UHFFFAOYSA-N 0.000 description 6
- 229960004538 alprazolam Drugs 0.000 description 6
- 229960004372 aripiprazole Drugs 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 230000007812 deficiency Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 208000013403 hyperactivity Diseases 0.000 description 6
- 208000035231 inattentive type attention deficit hyperactivity disease Diseases 0.000 description 6
- 201000003723 learning disability Diseases 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 6
- 229960004391 lorazepam Drugs 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- VSWBSWWIRNCQIJ-GJZGRUSLSA-N (R,R)-asenapine Chemical compound O1C2=CC=CC=C2[C@@H]2CN(C)C[C@H]2C2=CC(Cl)=CC=C21 VSWBSWWIRNCQIJ-GJZGRUSLSA-N 0.000 description 5
- GJSURZIOUXUGAL-UHFFFAOYSA-N Clonidine Chemical compound ClC1=CC=CC(Cl)=C1NC1=NCCN1 GJSURZIOUXUGAL-UHFFFAOYSA-N 0.000 description 5
- INJOMKTZOLKMBF-UHFFFAOYSA-N Guanfacine Chemical compound NC(=N)NC(=O)CC1=C(Cl)C=CC=C1Cl INJOMKTZOLKMBF-UHFFFAOYSA-N 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 5
- 229960005245 asenapine Drugs 0.000 description 5
- 229960002896 clonidine Drugs 0.000 description 5
- 206010013932 dyslexia Diseases 0.000 description 5
- 230000006397 emotional response Effects 0.000 description 5
- 229960002048 guanfacine Drugs 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 244000005700 microbiome Species 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000003252 repetitive effect Effects 0.000 description 5
- 201000000980 schizophrenia Diseases 0.000 description 5
- 208000027765 speech disease Diseases 0.000 description 5
- 229960003740 vilazodone Drugs 0.000 description 5
- SGEGOXDYSFKCPT-UHFFFAOYSA-N vilazodone Chemical compound C1=C(C#N)C=C2C(CCCCN3CCN(CC3)C=3C=C4C=C(OC4=CC=3)C(=O)N)=CNC2=C1 SGEGOXDYSFKCPT-UHFFFAOYSA-N 0.000 description 5
- 229960002263 vortioxetine Drugs 0.000 description 5
- YQNWZWMKLDQSAC-UHFFFAOYSA-N vortioxetine Chemical compound CC1=CC(C)=CC=C1SC1=CC=CC=C1N1CCNCC1 YQNWZWMKLDQSAC-UHFFFAOYSA-N 0.000 description 5
- 208000024827 Alzheimer disease Diseases 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 4
- GDLIGKIOYRNHDA-UHFFFAOYSA-N Clomipramine Chemical compound C1CC2=CC=C(Cl)C=C2N(CCCN(C)C)C2=CC=CC=C21 GDLIGKIOYRNHDA-UHFFFAOYSA-N 0.000 description 4
- 208000036626 Mental retardation Diseases 0.000 description 4
- DUGOZIWVEXMGBE-UHFFFAOYSA-N Methylphenidate Chemical compound C=1C=CC=CC=1C(C(=O)OC)C1CCCCN1 DUGOZIWVEXMGBE-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 229940025084 amphetamine Drugs 0.000 description 4
- 229960002430 atomoxetine Drugs 0.000 description 4
- VHGCDTVCOLNTBX-QGZVFWFLSA-N atomoxetine Chemical compound O([C@H](CCNC)C=1C=CC=CC=1)C1=CC=CC=C1C VHGCDTVCOLNTBX-QGZVFWFLSA-N 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 229960004606 clomipramine Drugs 0.000 description 4
- DGBIGWXXNGSACT-UHFFFAOYSA-N clonazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1Cl DGBIGWXXNGSACT-UHFFFAOYSA-N 0.000 description 4
- 229960003120 clonazepam Drugs 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229960003878 haloperidol Drugs 0.000 description 4
- 229960001344 methylphenidate Drugs 0.000 description 4
- 230000007659 motor function Effects 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000002630 speech therapy Methods 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- ZEUITGRIYCTCEM-KRWDZBQOSA-N (S)-duloxetine Chemical compound C1([C@@H](OC=2C3=CC=CC=C3C=CC=2)CCNC)=CC=CS1 ZEUITGRIYCTCEM-KRWDZBQOSA-N 0.000 description 3
- YFGHCGITMMYXAQ-UHFFFAOYSA-N 2-[(diphenylmethyl)sulfinyl]acetamide Chemical compound C=1C=CC=CC=1C(S(=O)CC(=O)N)C1=CC=CC=C1 YFGHCGITMMYXAQ-UHFFFAOYSA-N 0.000 description 3
- 208000028698 Cognitive impairment Diseases 0.000 description 3
- 208000030814 Eating disease Diseases 0.000 description 3
- 208000019454 Feeding and Eating disease Diseases 0.000 description 3
- 208000012202 Pervasive developmental disease Diseases 0.000 description 3
- 206010042008 Stereotypy Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 229960000632 dexamfetamine Drugs 0.000 description 3
- 229960001042 dexmethylphenidate Drugs 0.000 description 3
- DUGOZIWVEXMGBE-CHWSQXEVSA-N dexmethylphenidate Chemical compound C([C@@H]1[C@H](C(=O)OC)C=2C=CC=CC=2)CCCN1 DUGOZIWVEXMGBE-CHWSQXEVSA-N 0.000 description 3
- 235000014632 disordered eating Nutrition 0.000 description 3
- 229960002866 duloxetine Drugs 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 229960004038 fluvoxamine Drugs 0.000 description 3
- CJOFXWAVKWHTFT-XSFVSMFZSA-N fluvoxamine Chemical compound COCCCC\C(=N/OCCN)C1=CC=C(C(F)(F)F)C=C1 CJOFXWAVKWHTFT-XSFVSMFZSA-N 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 229960001252 methamphetamine Drugs 0.000 description 3
- MYWUZJCMWCOHBA-VIFPVBQESA-N methamphetamine Chemical compound CN[C@@H](C)CC1=CC=CC=C1 MYWUZJCMWCOHBA-VIFPVBQESA-N 0.000 description 3
- 229960001165 modafinil Drugs 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000015122 neurodegenerative disease Diseases 0.000 description 3
- 231100000878 neurological injury Toxicity 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- RKEWSXXUOLRFBX-UHFFFAOYSA-N pimavanserin Chemical compound C1=CC(OCC(C)C)=CC=C1CNC(=O)N(C1CCN(C)CC1)CC1=CC=C(F)C=C1 RKEWSXXUOLRFBX-UHFFFAOYSA-N 0.000 description 3
- 229960003300 pimavanserin Drugs 0.000 description 3
- 230000009326 social learning Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000000153 supplemental effect Effects 0.000 description 3
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 description 2
- PMXMIIMHBWHSKN-UHFFFAOYSA-N 3-{2-[4-(6-fluoro-1,2-benzoxazol-3-yl)piperidin-1-yl]ethyl}-9-hydroxy-2-methyl-6,7,8,9-tetrahydropyrido[1,2-a]pyrimidin-4-one Chemical compound FC1=CC=C2C(C3CCN(CC3)CCC=3C(=O)N4CCCC(O)C4=NC=3C)=NOC2=C1 PMXMIIMHBWHSKN-UHFFFAOYSA-N 0.000 description 2
- 241000606124 Bacteroides fragilis Species 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 2
- 208000026331 Disruptive, Impulse Control, and Conduct disease Diseases 0.000 description 2
- PLDUPXSUYLZYBN-UHFFFAOYSA-N Fluphenazine Chemical compound C1CN(CCO)CCN1CCCN1C2=CC(C(F)(F)F)=CC=C2SC2=CC=CC=C21 PLDUPXSUYLZYBN-UHFFFAOYSA-N 0.000 description 2
- 201000006347 Intellectual Disability Diseases 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- RGCVKNLCSQQDEP-UHFFFAOYSA-N Perphenazine Chemical compound C1CN(CCO)CCN1CCCN1C2=CC(Cl)=CC=C2SC2=CC=CC=C21 RGCVKNLCSQQDEP-UHFFFAOYSA-N 0.000 description 2
- 206010034912 Phobia Diseases 0.000 description 2
- 208000028017 Psychotic disease Diseases 0.000 description 2
- XSVMFMHYUFZWBK-NSHDSACASA-N Rivastigmine Chemical compound CCN(C)C(=O)OC1=CC=CC([C@H](C)N(C)C)=C1 XSVMFMHYUFZWBK-NSHDSACASA-N 0.000 description 2
- MUMGGOZAMZWBJJ-DYKIIFRCSA-N Testostosterone Chemical compound O=C1CC[C@]2(C)[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 MUMGGOZAMZWBJJ-DYKIIFRCSA-N 0.000 description 2
- KJADKKWYZYXHBB-XBWDGYHZSA-N Topiramic acid Chemical compound C1O[C@@]2(COS(N)(=O)=O)OC(C)(C)O[C@H]2[C@@H]2OC(C)(C)O[C@@H]21 KJADKKWYZYXHBB-XBWDGYHZSA-N 0.000 description 2
- NIJJYAXOARWZEE-UHFFFAOYSA-N Valproic acid Chemical compound CCCC(C(O)=O)CCC NIJJYAXOARWZEE-UHFFFAOYSA-N 0.000 description 2
- 230000007000 age related cognitive decline Effects 0.000 description 2
- -1 alprenbital Chemical compound 0.000 description 2
- VIROVYVQCGLCII-UHFFFAOYSA-N amobarbital Chemical compound CC(C)CCC1(CC)C(=O)NC(=O)NC1=O VIROVYVQCGLCII-UHFFFAOYSA-N 0.000 description 2
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 201000007197 atypical autism Diseases 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 229960000623 carbamazepine Drugs 0.000 description 2
- FFGPTBGBLSHEPO-UHFFFAOYSA-N carbamazepine Chemical compound C1=CC2=CC=CC=C2N(C(=O)N)C2=CC=CC=C21 FFGPTBGBLSHEPO-UHFFFAOYSA-N 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000006999 cognitive decline Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- ADEBPBSSDYVVLD-UHFFFAOYSA-N donepezil Chemical compound O=C1C=2C=C(OC)C(OC)=CC=2CC1CC(CC1)CCN1CC1=CC=CC=C1 ADEBPBSSDYVVLD-UHFFFAOYSA-N 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 210000003811 finger Anatomy 0.000 description 2
- 229960002690 fluphenazine Drugs 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- ASUTZQLVASHGKV-JDFRZJQESA-N galanthamine Chemical compound O1C(=C23)C(OC)=CC=C2CN(C)CC[C@]23[C@@H]1C[C@@H](O)C=C2 ASUTZQLVASHGKV-JDFRZJQESA-N 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 208000037824 growth disorder Diseases 0.000 description 2
- 244000005709 gut microbiome Species 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 239000013315 hypercross-linked polymer Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- BCGWQEUPMDMJNV-UHFFFAOYSA-N imipramine Chemical compound C1CC2=CC=CC=C2N(CCCN(C)C)C2=CC=CC=C21 BCGWQEUPMDMJNV-UHFFFAOYSA-N 0.000 description 2
- 229960004801 imipramine Drugs 0.000 description 2
- 230000000968 intestinal effect Effects 0.000 description 2
- PYZRQGJRPPTADH-UHFFFAOYSA-N lamotrigine Chemical compound NC1=NC(N)=NN=C1C1=CC=CC(Cl)=C1Cl PYZRQGJRPPTADH-UHFFFAOYSA-N 0.000 description 2
- 229960001848 lamotrigine Drugs 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000004770 neurodegeneration Effects 0.000 description 2
- 229960001816 oxcarbazepine Drugs 0.000 description 2
- CTRLABGOLIVAIY-UHFFFAOYSA-N oxcarbazepine Chemical compound C1C(=O)C2=CC=CC=C2N(C(=O)N)C2=CC=CC=C21 CTRLABGOLIVAIY-UHFFFAOYSA-N 0.000 description 2
- 229960001057 paliperidone Drugs 0.000 description 2
- 229960000762 perphenazine Drugs 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- YVUQSNJEYSNKRX-UHFFFAOYSA-N pimozide Chemical compound C1=CC(F)=CC=C1C(C=1C=CC(F)=CC=1)CCCN1CCC(N2C(NC3=CC=CC=C32)=O)CC1 YVUQSNJEYSNKRX-UHFFFAOYSA-N 0.000 description 2
- 229960003634 pimozide Drugs 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- AQHHHDLHHXJYJD-UHFFFAOYSA-N propranolol Chemical compound C1=CC=C2C(OCC(O)CNC(C)C)=CC=CC2=C1 AQHHHDLHHXJYJD-UHFFFAOYSA-N 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 229960004136 rivastigmine Drugs 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 208000012217 specific developmental disease Diseases 0.000 description 2
- 108020001568 subdomains Proteins 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000011117 substance-related disease Diseases 0.000 description 2
- 210000003371 toe Anatomy 0.000 description 2
- 229960004394 topiramate Drugs 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000036642 wellbeing Effects 0.000 description 2
- 229960000607 ziprasidone Drugs 0.000 description 2
- MVWVFYHBGMAFLY-UHFFFAOYSA-N ziprasidone Chemical compound C1=CC=C2C(N3CCN(CC3)CCC3=CC=4CC(=O)NC=4C=C3Cl)=NSC2=C1 MVWVFYHBGMAFLY-UHFFFAOYSA-N 0.000 description 2
- YQSHYGCCYVPRDI-UHFFFAOYSA-N (4-propan-2-ylphenyl)methanamine Chemical compound CC(C)C1=CC=C(CN)C=C1 YQSHYGCCYVPRDI-UHFFFAOYSA-N 0.000 description 1
- GJHKWLSRHNWTAN-UHFFFAOYSA-N 1-ethoxy-4-(4-pentylcyclohexyl)benzene Chemical compound C1CC(CCCCC)CCC1C1=CC=C(OCC)C=C1 GJHKWLSRHNWTAN-UHFFFAOYSA-N 0.000 description 1
- 208000008811 Agoraphobia Diseases 0.000 description 1
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 208000000103 Anorexia Nervosa Diseases 0.000 description 1
- 241000239290 Araneae Species 0.000 description 1
- 208000036640 Asperger disease Diseases 0.000 description 1
- 201000006062 Asperger syndrome Diseases 0.000 description 1
- 208000027448 Attention Deficit and Disruptive Behavior disease Diseases 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 206010006550 Bulimia nervosa Diseases 0.000 description 1
- KORNTPPJEAJQIU-KJXAQDMKSA-N Cabaser Chemical compound C1=CC([C@H]2C[C@H](CN(CC=C)[C@@H]2C2)C(=O)N(CCCN(C)C)C(=O)NCC)=C3C2=CNC3=C1 KORNTPPJEAJQIU-KJXAQDMKSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000024254 Delusional disease Diseases 0.000 description 1
- 208000020401 Depressive disease Diseases 0.000 description 1
- HCYAFALTSJYZDH-UHFFFAOYSA-N Desimpramine Chemical compound C1CC2=CC=CC=C2N(CCCNC)C2=CC=CC=C21 HCYAFALTSJYZDH-UHFFFAOYSA-N 0.000 description 1
- 208000035976 Developmental Disabilities Diseases 0.000 description 1
- 206010013654 Drug abuse Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 241000512668 Eunectes Species 0.000 description 1
- 208000021584 Expressive language disease Diseases 0.000 description 1
- 241000288113 Gallirallus australis Species 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 208000011688 Generalised anxiety disease Diseases 0.000 description 1
- 208000004547 Hallucinations Diseases 0.000 description 1
- 208000023105 Huntington disease Diseases 0.000 description 1
- 244000035744 Hura crepitans Species 0.000 description 1
- 206010026749 Mania Diseases 0.000 description 1
- 208000037490 Medically Unexplained Symptoms Diseases 0.000 description 1
- NZXKDOXHBHYTKP-UHFFFAOYSA-N Metohexital Chemical compound CCC#CC(C)C1(CC=C)C(=O)NC(=O)N(C)C1=O NZXKDOXHBHYTKP-UHFFFAOYSA-N 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 206010034158 Pathological gambling Diseases 0.000 description 1
- RMUCZJUITONUFY-UHFFFAOYSA-N Phenelzine Chemical compound NNCCC1=CC=CC=C1 RMUCZJUITONUFY-UHFFFAOYSA-N 0.000 description 1
- 241001482237 Pica Species 0.000 description 1
- 201000009916 Postpartum depression Diseases 0.000 description 1
- 208000027030 Premenstrual dysphoric disease Diseases 0.000 description 1
- HCOLPNRPCMFHOH-UHFFFAOYSA-N Prodigiosin Natural products CCCCCC1C=C(C=C/2N=C(C=C2OC)c3ccc[nH]3)N=C1C HCOLPNRPCMFHOH-UHFFFAOYSA-N 0.000 description 1
- RJKFOVLPORLFTN-LEKSSAKUSA-N Progesterone Chemical class C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H](C(=O)C)[C@@]1(C)CC2 RJKFOVLPORLFTN-LEKSSAKUSA-N 0.000 description 1
- IKMPWMZBZSAONZ-UHFFFAOYSA-N Quazepam Chemical compound FC1=CC=CC=C1C1=NCC(=S)N(CC(F)(F)F)C2=CC=C(Cl)C=C12 IKMPWMZBZSAONZ-UHFFFAOYSA-N 0.000 description 1
- 208000028665 Reactive Attachment disease Diseases 0.000 description 1
- 208000022372 Reading disease Diseases 0.000 description 1
- 208000006289 Rett Syndrome Diseases 0.000 description 1
- 241000282849 Ruminantia Species 0.000 description 1
- 208000033712 Self injurious behaviour Diseases 0.000 description 1
- 208000027520 Somatoform disease Diseases 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 208000003028 Stuttering Diseases 0.000 description 1
- 208000000323 Tourette Syndrome Diseases 0.000 description 1
- 208000016620 Tourette disease Diseases 0.000 description 1
- 208000031674 Traumatic Acute Stress disease Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000011374 additional therapy Methods 0.000 description 1
- 208000012826 adjustment disease Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- DKNWSYNQZKUICI-UHFFFAOYSA-N amantadine Chemical compound C1C(C2)CC3CC2CC1(N)C3 DKNWSYNQZKUICI-UHFFFAOYSA-N 0.000 description 1
- 229960003805 amantadine Drugs 0.000 description 1
- 229960000836 amitriptyline Drugs 0.000 description 1
- KRMDCWKBEZIMAB-UHFFFAOYSA-N amitriptyline Chemical compound C1CC2=CC=CC=C2C(=CCCN(C)C)C2=CC=CC=C21 KRMDCWKBEZIMAB-UHFFFAOYSA-N 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 229960001301 amobarbital Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229960002319 barbital Drugs 0.000 description 1
- FTOAOBMCPZCFFF-UHFFFAOYSA-N barbitone sodium Natural products CCC1(CC)C(=O)NC(=O)NC1=O FTOAOBMCPZCFFF-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- GIJXKZJWITVLHI-PMOLBWCYSA-N benzatropine Chemical compound O([C@H]1C[C@H]2CC[C@@H](C1)N2C)C(C=1C=CC=CC=1)C1=CC=CC=C1 GIJXKZJWITVLHI-PMOLBWCYSA-N 0.000 description 1
- 229960001081 benzatropine Drugs 0.000 description 1
- 208000014679 binge eating disease Diseases 0.000 description 1
- 238000001815 biotherapy Methods 0.000 description 1
- 229960002802 bromocriptine Drugs 0.000 description 1
- OZVBMTJYIDMWIL-AYFBDAFISA-N bromocriptine Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N[C@]2(C(=O)N3[C@H](C(N4CCC[C@H]4[C@]3(O)O2)=O)CC(C)C)C(C)C)C2)=C3C2=C(Br)NC3=C1 OZVBMTJYIDMWIL-AYFBDAFISA-N 0.000 description 1
- 229960004596 cabergoline Drugs 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 206010008129 cerebral palsy Diseases 0.000 description 1
- 230000000973 chemotherapeutic effect Effects 0.000 description 1
- 229960004782 chlordiazepoxide Drugs 0.000 description 1
- ANTSCNMPPGJYLG-UHFFFAOYSA-N chlordiazepoxide Chemical compound O=N=1CC(NC)=NC2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 ANTSCNMPPGJYLG-UHFFFAOYSA-N 0.000 description 1
- 229960001076 chlorpromazine Drugs 0.000 description 1
- ZPEIMTDSQAKGNT-UHFFFAOYSA-N chlorpromazine Chemical compound C1=C(Cl)C=C2N(CCCN(C)C)C3=CC=CC=C3SC2=C1 ZPEIMTDSQAKGNT-UHFFFAOYSA-N 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- CXOXHMZGEKVPMT-UHFFFAOYSA-N clobazam Chemical compound O=C1CC(=O)N(C)C2=CC=C(Cl)C=C2N1C1=CC=CC=C1 CXOXHMZGEKVPMT-UHFFFAOYSA-N 0.000 description 1
- 229960001403 clobazam Drugs 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 231100000870 cognitive problem Toxicity 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 208000030251 communication disease Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 229960003914 desipramine Drugs 0.000 description 1
- 229960003782 dextromethorphan hydrobromide Drugs 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- METQSPRSQINEEU-UHFFFAOYSA-N dihydrospirorenone Natural products CC12CCC(C3(CCC(=O)C=C3C3CC33)C)C3C1C1CC1C21CCC(=O)O1 METQSPRSQINEEU-UHFFFAOYSA-N 0.000 description 1
- 229960003530 donepezil Drugs 0.000 description 1
- 229960005426 doxepin Drugs 0.000 description 1
- ODQWQRRAPPTVAG-GZTJUZNOSA-N doxepin Chemical compound C1OC2=CC=CC=C2C(=C/CCN(C)C)/C2=CC=CC=C21 ODQWQRRAPPTVAG-GZTJUZNOSA-N 0.000 description 1
- 229960004845 drospirenone Drugs 0.000 description 1
- METQSPRSQINEEU-HXCATZOESA-N drospirenone Chemical compound C([C@]12[C@H]3C[C@H]3[C@H]3[C@H]4[C@@H]([C@]5(CCC(=O)C=C5[C@@H]5C[C@@H]54)C)CC[C@@]31C)CC(=O)O2 METQSPRSQINEEU-HXCATZOESA-N 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 208000024732 dysthymic disease Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000001667 episodic effect Effects 0.000 description 1
- 229960002336 estazolam Drugs 0.000 description 1
- CDCHDCWJMGXXRH-UHFFFAOYSA-N estazolam Chemical compound C=1C(Cl)=CC=C(N2C=NN=C2CN=2)C=1C=2C1=CC=CC=C1 CDCHDCWJMGXXRH-UHFFFAOYSA-N 0.000 description 1
- 229960005309 estradiol Drugs 0.000 description 1
- 229930182833 estradiol Natural products 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 229960003980 galantamine Drugs 0.000 description 1
- ASUTZQLVASHGKV-UHFFFAOYSA-N galanthamine hydrochloride Natural products O1C(=C23)C(OC)=CC=C2CN(C)CCC23C1CC(O)C=C2 ASUTZQLVASHGKV-UHFFFAOYSA-N 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 208000029364 generalized anxiety disease Diseases 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 206010023461 kleptomania Diseases 0.000 description 1
- 229960001451 lisdexamfetamine Drugs 0.000 description 1
- VOBHXZCDAVEXEY-JSGCOSHPSA-N lisdexamfetamine Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](C)CC1=CC=CC=C1 VOBHXZCDAVEXEY-JSGCOSHPSA-N 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229960000423 loxapine Drugs 0.000 description 1
- XJGVXQDUIWGIRW-UHFFFAOYSA-N loxapine Chemical compound C1CN(C)CCN1C1=NC2=CC=CC=C2OC2=CC=C(Cl)C=C12 XJGVXQDUIWGIRW-UHFFFAOYSA-N 0.000 description 1
- 229960001432 lurasidone Drugs 0.000 description 1
- PQXKDMSYBGKCJA-CVTJIBDQSA-N lurasidone Chemical compound C1=CC=C2C(N3CCN(CC3)C[C@@H]3CCCC[C@H]3CN3C(=O)[C@@H]4[C@H]5CC[C@H](C5)[C@@H]4C3=O)=NSC2=C1 PQXKDMSYBGKCJA-CVTJIBDQSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- BUGYDGFZZOZRHP-UHFFFAOYSA-N memantine Chemical compound C1C(C2)CC3(C)CC1(C)CC2(N)C3 BUGYDGFZZOZRHP-UHFFFAOYSA-N 0.000 description 1
- 229960004640 memantine Drugs 0.000 description 1
- 229960002683 methohexital Drugs 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 229960001785 mirtazapine Drugs 0.000 description 1
- RONZAEMNMFQXRA-UHFFFAOYSA-N mirtazapine Chemical compound C1C2=CC=CN=C2N2CCN(C)CC2C2=CC=CC=C21 RONZAEMNMFQXRA-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 229960001800 nefazodone Drugs 0.000 description 1
- VRBKIVRKKCLPHA-UHFFFAOYSA-N nefazodone Chemical compound O=C1N(CCOC=2C=CC=CC=2)C(CC)=NN1CCCN(CC1)CCN1C1=CC=CC(Cl)=C1 VRBKIVRKKCLPHA-UHFFFAOYSA-N 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 230000000626 neurodegenerative effect Effects 0.000 description 1
- 238000013546 non-drug therapy Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 208000024196 oppositional defiant disease Diseases 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 208000019906 panic disease Diseases 0.000 description 1
- 208000002851 paranoid schizophrenia Diseases 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011338 personalized therapy Methods 0.000 description 1
- 229960000964 phenelzine Drugs 0.000 description 1
- 208000019899 phobic disease Diseases 0.000 description 1
- 208000028173 post-traumatic stress disease Diseases 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- IENZQIKPVFGBNW-UHFFFAOYSA-N prazosin Chemical compound N=1C(N)=C2C=C(OC)C(OC)=CC2=NC=1N(CC1)CCN1C(=O)C1=CC=CO1 IENZQIKPVFGBNW-UHFFFAOYSA-N 0.000 description 1
- 229960001289 prazosin Drugs 0.000 description 1
- 229960001233 pregabalin Drugs 0.000 description 1
- AYXYPKUFHZROOJ-ZETCQYMHSA-N pregabalin Chemical compound CC(C)C[C@H](CN)CC(O)=O AYXYPKUFHZROOJ-ZETCQYMHSA-N 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 229960003111 prochlorperazine Drugs 0.000 description 1
- WIKYUJGCLQQFNW-UHFFFAOYSA-N prochlorperazine Chemical compound C1CN(C)CCN1CCCN1C2=CC(Cl)=CC=C2SC2=CC=CC=C21 WIKYUJGCLQQFNW-UHFFFAOYSA-N 0.000 description 1
- TWFGRJUTAULJPZ-USZBIXTISA-N prodigiosin Chemical compound N1=C(C)C(CCCCC)=C\C1=C/C1=NC(C=2[N]C=CC=2)=C[C]1OC TWFGRJUTAULJPZ-USZBIXTISA-N 0.000 description 1
- 239000000583 progesterone congener Substances 0.000 description 1
- 229960003712 propranolol Drugs 0.000 description 1
- 201000000196 pseudobulbar palsy Diseases 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 229960001964 quazepam Drugs 0.000 description 1
- 229960004482 quinidine sulfate Drugs 0.000 description 1
- 229960000245 rasagiline Drugs 0.000 description 1
- RUOKEQAAGRXIBM-GFCCVEGCSA-N rasagiline Chemical compound C1=CC=C2[C@H](NCC#C)CCC2=C1 RUOKEQAAGRXIBM-GFCCVEGCSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003989 repetitive behavior Effects 0.000 description 1
- 208000013406 repetitive behavior Diseases 0.000 description 1
- 230000004434 saccadic eye movement Effects 0.000 description 1
- 208000012672 seasonal affective disease Diseases 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 229960003946 selegiline Drugs 0.000 description 1
- MEZLKOACVSPNER-GFCCVEGCSA-N selegiline Chemical compound C#CCN(C)[C@H](C)CC1=CC=CC=C1 MEZLKOACVSPNER-GFCCVEGCSA-N 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 201000001716 specific phobia Diseases 0.000 description 1
- 230000003393 splenic effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 229960003604 testosterone Drugs 0.000 description 1
- 208000016686 tic disease Diseases 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
- 229960000604 valproic acid Drugs 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000037221 weight management Effects 0.000 description 1
- 238000012070 whole genome sequencing analysis 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
- A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
- A61M2021/0044—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense
- A61M2021/005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense images, e.g. video
Abstract
本文公开的平台、系统、装置、方法和介质可以评估受试者的一种或多种发育病症,并且提供增强的数字化治疗。本文公开的平台、系统、装置、方法和介质可以被配置为基于数字反馈来改善所述一种或多种发育病症。
Description
相关申请的交叉引用
本申请要求于2019年3月22日提交的美国临时申请序列第62/822,186号的权益,其内容通过引用整体并入本文。
背景技术
许多人患有认知障碍、发育迟缓和神经损伤。使用传统的诊断和治疗方法,这些病症很难诊断和治疗。
发明内容
本文描述了用于诊断和治疗患有来自包括认知障碍、发育迟缓和神经损伤的相关病症组的一种或多种诊断的个体的平台、系统、装置、方法和介质。
认知障碍和发育迟缓的非限制性示例包含自闭症、自闭症谱系障碍、注意力缺陷障碍、注意力缺陷多动障碍以及言语和学习障碍。神经损伤的非限制性示例包含脑瘫和神经退行性疾病。这些包括认知障碍、发育迟缓和神经损伤的相关病症组在某种意义上是相关的,因为个体可能表现出被分类于这些病症组中的一个以上的症状或行为,并且通常个体具有这些病症的多个。因此,很难在沿着疾病谱(例如,自闭症谱系障碍)具有多种状态的诊断之间准确地区分。因此,很难区分具有重叠症状的诊断(例如,自闭症和ADHD)。
当前用于诊断和治疗认知障碍、发育迟缓和神经障碍的方法在诊断期间使用的信息以及可用于确定疗法的信息方面遇到瓶颈。例如,个体可以被给予归类诊断为患有自闭症谱系障碍,并且然后基于所述诊断为其提供通用治疗方案。在确定合适的治疗期间,可能不存在可能与特定损伤相关的信息,诸如,例如基于面部表情识别情感线索的能力程度。
因此,本文公开了通过将诊断数据结合到治疗设计中来为此长期存在的问题提供技术解决方案的平台、系统、装置、方法和介质。诊断或评估过程可以与治疗过程相结合,所述治疗过程结合了来自评估或诊断的多维空间,目的是在逐案的基础上定制治疗,而不是提供将患者置于几个归类桶中的一个,然后通常由不同的医疗保健提供者进行一般治疗的一般诊断。
在一些情况下,提供含有诊断和治疗信息的单个用户账户,从而将用户信息链接到两个过程。此综合方法帮助确保在进行诊断或确定合适的治疗方案时不会遗漏任何潜在的相关信息。通过将诊断和治疗连接到同一平台或过程上,可以实现网络和/或协同效应。例如,所述疗法可以被定制以考虑与情感识别相关的特定维度,所述特定维度被用于确定受试者将受益于使用增强现实工具的情感识别检测疗法,或甚至受益于使用所述工具的被预测比其他类似活动更起作用的特定活动。
在诊断过程期间基于输入数据计算出的内部诊断维度可以被保留,并且然后转移到治疗过程中,用于识别最佳治疗。因此,由诊断过程生成的多维空间(维度是输入特征的非线性组合)内的患者位置可由治疗模型分析,以确定或识别预测提供(改善的)治疗效果的一种或多种特定疗法。
因此,可以基于在应用对同一受试者的数字化诊断或评估期间计算的多维特征集在逐案的基础上定制数字化治疗。此方法提供一种独特的应用精确数字化治疗的能力,与常规方法相比,此方法更高效,因为疗法计划是基于归类诊断,而不是对特定情况下特定病症表现的精细理解。
本文公开的方法和装置被配置为确定认知功能属性,诸如,例如受试者在临床或非临床环境中的发育进度。例如,所描述的方法和装置可以将受试者识别为在一个或多个发育领域中发育超前,或将受试者识别为发育迟缓或处于患有一种或多种发育障碍的风险中。
所公开的方法和装置可以通过基于评定模型评估受试者的多个特性或特征来确定受试者的发育进度,其中评定模型可以使用机器学习方法从相关受试者群体的大数据集生成。本文公开的方法和装置包括使用一个或多个机器学习模型来诊断患有多种障碍中的一种障碍的受试者的改进的逻辑结构和过程。
就准确度和效率而言,对受试者的认知功能属性(包括例如,发育障碍)的识别治疗可能存在令人畏缩的技术问题。许多用于识别此类属性或障碍的已知方法常常是耗时且耗费资源的,需要受试者回答大量问题或者在有资格的临床医生的管理下经受冗长的观察,而这些临床医生的数目和可获得性取决于受试者的地理位置而受限。
另外,许多用于识别和治疗行为状况或障碍、神经状况或障碍或者心理卫生状况或障碍的已知方法的准确度和一致性不甚理想,因为行为障碍、发育迟缓和神经损伤的相关类别内的多种疾病是相互关联的。此外,许多受试者可能具有两种或更多种相关的障碍或状况。如果每个测试设计成仅诊断或识别单个障碍或状况,则呈现多种障碍的受试者可能需要进行多种测试。使用多种诊断测试对受试者进行评估可能是漫长的、昂贵的、不便的,并且在运筹上难以安排。将会期望提供一种使用能够以足够的灵敏度和特异性识别或诊断多种相关障碍或状况的单个诊断测试来测试受试者的方法。
本文所描述的是对此类技术问题的技术解决方案,其中所描述的技术解决方案提高了现有方法的准确性和效率两者。此类技术解决方案减少了管理用于识别和治疗认知功能属性(诸如,行为、神经或精神健康病症或障碍)的方法所需的时间和资源,并且提高了跨受试者的识别结果的准确性和一致性。
此外,本文公开了可以应用于受试者以提高具有超前、正常和降低的认知功能的受试者的认知功能的方法和治疗。鉴于上述情况,需要改进的方法和系统来诊断和识别具有特定认知功能属性的风险如发育障碍的受试者,并提供改进的数字化治疗。理想地,这样的方法和装置将需要更少的问题、减少的时间量,确定多种认知功能属性,诸如行为、神经或精神健康状况或障碍,并且在临床或非临床环境中提供临床上可接受的灵敏度和特异性,这可用于监测和调整治疗功效。此外,改进的数字化治疗可以向患者提供定制的治疗计划,响应于定制的治疗计划接收更新的诊断数据以确定进展,并相应地更新治疗计划。理想地,这些方法和装置也可用于确定受试者的发育进展,并提供治疗以促进发育进展。
本文公开的方法和装置能够在临床或非临床环境中,通过较少的问题在减少的时间量内并且在临床环境中临床上可接受的灵敏度和特异性的情况下在多个发育障碍之中将受试者诊断或识别为处于具有一种或多种认知功能属性的风险中,举例而言,诸如受试者处于患有一种或多种发育障碍的风险中。处理器可以配置有用于识别最具预测性的下一问题的指令,使得能够以较少的问题将人们诊断或识别为处于风险中。响应于多个答案来识别最具预测性的下一问题具有以较少的问题提高了灵敏度和特异性的优点。本文公开的方法和装置可以被配置用于使用单个测试来针对多种相关发育障碍对受试者进行评估,并且使用单个测试来诊断或确定受试者处于多种发育障碍中的一种或多种的风险中。如果受试者呈现多种可能的发育障碍,减少所呈现的问题的数目可能特别有帮助。仅使用单个测试针对多个可能的障碍对受试者进行评估可以大大减少评估程序的时长和成本。本文公开的方法和装置可以在可能具有重叠症状的多个可能的发育障碍之中将受试者诊断或识别为处于患有单个发育障碍的风险中。
尽管能够以多种方式确定最具预测性的下一问题,但是在许多情况下,响应于对在前问题的多个答案来确定最具预测性的下一问题,所述在前问题可能包括先前最具预测性的下一问题。最具预测性的下一问题可以通过统计学进行确定,并且评估一组可能的最具预测性的下一问题以确定最具预测性的下一问题。在很多情况下,对每个可能的最具预测性的下一问题中的每一个的答案均与问题的相关性有关,并且可以响应于对问题的每个可能答案的组合特征重要性来确定问题的相关性。
本文公开的方法和装置可以将受试者分为三个类别之一:具有一种或多种发育状况、发育正常或典型、或不确定(即,需要附加评估以确定受试者是否具有任何发育状况)。发育状况可以是发育障碍或发育进展。注意,本文公开的方法和装置不限于发育状况,并且可以应用于其他认知功能属性,诸如行为、神经或心理健康状况。所述方法和装置最初可以将受试者分类为三个类别之一,并随后通过从受试者收集附加信息继续评估最初被归类为“不确定”的受试者。对最初归类为“不确定”的受试者的这样的持续评估可以通过单一筛查程序(例如,包含各种评估模块)连续进行。备选地或附加地,可以使用单独的附加筛查程序评估被识别为属于不确定组的受试者和/或将其转诊给临床医生以进行进一步评估。
本文公开的方法和装置可以使用问卷和视频输入的组合来评估受试者,其中可以在数学上整合两种输入以优化受试者的分类或诊断的灵敏度和/或特异性。可选地,可以针对不同的环境(例如,一级护理与二级护理)优化方法和装置,以根据应用环境考虑预期发生率的差异。
本文公开的方法和装置可以考虑不同的受试者特定维度,举例而言,诸如受试者的年龄、与受试者相关的地理位置、受试者的性别或者与受试者相关的任何其他受试者特定的或人口统计数据。特别地,本文公开的方法和装置可以在将受试者识别为处于具有一种或多种认知功能属性(诸如,发育状况)的风险时考虑到不同的受试者特定维度,以便增加受试者的评估、诊断和分类的灵敏度和特异性。例如,可以使用不同的机器学习评定模型来评估属于不同年龄组的受试者,每个机器学习评定模型可以被特别调节以识别特定年龄组的受试者中的一种或多种发育状况。每个年龄组特定评定模型可以包含独特的评定项组(例如,问题、视频观察),其中一些评定项可以与其他年龄组的特定评定模型的评定项重叠。
此外,本文所述的数字个性化医疗系统和方法可以为患者提供数字化诊断和数字化治疗。所述数字个性化医疗系统可以使用数字化数据来评定或诊断患者的症状,该评定或诊断以告知个性化或更合适的治疗干预和改善的诊断的方式进行。
在一个方面,所述数字个性化医疗系统可以包括具有处理器和相关联的软件的数字化设备,所述数字化设备可以被配置用于:使用数据来评定和诊断患者;捕获交互和反馈数据,所述交互和反馈数据识别治疗干预所产生的效力、顺应性和响应的相对水平;以及执行数据分析。此类数据分析可包括人工智能,包括例如机器学习和/或统计模型,以便评定用户数据和用户简档以进一步个性化、改善或评定所述治疗干预的效力。
在一些情况下,所述系统可以被配置成使用数字化诊断和数字化治疗。在一些实施方式中,数字化诊断和数字化治疗一起包括用于以数字化方式收集信息并且处理和评估所提供的数据以改善个体的医学、心理或生理状态的装置或方法。数字化治疗系统可以应用基于软件的学习来评估用户数据、监测和改善诊断并且提供治疗干预。在一些实施方式中,数字化治疗被配置为通过帮助患有自闭症或自闭症谱系障碍的个体在他们人或与表达情感的虚拟图像交互时实时识别情感的表达来改善其社交互惠(social reciprocity)。
所述系统中的数字化诊断数据可以包括从患者,或看护人,或与受评定的个体无关的一方收集的数据和元数据。在一些情况下,所收集的数据可以包括监控行为、观察、判断,或者可以由除了所述个体之外的一方进行评定。在其他情况下,所述评定可以包括成年人执行评定或提供用于评定儿童或青少年的数据。所述数据和元数据可以经由诸如移动电话、视频捕获器、音频捕获器、活动监测器或可穿戴数字化监测器等一种或多种数字化设备以数字化格式主动地或被动地收集。
所述数字化诊断将由所述系统收集的关于所述患者的数据用于来自诸如机器学习、人工智能和统计建模等工具的分析以评定或诊断所述患者的状况,所述数据可以包括从所述数字化诊断外部捕获的补充诊断数据。所述数字化诊断还可以直接或间接地经由数据和元数据来评定患者的状态或表现的变化以向所述系统提供反馈,所述数据和元数据可以通过诸如机器学习、人工智能和统计建模等工具来分析和评估,从而改善或改良所述诊断和潜在的治疗干预。
从所述数字化诊断和对应的响应进行的数据评定和机器学习,或在没有所述数字化诊断和对应的响应的情况下,从所述治疗干预进行的数据评定和机器学习可以导致为受试者识别新的诊断以及为患者和看护人识别新的治疗方案。
例如,由所述系统收集和采用的数据的类型可以包括患者和看护人的视频、音频、对问题或活动的响应,以及来自用户与所述系统的活动、游戏或软件特征的交互的主动或被动数据流。这样的数据还可以包括来自患者或看护人例如在执行推荐的活动时与所述系统的交互的元数据。具体的元数据示例包括用户与所述系统的设备或移动应用的交互的数据,所述设备或移动应用捕获所述用户的行为、简档、活动、与所述软件系统的交互、与游戏的交互、使用频率、会话时间、所选择的选项或特征、内容或活动偏好中的各个方面。数据还可以包括来自诸如活动监测器等各种第三方设备的数据和元数据、游戏或交互内容。
在一些实施方式中,本文公开了包括数字化治疗、非数字化治疗、药物或其任意组合的个性化治疗方案。数字化治疗可以包括由所述系统提供给所述患者或看护人的指令、反馈、活动或交互。示例包括建议的行为、活动、游戏,或与系统软件和/或第三方设备的交互会话。数字化治疗可以使用各种方法(包含增强现实、实时认知辅助、虚拟现实或使用技术增强的其他行为疗法)来实现。在一些情况下,数字化治疗使用人工智能来实现。例如,人工智能驱动的可穿戴装置可以用于提供行为干预,以改善患有行为、神经或精神健康病症或障碍的儿童的社交结果。在一些实施方式中,个性化治疗方案是适应性的,例如,基于正在进行的治疗期间从受试者捕获的反馈和/或另外的相关信息(例如,来自自闭症评估的结果),动态更新或重新配置其疗法。
在进一步的方面,本文公开的数字化治疗方法和系统可以在临床或非临床情景下诊断和治疗处于患有多种行为状况或障碍、神经状况或障碍或者心理卫生状况或障碍中的一种或多种行为状况或障碍、神经状况或障碍或者心理卫生状况或障碍的风险中的受试者。该诊断和治疗可以使用本文公开的方法和系统以更少的问题、减少的时间量和在临床环境中临床上可接受的灵敏度和特异性来完成,并且可以提供治疗推荐。例如,当受试者基于错误的诊断开始治疗时,这可能是有帮助的。处理器可以配置有用于识别最具预测性的下一问题或最具说明性的下一症状或观察的指令,使得个人可以仅使用最佳数目的问题或观察可靠地被诊断或识别为处于风险中。响应于多个答案而识别所述最有预测性的下一问题或最具说明性的下一症状或观察的优势在于以更少的问题提供治疗,而不降低诊断过程的灵敏度和特异性。在一些情况下,可以提供附加的处理器来预测或收集关于下一更相关症状的信息。本文公开的方法和装置可以被配置用于使用单个适应性测试针对多种相关障碍来评估和治疗受试者,并且使用所述单个测试将所述受试者诊断或确定为处于所述多种障碍中的一种或多种的风险中。当受试者存在可以被治疗的多种可能的障碍时,减少所呈递的问题或症状或所使用的措施的数目可能是特别有帮助的。仅使用单个适应性测试来评估所述受试者的所述多种可能的障碍可以大大减少评估程序的长度和成本并且改善治疗。本文公开的方法和装置可以诊断和治疗处于可能具有重叠症状的多种可能障碍中的单种障碍的风险中的受试者。
用于所述数字化治疗性治疗的所述最具预测性的下一问题、最具说明性的下一症状或观察可以以多种方式确定。在许多情况下,所述最具预测性的下一问题、症状或观察可以响应于针对先前的问题或观察的多个答案而确定,所述先前的问题或观察可以包括先前最具预测性的下一问题、症状或观察,以便评估所述治疗并且提供对所述受试者的闭环评定。所述最具预测性的下一问题、症状或观察可以在统计学上确定,可以评估一组候选物来确定所述最具预测性的下一问题、症状或观察。在许多情况下,观察或针对所述可能的候选物的答案与所述问题或观察的相关性有关,并且所述问题或观察的相关性可以响应于问题的每个可能答案或观察的合并的特征重要性而确定。一旦治疗已经开始,可以重复问题、症状或观察,或者可以将不同的问题、症状或观察用于更精确地监测进展并且建议改变所述数字化治疗。下一问题、症状或观察的相关性还可以取决于所述问题的不同答案选择或观察的潜在选项中的最终评定的变化。例如,答案选择可能对最终评定一直具有显著影响的问题可以被认为比答案选择可能仅有助于辨别某一特定状况的严重程度差异或以其他方式不大重要的问题更为相关。
示例性装置
本文描述了一种就行为障碍、发育迟缓或神经损伤针对个体进行评估并提供治疗的平台,所述平台包括计算装置,所述计算装置包括:处理器;非暂时性计算机可读介质,其存储计算机程序,所述计算机程序被配置为使得所述处理器:(a)接收与所述行为障碍、所述发育迟缓或所述神经损伤相关的所述个体的输入;(b)使用所述计算机程序的经训练分类器模块确定所述个体患有存在所述行为障碍、所述发育迟缓或所述神经损伤的迹象,所述计算机程序的所述训练分类器模块使用来自患有所述行为障碍、所述发育迟缓或所述神经损伤的多个个体的数据进行训练;(c)使用由所述计算机程序生成的机器学习模型确定所述个体有所述存在的所述迹象的所述行为障碍、所述发育迟缓或所述神经损伤将通过促进社交互惠的数字化治疗得到改善;以及(d)提供促进社交互惠的数字化治疗。
在一些实施方式中,所述机器学习模型确定将由所述数字化治疗实现的改善程度。
在一些实施方式中,所述行为障碍、所述发育迟缓或所述神经损伤是自闭症或自闭症谱系障碍。
在一些实施方式中,所述处理器被配置为具有其他指令,以在确定所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善时向所述个体提供所述数字化治疗。
在一些实施方式中,所述数字化治疗包括增强现实体验。
在一些实施方式中,所述数字化治疗包括虚拟现实体验。
在一些实施方式中,所述数字化治疗由移动计算装置提供。
在一些实施方式中,所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
在一些实施方式中,所述处理器被配置为具有其他指令,以利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
在一些实施方式中,所述处理器被配置为具有其他指令,以使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
在一些实施方式中,所述虚拟现实体验包括显示的虚拟人或角色,并且所述装置还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
在一些实施方式中,在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过所述移动计算装置的音频输出来发出所述描述。
在一些实施方式中,所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
在一些实施方式中,所述图像分析模块包括分类器,所述分类器使用机器学习训练,以将所述面部归类为展示所述情感。
在一些实施方式中,所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
在一些实施方式中,所述处理器被配置为具有其他指令,以将来自所述传声器的声音归类为与情感相关联。
在一些实施方式中,所述处理器被配置为具有其他指令,来为所述个体提供具有所述数字化治疗的指令以参与活动模式。
在一些实施方式中,所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
在一些实施方式中,将治疗剂与所述数字化治疗一起提供给所述个体。
在一些实施方式中,当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
在一些实施方式中,所述装置是可穿戴装置。
在一些实施方式中,所述平台包括视频分析师门户,所述视频分析师门户允许视频分析师审查使用所述计算装置捕获和上传的一个或多个视频并且上传所述输入的一部分。
在一些实施方式中,所述平台包括允许医疗保健提供者上传所述输入的一部分的医疗保健提供者门户。
另一示例性装置
在一些方面,本文公开了一种用于就行为障碍、发育迟缓或神经损伤针对个体进行评估并提供治疗的装置,所述装置包括:处理器;非暂时性计算机可读介质,其存储计算机程序,所述计算机程序被配置为使得所述处理器:(a)接收与所述行为障碍、所述发育迟缓或所述神经损伤相关的所述个体的输入;(b)使用所述计算机程序的经训练分类器模块确定所述个体患有存在所述行为障碍、所述发育迟缓或所述神经损伤的迹象,所述计算机程序的所述训练分类器模块使用来自患有所述行为障碍、所述发育迟缓或所述神经损伤的多个个体的数据进行训练;(c)使用由所述计算机程序生成的机器学习模型确定所述个体有所述存在的所述迹象的所述行为障碍、所述发育迟缓或所述神经损伤将通过促进社交互惠的数字化治疗得到改善;以及(d)提供促进社交互惠的数字化治疗。
在一些实施方式中,所述机器学习模型确定将由所述数字化治疗实现的改善程度。
在一些实施方式中,所述行为障碍、所述发育迟缓或所述神经损伤是自闭症或自闭症谱系障碍。
在一些实施方式中,所述处理器被配置为具有其他指令,以在确定所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善时向所述个体提供所述数字化治疗。
在一些实施方式中,所述数字化治疗包括增强现实体验。
在一些实施方式中,所述数字化治疗包括虚拟现实体验。
在一些实施方式中,所述数字化治疗由移动计算装置提供。在一些实施方式中,所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
在一些实施方式中,所述处理器被配置为具有其他指令,以利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
在一些实施方式中,所述处理器被配置为具有其他指令,以使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
在一些实施方式中,所述虚拟现实体验包括显示的虚拟人或角色,并且所述装置还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
在一些实施方式中,在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来发出所述描述。
在一些实施方式中,所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
在一些实施方式中,所述图像分析模块包括分类器,所述分类器使用机器学习训练,以将所述面部归类为展示所述情感。
在一些实施方式中,所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
在一些实施方式中,所述处理器被配置为具有其他指令,以将来自所述传声器的声音归类为与情感相关联。
在一些实施方式中,所述处理器被配置为具有其他指令,来为所述个体提供具有所述数字化治疗的指令以参与活动模式。
在一些实施方式中,所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
在一些实施方式中,将治疗剂与所述数字化治疗一起提供给所述个体。
在一些实施方式中,当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
在一些实施方式中,所述装置是可穿戴装置。
示例性方法
在一些方面,本文公开了一种使用数字化治疗就行为障碍、发育迟缓或神经损伤对个体进行治疗的计算机实现方法,所述方法包括:(a)接收与所述行为障碍、所述发育迟缓或所述神经损伤相关的所述个体的输入;(b)使用经训练分类器确定所述个体具有患有所述行为障碍、所述发育迟缓或所述神经损伤的迹象;(c)使用机器学习模型确定所述个体有迹象患有的所述行为障碍、所述发育迟缓或所述神经损伤将通过被配置为促进社交互惠的数字化治疗得到改善。
在一些实施方式中,所述机器学习模型确定将由所述数字化治疗实现的改善程度。
在一些实施方式中,所述方法包括当确定所述发育障碍是自闭症或自闭症谱系障碍时向所述个体提供所述数字化治疗。
在一些实施方式中,所述数字化治疗包括增强现实体验。
在一些实施方式中,所述数字化治疗包括虚拟现实体验。
在一些实施方式中,所述数字化治疗由移动计算装置提供。
在一些实施方式中,所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
在一些实施方式中,所述方法包括利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
在一些实施方式中,所述方法包括使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
在一些实施方式中,所述虚拟现实体验包括显示的虚拟人或角色,并且所述方法还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
在一些实施方式中,在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来发出所述描述。
在一些实施方式中,所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
在一些实施方式中,所述图像分析模块包括分类器,所述分类器使用机器学习训练,以将所述面部归类为展示所述情感。
在一些实施方式中,所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
在一些实施方式中,所述方法包括将来自所述传声器的声音归类为与情感相关联。
在一些实施方式中,所述方法还包括为所述个体提供具有所述数字化治疗的指令以参与活动模式。
在一些实施方式中,所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
在一些实施方式中,所述方法包括与所述数字化治疗一起提供治疗剂。
在一些实施方式中,当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
在一些实施方式中,所述数字化治疗被配置为促进所述个体的社交互惠。
示例性介质
在一些方面,本文公开了非暂时性计算机可读介质,其存储计算机程序,所述计算机程序被配置为使得所述处理器:(a)接收与所述行为障碍、所述发育迟缓或所述神经损伤相关的所述个体的输入;(b)使用所述计算机程序的经训练分类器模块确定所述个体有存在所述行为障碍、所述发育迟缓或所述神经损伤的迹象,所述计算机程序的所述训练分类器模块使用来自患有所述行为障碍、所述发育迟缓或所述神经损伤的多个个体的数据进行训练;(c)使用由所述计算机程序生成的机器学习模型确定所述个体有所述存在的所述迹象的所述行为障碍、所述发育迟缓或所述神经损伤将通过促进社交互惠的数字化治疗得到改善;以及(d)提供促进社交互惠的数字化治疗。
在一些实施方式中,所述机器学习模型确定将由所述数字化治疗实现的改善程度。
在一些实施方式中,所述行为障碍、所述发育迟缓或所述神经损伤是自闭症或自闭症谱系障碍。
在一些实施方式中,所述处理器被配置为具有其他指令,以当确定所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善时向所述个体提供所述数字化治疗。
在一些实施方式中,所述数字化治疗包括增强现实体验。
在一些实施方式中,所述数字化治疗包括虚拟现实体验。
在一些实施方式中,所述数字化治疗由移动计算装置提供。
在一些实施方式中,所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
在一些实施方式中,所述计算机可读介质被配置为具有其他指令,以使得所述处理器利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
在一些实施方式中,所述计算机可读介质被配置为具有其他指令,以使得所述处理器使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
在一些实施方式中,所述虚拟现实体验包括显示的虚拟人或角色,并且所述装置还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
在一些实施方式中,在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来发出所述描述。
在一些实施方式中,所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
在一些实施方式中,所述图像分析模块包括分类器,所述分类器使用机器学习训练,以将所述面部归类为展示所述情感。
在一些实施方式中,所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
在一些实施方式中,所述计算机可读介质被配置为具有其他指令,以使得所述处理器将来自所述传声器的声音归类为与情感相关联。
在一些实施方式中,所述计算机可读介质被配置为具有其他指令,以使得所述处理器为所述个体提供具有所述数字化治疗的指令以参与活动模式。
在一些实施方式中,所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
在一些实施方式中,将治疗剂与所述数字化治疗一起提供给所述个体。
在一些实施方式中,当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
在一些实施方式中,所述装置是可穿戴装置。
另一示例性方法
在一些方面,本文公开了一种使用数字化治疗就行为障碍、发育迟缓或神经损伤对个体进行治疗的计算机实现方法,所述方法包括:(a)接收与所述行为障碍、所述发育迟缓或所述神经损伤相关的所述个体的输入;(b)使用经训练分类器确定所述个体具有患有所述行为障碍、所述发育迟缓或所述神经损伤的迹象;(c)使用机器学习模型确定所述个体有迹象患有的所述行为障碍、所述发育迟缓或所述神经损伤将通过被配置为促进社交互惠的数字化治疗得到改善。
在一些实施方式中,所述机器学习模型确定将由所述数字化治疗实现的改善程度。
在一些实施方式中,所述方法包括当确定所述发育障碍是自闭症或自闭症谱系障碍时向所述个体提供所述数字化治疗。
在一些实施方式中,所述数字化治疗包括增强现实体验。
在一些实施方式中,所述数字化治疗包括虚拟现实体验。
在一些实施方式中,所述数字化治疗由移动计算装置提供。
在一些实施方式中,所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
在一些实施方式中,所述方法包括利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
在一些实施方式中,所述方法包括使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
在一些实施方式中,所述虚拟现实体验包括显示的虚拟人或角色,并且所述方法还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
在一些实施方式中,在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来发出所述描述。
在一些实施方式中,所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
在一些实施方式中,所述图像分析模块包括分类器,所述分类器使用机器学习训练,以将所述面部归类为展示所述情感。
在一些实施方式中,所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
在一些实施方式中,所述方法包括将来自所述传声器的声音归类为与情感相关联。
在一些实施方式中,所述方法还包括为所述个体提供具有所述数字化治疗的指令以参与活动模式。
在一些实施方式中,所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
在一些实施方式中,所述方法包括与所述数字化治疗一起提供治疗剂。
在一些实施方式中,当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
在一些实施方式中,所述数字化治疗被配置为促进所述个体的社交互惠。
另一示例性装置
在本文公开的一些方面,一种就行为障碍、发育迟缓或神经损伤向个体提供数字化治疗的装置,所述装置包括:(a)显示器;以及(b)处理器,其被配置为具有指令以:(i)接收与所述多种相关行为障碍、发育迟缓和神经损伤相关的所述个体的输入;(ii)使用评定分类器,基于所述输入确定所述个体具有自闭症或自闭症谱系障碍的诊断;以及(iii)使用机器学习模型确定所述个体的所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善。
在一些实施方式中,所述机器学习模型确定将由所述数字化治疗实现的改善程度。
在一些实施方式中,所述行为障碍、所述发育迟缓或所述神经损伤是自闭症或自闭症谱系障碍。
在一些实施方式中,所述处理器被配置为具有其他指令以在确定所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善时向所述个体提供所述数字化治疗。
在一些实施方式中,所述数字化治疗包括增强现实体验。
在一些实施方式中,所述数字化治疗包括虚拟现实体验。
在一些实施方式中,所述数字化治疗由移动计算装置提供。
在一些实施方式中,所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
在一些实施方式中,所述处理器被配置为具有其他指令,以利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
在一些实施方式中,所述处理器被配置为具有其他指令,以使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
在一些实施方式中,所述虚拟现实体验包括显示的虚拟人或角色,并且所述装置还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
在一些实施方式中,在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来发出所述描述。
在一些实施方式中,所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
在一些实施方式中,所述图像分析模块包括分类器,所述分类器使用机器学习训练,以将所述面部归类为展示所述情感。
在一些实施方式中,所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
在一些实施方式中,所述处理器被配置为具有其他指令,以将来自所述传声器的声音归类为与情感相关联。
在一些实施方式中,所述处理器被配置为具有用于其他指令,来为所述个体提供具有所述数字化治疗的指令以参与活动模式。
在一些实施方式中,所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
在一些实施方式中,将治疗剂与所述数字化治疗一起提供给所述个体。
在一些实施方式中,当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
在一些实施方式中,所述数字化治疗被配置为促进所述个体的社交互惠。
另一示例性方法
在一个方面,提供受试者的至少一种认知功能属性的评估的方法可以包括:在具有处理器和存储器的计算机系统上存储用于由所述处理器执行的计算机程序,所述计算机程序包括指令,用于:接收与所述认知功能属性相关的所述受试者的数据;使用机器学习模型评估所述受试者的所述数据;以及提供对所述受试者的评估,所述评估选自响应于所述数据的不确定性确定和分类确定。所述机器学习模型可以包括多个机器学习评定模型的选定子集。
所述分类确定可以包括所述认知功能属性的存在和所述认知功能属性的不存在。接收来自所述受试者的数据可以包括接收初始数据集。评估来自所述受试者的所述数据可以包括使用选自多个可调节机器学习评定模型的可调节机器学习评定模型的初步子集来评估所述初始数据集,以输出每个所述可调节机器学习评定模型的初步子集的数值评分。
所述方法还可以包括基于所述初始数据集的分析,提供关于所述受试者中所述认知功能属性的存在或不存在的分类确定或不确定性确定,其中可以调整不确定性确定与分类确定的比率。所述方法还可以包括:如果所述初始数据集的分析产生不确定性确定,则确定是否应用选自所述多个可调节机器学习评定模型的附加评定模型;基于决策的结果接收来自所述受试者的附加数据集;基于决策的结果,使用所述附加评定模型评估来自所述受试者的所述附加数据集,以输出每个所述附加评定模型的数值评分;以及基于使用所述附加评定模型对来自所述受试者的所述附加数据集的分析,提供关于所述受试者中所述认知功能属性的存在或不存在的分类确定或不确定性确定,其中可以调整不确定性确定与分类确定的比率。
所述方法还可以包括:组合每个所述评定模型的初步子集的所述数值评分,以生成组合的初步输出评分;以及将所述组合的初步输出评分映射到关于所述受试者中所述认知功能属性的存在或不存在的分类确定或不确定性确定,其中可以调整不确定性确定与分类确定的比率。
所述方法还可以包括采用基于规则的逻辑或组合技术,用于组合每个所述评定模型的初步子集的数值评分,以及用于组合每个所述附加评定模型的数值评分。可以通过指定包含率来调整所述不确定性确定与分类确定的比率。可以通过提供灵敏度和特异性度量来评定关于所述受试者中发育状况的存在或不存在的分类确定。所述包含率可以不小于70%,并且所述分类确定可以产生至少70的灵敏度与至少70的对应特异性。所述包含率可以不小于70%,并且所述分类确定可以产生至少80的灵敏度与至少80的对应特异性。所述包含率可以不小于70%,并且所述分类确定可以产生至少90的灵敏度与至少90的对应特异性。
来自所述受试者的数据可以包括诊断工具的样本中的至少一种,其中所述诊断工具包括诊断问题和对应的可选答案的集合,以及人口统计数据。
所述方法还可以包括:使用先前针对所述发育状况进行评估的来自多个受试者的数据训练多个可调节机器学习评定模型,其中训练包括:使用机器学习技术预处理来自所述多个受试者的所述数据;从所述预处理数据提取和编码机器学习特征;处理来自所述多个受试者的所述数据,以反映意向应用环境中受试者的认知功能属性的预期发生率;选择所处理的机器学习特征的子集;评估所述多个可调节机器学习评定模型中的每个模型的性能,其中评估每个模型针对预定的包含率的灵敏度和特异性;以及基于确定在所述多个可调节机器学习评定模型的选定子集中使用所有模型的益处,确定每个模型的最佳参数集。确定每个模型的最佳参数集可以包括在不同调节参数环境中调节每个模型的参数。
处理所述编码机器学习特征可以包括:计算样本权重并将其分配于数据的每个样本,其中数据的每个样本对应于所述多个受试者中的受试者,其中样本根据受试者特定维度分组,并且其中计算并分配所述样本权重以使一个样本组针对每个其他样本组平衡,以反映意向环境中受试者的每个维度的预期分布。所述受试者特定维度可以包括受试者的性别、受试者所住的地理区域和受试者的年龄。从所述预处理数据提取和编码机器学习特征可以包括使用特征编码技术,诸如但不限于独热编码、严重性编码和行为存在编码。选择所述处理的机器学习特征的子集可以包括使用自举技术从所述处理的机器学习特征识别判别特征的子集。
所述认知功能属性可以包括行为障碍和发育进展。向所述受试者提供的所述分类确定可以选自响应于所述数据的不确定性确定、多个认知功能属性的存在和多个认知功能属性的不存在。
在另一方面,评估受试者的认知功能属性的装置可以包括配置有指令的处理器,所述指令在被执行时使得所述处理器执行上述方法。
另一示例性装置
在另一方面,用于提供受试者的至少一种认知功能属性的评估的移动设备可以包括:显示器;以及处理器,配置有指令以:接收并显示与所述认知功能属性相关的所述受试者的数据;以及接收并显示对所述受试者的评估,所述评估选自不确定性确定和分类确定;其中对所述受试者的所述评估已响应于所述受试者的数据进行了确定。
所述分类确定可以选自所述认知功能属性的存在和所述认知功能属性的不存在。对于所述认知功能属性的所述存在或所述不存在,可以分别以至少80%的灵敏度和至少80%的特异性确定所述认知功能属性。对于所述认知功能属性的所述存在或所述不存在,可以分别以至少90%的灵敏度和至少90%的特异性确定所述认知功能属性。认知功能属性可以包括行为障碍、发育迟缓或神经损伤。
另一示例性装置
在另一方面,数字化治疗递送装置可以包含:一个或多个处理器,包括用于以下模块的软件指令;用于从所述受试者接收数据和输出所述受试者的诊断数据的诊断模块,所述诊断模块包括基于受试者群体使用机器学习或统计建模构建的一种或多种分类器以确定所述受试者的所述诊断数据。
在一些实施方式中,诊断软件采用Triton模型。其中所述诊断数据包括对所述受试者的评估,所述评估选自响应于从所述受试者接收的数据的不确定性确定和分类确定;以及用于接收所述诊断数据和输出针对所述受试者的所述个人治疗性治疗计划的治疗模块,所述治疗模块包括基于所述受试者群体的至少一部分使用机器学习或统计建模构建的一种或多种模型以确定和输出所述受试者的所述个人治疗性治疗计划,其中所述诊断模块被配置用于响应于所述受试者的疗法从所述受试者接收更新的受试者数据并生成来自所述受试者的更新的诊断数据,并且其中所述治疗模块被配置用于接收所述更新的诊断数据并响应于所述诊断数据和所述更新的诊断数据而输出针对所述受试者的更新的个人治疗计划。
所述诊断模块可以包括在所述受试者群体上训练的诊断性机器学习分类器,并且所述治疗模块可以包括在所述受试者群体的至少一部分上训练的治疗性机器学习分类器,并且所述诊断模块和所述治疗模块可以被布置成所述诊断模块基于所述治疗计划的表现向所述治疗模块提供反馈。所述治疗性分类器可以包括在数据集上训练的指令,所述数据集包括所述受试者不是其成员的群体,并且所述受试者可以包括不是所述群体的成员的个人。所述诊断模块可以包括在至少10,000人的受试者群体的多个简档上训练的诊断分类器和在所述受试者群体的所述多个简档上训练的治疗简档。
另一示例性系统
在另一方面,用于评估受试者的至少一种认知功能属性的系统可以包括:配置有指令的处理器,所述指令在执行时使所述处理器:呈现来自多个分类器链的多个问题,所述多个分类器链包括第一链和第二链,所述第一链包括社交/行为迟缓分类器,所述第二链包括言语与语言迟缓分类器。所述社交/行为迟缓分类器可以可操作地耦合至自闭症与注意缺陷多动障碍ADHD分类器。所述社交/行为迟缓分类器可以被配置成如果所述受试者具有社交/行为迟缓则输出阳性结果,并且如果所述受试者不具有所述社交/行为迟缓则输出阴性结果。所述社交/行为迟缓分类器可以被配置成如果无法以指定的灵敏度和特异性确定所述受试者是否具有所述社交/行为迟缓,则输出不确定性结果。所述社交/行为迟缓分类器输出可以耦合至自闭症和ADHD分类器的输入,并且所述自闭症和ADHD分类器可以被配置成如果所述受试者患有自闭症或ADHD则输出阳性结果。所述自闭症和ADHD分类器的输出可以耦合至自闭症对ADHD分类器的输入,并且所述自闭症对ADHD分类器可以被配置成如果所述受试者患有自闭症则生成第一输出,并且如果所述受试者患有ADHD则生成第二输出。所述自闭症对ADHD分类器可以被配置成如果无法以指定的灵敏度和特异性确定所述受试者是否患有自闭症或ADHD,则提供不确定性输出。所述言语与语言迟缓分类器可以可操作地耦合至智力障碍分类器。所述言语与语言迟缓分类器可以被配置成如果所述受试者具有言语和语言迟缓则输出阳性结果,并且如果所述受试者不具有所述言语和语言迟缓则输出阴性输出。所述言语与语言迟缓分类器可以被配置成如果无法以指定的灵敏度和特异性确定所述受试者是否具有所述言语和语言迟缓,则输出不确定性结果。所述言语与语言迟缓分类器输出可以耦合至智力障碍分类器的输入,并且所述智力障碍分类器可以被配置成如果所述受试者具有智力障碍则生成第一输出,并且如果所述受试者具有所述言语和语言迟缓但不具有智力障碍则生成第二输出。所述智力障碍分类器可以被配置成如果无法以指定的灵敏度和特异性确定所述受试者是否具有所述智力障碍,则提供不确定性输出。
所述处理器可以配置有指令以按顺序呈现每个链的问题并跳过重叠的问题。所述第一链可以包括耦合至自闭症与ADHD分类器的社交/行为迟缓分类器。所述第二链可以包括耦合至智力障碍分类器的言语与语言迟缓分类器。用户可以依次通过所述第一链和所述第二链。
另一示例性方法
在另一方面,一种用于将药物施用给受试者的方法可以包括:用机器学习分类器检测受试者的神经障碍;以及响应于检测到的神经障碍将药物施用给受试者。
苯丙胺可以以5mg至50mg的剂量施用。右苯丙胺可以以5mg至60mg的剂量施用。哌甲酯可以以5mg至60mg的剂量施用。甲基苯丙胺可以以5mg至25mg的剂量施用。右哌甲酯可以以2。5mg至40mg的剂量施用。胍法辛可以以1mg至10mg的剂量施用。托莫西汀可以以10mg至100mg的剂量施用。利右苯丙胺可以以30mg至70mg的剂量施用。可乐定可以以0.1mg至0.5mg的剂量施用。莫达非尼可以以100mg至500mg的剂量施用。利培酮可以以0.5mg至20mg的剂量施用。喹硫平可以以25mg至1000mg的剂量施用。丁螺环酮可以以5mg至60mg的剂量施用。舍曲林可以以至多200mg的剂量施用。艾司西酞普兰可以以至多40mg的剂量施用。西酞普兰可以以至多40mg的剂量施用。氟西汀可以以40mg至80mg的剂量施用。帕罗西汀可以以40mg至60mg的剂量施用。文拉法辛可以以至多375mg的剂量施用。氯米帕明可以以至多250mg的剂量施用。氟伏沙明可以以至多300mg的剂量施用。
所述机器学习分类器可以具有不小于70%的包含率。所述机器学习分类器可以能够输出不确定性结果。
另一示例性方法
本文描述了一种就多种相关行为障碍、发育迟缓和神经损伤评估个体的计算机实现的方法,所述方法包括:接收与所述多种相关行为障碍、发育迟缓和神经损伤相关的所述个体的输入;基于所述输入,使用评定分类器确定所述个体具有自闭症或自闭症谱系障碍的诊断;以及使用机器学习模型确定所述个体的所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善。
在一些实施方式中,所述机器学习模型确定将由所述数字化治疗实现的改善程度。
在一些实施方式中,所述方法包括当确定所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善时,向所述个体提供所述数字化治疗。
在一些实施方式中,所述数字化治疗包括增强现实体验。
在一些实施方式中,所述数字化治疗包括虚拟现实体验。
在一些实施方式中,所述数字化治疗由移动计算装置提供。
在一些实施方式中,所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
在一些实施方式中,所述方法包括利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
在一些实施方式中,所述方法包括使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
在一些实施方式中,所述虚拟现实体验包括显示的虚拟人或角色,并且所述方法还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
在一些实施方式中,在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来发出所述描述。
在一些实施方式中,所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
在一些实施方式中,所述图像分析模块包括分类器,所述分类器使用机器学习训练,以将所述面部归类为展示所述情感。
在一些实施方式中,所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
在一些实施方式中,所述方法包括将来自所述传声器的声音归类为与情感相关联。
在一些实施方式中,所述方法包括为所述个体提供具有所述数字化治疗的指令以参与活动模式。
在一些实施方式中,所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
在一些实施方式中,所述方法包括与所述数字化治疗一起提供治疗剂。
在一些实施方式中,当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
在一些实施方式中,所述数字化治疗被配置为促进所述个体的社交互惠。
另一示例性装置
本文描述了一种就行为障碍、发育迟缓或神经损伤向个体提供数字化治疗的装置,所述装置包括:显示器;以及处理器,其被配置为具有指令以:接收与所述多种相关行为障碍、发育迟缓和神经损伤相关的所述个体的输入;基于所述输入,使用评定分类器确定所述个体具有自闭症或自闭症谱系障碍的诊断;以及使用机器学习模型确定所述个体的所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善。
在一些实施方式中,所述机器学习模型确定将由所述数字化治疗实现的改善程度。
在一些实施方式中,所述处理器被配置为具有其他指令,以在确定所述自闭症或所述自闭症谱系障碍将通过所述数字化治疗得到改善时向所述个体提供所述数字化治疗。
在一些实施方式中,所述数字化治疗包括增强现实体验。
在一些实施方式中,所述数字化治疗包括虚拟现实体验。
在一些实施方式中,所述数字化治疗由移动计算装置提供。
在一些实施方式中,所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
在一些实施方式中,所述处理器被配置为具有其他指令,以利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
在一些实施方式中,所述处理器被配置为具有其他指令,以使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
在一些实施方式中,所述虚拟现实体验包括显示的虚拟人或角色,并且所述装置还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
在一些实施方式中,在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来发出所述描述。
在一些实施方式中,所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
在一些实施方式中,所述图像分析模块包括分类器,所述分类器使用机器学习训练,以将所述面部归类为展示所述情感。
在一些实施方式中,所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
在一些实施方式中,所述处理器被配置为具有其他指令,以将来自所述传声器的声音归类为与情感相关联。
在一些实施方式中,所述处理器被配置为具有其他指令,来为所述个体提供具有所述数字化治疗的指令以参与活动模式。
在一些实施方式中,所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
在一些实施方式中,将治疗剂与所述数字化治疗一起提供给所述个体。
在一些实施方式中,当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
在一些实施方式中,所述数字化治疗被配置为促进所述个体的社交互惠。
援引并入
本说明书中提及的所有出版物、专利和专利申请通过引用而并入本文,程度如同具体地和单独地指出通过引用而并入每个单独的出版物、专利或专利申请。
附图说明
本发明的新颖特征在随附权利要求中具体阐述。通过参考阐述了利用本发明原理的非限制说明性实施方式的以下详细描述和附图将会对本发明的特征和优点获得更好的理解,在附图中:
图1A和图1B示出了可以使用如本文所述的评定程序评估的一些示例性发育障碍。
图2是用于提供如本文所述的评定程序的示例性数据处理模块的示意图。
图3是图示基于随机森林分类器的示例性评定模型的一部分的示意图。
图4是如本文所述的预测模块的示例性操作流程。
图5是如本文所述的特征推荐模块的示例性操作流程。
图6是本文所述的特征推荐模块所执行的期望特征重要性确定算法的示例性操作流程。
图7图示了如本文所述的施用评定程序的方法
图8示出了适合并入有本文所述的方法和装置的计算机系统。
图9示出了映射如本文所述的示例性评定模型的灵敏度与误检的受试者操作特性(ROC)曲线。
图10是图示了如本文所述的特征推荐模块的性能度量的散布图。
图11是如本文所述的评估模块的示例性操作流程。
图12是如本文所述的模型调节模块的示例性操作流程。
图13是如本文所述的评估模块的另一示例性操作流程。
图14是图13中描绘的模型输出组合步骤的示例性操作流程。
图15示出了示例性问卷筛查算法,其被配置成仅提供如本文所述的分类确定。
图16示出了示例性问卷筛查算法,其被配置成提供如本文所述的分类确定和不确定性确定。
图17示出了对于如本文所述的所有样本的各种算法的性能的比较。
图18示出了对于取自如本文所述的4岁以下儿童的样本的各种算法的性能的比较。
图19示出了对于取自本文所述的4岁及以上儿童的样本的各种算法的性能的比较。
图20示出了对于如本文所述的所有样本在75%-85%灵敏度范围的算法的特异性。
图21示出了对于如本文所述的4岁以下儿童在75%-85%灵敏度范围的算法的特异性。
图22示出了对于如本文所述的4岁及以上儿童在75%-85%灵敏度范围的算法的特异性。
图23A图示了数字个性化医学平台的示例性系统图。
图23B图示了示例性诊断模块的详细图。
图23C图示了示例性治疗模块图。
图24图示了在数字个性化医学平台中提供的示例性诊断和治疗方法。
图25图示了示意性流程图,示出了对自闭症相关的发育迟缓的处理。
图26图示了数字个性化医学系统的数据处理流程的总览,该数字个性化医学系统包括诊断模块和治疗模块,被配置用于整合来自多个来源的信息。
图27示出了用于评估受试者的多种临床指征的系统。
图28示出了可以响应于本文所描述的平台、系统、装置、方法和介质的诊断而施用的药物。
图29示出了如本文所描述的用于评定个体的平台的图。
图30示出了用于评估个体的非限制性流程图。
图31A示出了用于根据本文所描述的平台、系统、装置、方法和介质来评定个体的移动装置的登录屏幕。
图31B示出了指示ASD评估的用户部分的完成的移动装置的显示屏。
图31C示出了移动装置的显示屏,所述显示屏提供用于捕获被怀疑患有ASD的受试者的视频的指令。
图31D、图31E和图31F示出了根据本文所描述的平台、系统、装置、方法和介质,提示用户回答用于评定受试者的问题的移动装置的显示屏。
图32示出了根据本文所描述的平台、系统、装置、方法和介质,显示作为视频分析师问卷的一部分的问题的视频分析师门户的显示屏。
图33示出了根据本文所描述的平台、系统、装置、方法和介质,显示作为医疗保健提供者问卷的一部分的问题的医疗保健提供者门户的显示屏。
图34示出了根据本文所描述的平台、系统、装置、方法和介质,显示包含视频和完成的护理人员问卷的个体的上传信息的医疗保健提供者门户的显示屏。
图35示出了如本文所描述的用于向受试者提供数字化治疗的包含移动装置软件和服务器软件的平台的图。
图36示出了根据本文所描述的平台、系统、装置、方法和介质,被配置为提供数字化治疗的装置的图。
图37示出了根据本文所描述的平台、系统、装置、方法和介质的组合数字化诊断和数字化治疗的操作流程。
图38示出了面部识别模块和情感检测模块执行图像或视频分析以检测情感或社交线索的图。
具体实施方式
就本公开内容而言术语“基于”和“响应于”可互换使用。
术语“处理器”涵盖本地处理器、远程处理器或处理器系统中的一个或多个及其组合。
术语“特征”在本文中用于描述与确定受试者的发育进展相关的特性或属性。例如,“特征”可以是指与针对一种或多种发育障碍对受试者进行临床评估或诊断相关的临床特性(例如,年龄、受试者参加假扮游戏的能力等)。术语“特征值”在本文中用于描述特定受试者的对应特征的值。例如,“特征值”可以是指与一种或多种发育障碍有关的受试者的临床特性(例如,如果特征是“年龄”,则特征值可以是3;如果特征是“受试者参加假扮游戏的能力”,则特征值可以是“多种假扮游戏”或“无假扮游戏”)。
如本文所用,短语“自闭症”和“自闭症谱系障碍”可互换使用。
如本文所用,短语“注意力缺陷障碍(ADD)”和“注意力缺陷/多动障碍(ADHD)”可互换使用。
如本文所用,术语“面部识别表情活动”是指治疗活动(例如,在数字化治疗应用程序或装置中),其中儿童被提示在他们的环境中找到显示特定情感的人并且接收实时情感确认。面部识别表情活动也可以描述为非结构化的玩耍。该活动提供面部在情感上有变化的强化,以及如何在情感之间进行区分的训练。
如本文所用,短语“社交互惠”是指个体之间来回互惠的社交交互和/或交流。社交互惠可以包含口头和非口头的社交交互,诸如,例如对话或者面部表情和/或肢体语言的交流。可以根据本文公开的平台、系统、装置、方法和介质来测量社交互惠的一个或多个元素或指标。例如,可以使用眼神接触或凝视、对社交或情感线索的口头响应(例如,响应于父母的问候说“嗨”)、对社交或情感线索的非口头响应(例如,响应于父母的微笑而微笑)来测量社交互惠。
本文描述了用于确定受试者的发育进展的方法和装置。例如,所描述的方法和装置可以将受试者识别为在一个或多个发育领域中发育超前或者在一种或多种认知功能方面认知下降,或者将受试者识别为发育迟缓或处于患有一种或多种发育障碍的风险。所公开的方法和装置可以通过基于评定模型评估受试者的多个特性或特征来确定受试者的发育进展,其中可以使用机器学习方法从相关受试者群体的大数据集中生成评定模型。
虽然本文在识别受试者的一种或多种发育障碍的背景下描述了方法和装置,但是所述方法和装置非常适合用于确定受试者的任何发育进展。例如,可以使用所述方法和装置来通过识别出受试者所超前的一个或多个发育领域,而将受试者识别为发育超前。为了识别一个或多个超前的发育领域,所述方法和装置可以被配置用于,例如,评定受试者与超前的或有天赋的行为有关的一个或多个特征或特性。所描述的方法和装置还可以用于通过评估受试者的一种或多种认知功能来将受试者识别为在该一种或多种认知功能方面认知下降。
本文描述了用于诊断或评定受试者身上一种或多种发育障碍风险的方法和装置。该方法可以包括提供数据处理模块,该数据处理模块可以用于构建和施用用于针对多种发育障碍或状况中的一种或多种筛查受试者的评定程序。评定程序可以评估受试者的多个特征或特性,其中每个特征可以与受试者患有可由该程序筛查的多种发育障碍中的至少一种的可能性有关。每个特征可能与受试者患有两种或更多种相关发育障碍的可能性有关,其中两种或更多种相关障碍可能具有一种或多种相关症状。特征可以通过许多种方式来评定。例如,可以通过受试者对问题的回答、对受试者的观察或者与受试者的结构化交互的结果来评定特征,如本文进一步详细描述的。
为了在单个筛查程序内在受试者的多种发育障碍之中进行区分,该程序可以基于受试者先前呈现特征的值(例如,对先前问题的回答)在施用该程序期间动态地选择要在受试者身上评估的特征。评定程序可以利用由计算设备提供的用户接口来对受试者或者受试者的看护人施用。计算设备包括其上存储有指令的处理器,所述指令用于允许用户通过用户接口与数据处理模块交互。评定程序可能花费不到10分钟向受试者施用,例如5分钟或更少。因此,本文描述的装置和方法可以使用单个、相对较短的筛查程序来提供对受试者罹患多种发育障碍中的一种或多种的风险的预测。
本文公开的方法和装置可以用于基于先前识别的受试者的特征来确定与受试者的特征有关的下一最相关问题。例如,方法和装置可以被配置用于响应于先前回答的与受试者有关的问题来确定下一最相关问题。在回答每个在先问题之后,可以识别出最具预测性的下一问题,并且生成一系列最具预测性的下一问题和对应的一系列答案。一系列答案可以包括受试者的回答简档,并且可以响应于受试者的回答简档来生成最具预测性的下一问题。
本文公开的方法和装置非常适合于与在先问题组合,例如,所述方法和装置可以用于响应于通过响应于先前的答案来识别出最具预测性的下一问题所得到的问题较少而将受试者诊断或识别为处于风险。
在一个方面,提供受试者的至少一种认知功能属性的评估的方法包括以下操作:在具有处理器和存储器的计算机系统上存储用于由处理器执行的计算机程序。所述计算机程序可以包括指令,用于:1)接收与所述认知功能属性相关的受试者的数据;2)使用机器学习模型评估受试者的数据;以及3)提供对受试者的评估。所述评估可以选自响应于数据的不确定性确定和分类确定。所述机器学习模型可以包括多个机器学习评定模型的选定子集。所述分类确定可以包括认知功能属性的存在和认知功能属性的不存在。
接收来自受试者的数据可以包括接收初始数据集。评估来自受试者的数据可以包括使用选自多个可调节机器学习评定模型的可调节机器学习评定模型的初步子集来评估初始数据集,以输出每个可调节机器学习评定模型的初步子集的数值评分。所述方法还可以包括基于初始数据集的分析,提供关于受试者中所述认知功能属性的存在或不存在的分类确定或不确定性确定,其中可以调整不确定性确定与分类确定的比率。
所述方法还可以包括以下操作:1)如果初始数据集的分析产生不确定性确定,则确定是否应用选自多个可调节机器学习评定模型的附加评定模型;2)基于决策的结果接收来自受试者的附加数据集;3)基于决策的结果,使用附加评定模型评估来自受试者的附加数据集,以输出每个附加评定模型的数值评分;以及4)基于使用附加评定模型对来自受试者的附加数据集的分析,提供关于受试者中所述认知功能属性的存在或不存在的分类确定或不确定性确定。可以调整不确定性确定与分类确定的比率。
所述方法还可以包括以下操作:1)组合每个评定模型的初步子集的数值评分,以生成组合的初步输出评分;以及2)将组合的初步输出评分映射到关于受试者中所述认知功能属性的存在或不存在的分类确定或不确定性确定。可以调整不确定性确定与分类确定的比率。所述方法还可以包括以下操作:1)组合每个附加评定模型的数值评分,以生成组合的附加输出评分;以及2)将组合的附加输出评分映射到关于受试者中所述认知功能属性的存在或不存在的分类确定或不确定性确定。可以调整不确定性确定与分类确定的比率。所述方法还可以包括采用基于规则的逻辑或组合技术,用于组合每个评定模型的初步子集的数值评分,以及用于组合每个附加评定模型的数值评分。
可以通过指定包含率来调整不确定性确定与分类确定的比率,并且其中通过提供灵敏度和特异性度量来评定关于受试者中所述发育状况的存在或不存在的分类确定。包含率可以不小于70%,并且分类确定产生至少70%的灵敏度与至少70%的对应特异性。包含率可以不小于70%,并且分类确定产生至少80%的灵敏度与至少80%的对应特异性。包含率可以不小于70%,并且分类确定产生至少90%的灵敏度与至少90%的对应特异性。来自受试者的数据可以包括诊断工具的样本中的至少一种,其中该诊断工具包括诊断问题和对应的可选答案的集合,以及人口统计数据。
所述方法还可以包括使用先前针对发育状况进行评估的来自多个受试者的数据训练多个可调节机器学习评定模型。所述训练可以包括以下操作:1)使用机器学习技术预处理来自多个受试者的数据;2)从预处理数据提取和编码机器学习特征;3)处理来自多个受试者的数据,以反映意向应用环境中受试者的认知功能属性的预期发生率;4)选择处理的机器学习特征的子集;5)评估多个可调节机器学习评定模型中的每个模型的性能;以及6)基于确定在多个可调节机器学习评定模型的选定子集中使用所有模型的益处,确定每个模型的最佳参数集。可以评估每个模型针对预定的包含率的灵敏度和特异性。确定每个模型的最佳参数集可以包括在不同调节参数环境中调节每个模型的参数。处理编码机器学习特征可以包括计算样本权重并将其分配于数据的每个样本。数据的每个样本可以对应于多个受试者中的受试者。样本可以根据受试者特定维度分组。可以计算并分配所述样本权重以使一个样本组针对每个其他样本组平衡,以反映意向环境中受试者的每个维度的预期分布。该受试者特定维度可以包括受试者的性别、受试者所住的地理区域和受试者的年龄。从预处理数据提取和编码机器学习特征可以包括使用特征编码技术,诸如但不限于独热编码、严重性编码和行为存在编码。选择处理的机器学习特征的子集可以包括使用自举技术从处理的机器学习特征识别判别特征的子集。
所述认知功能属性可以包括行为障碍和发育进展。向受试者提供的分类确定可以选自响应于数据的不确定性确定、多个认知功能属性的存在和多个认知功能属性的不存在。
在另一方面,用于评估受试者的认知功能属性的装置可以包括处理器。所述处理器可以配置有指令,该指令在被执行时使得处理器接收与所述认知功能属性相关的受试者的数据,并应用规则以生成受试者的分类确定。分类确定可以选自响应于数据的不确定性确定、所述认知功能属性的存在和所述认知功能属性的不存在。对于认知功能属性的存在或不存在,可以分别以至少70%的灵敏度和至少70%的特异性确定所述认知功能属性。所述认知功能属性可以选自自闭症、自闭症谱系、注意力缺陷障碍、注意力缺陷与多动障碍以及言语和学习障碍。对于认知功能属性的存在或不存在,可以分别以至少80%的灵敏度和至少80%的特异性确定所述认知功能属性。对于认知功能属性的存在或不存在,可以分别以至少90%的灵敏度和至少90%的特异性确定所述认知功能属性。所述认知功能属性可以包括行为障碍和发育进展。
在另一方面,编码有包含可由处理器执行以评估受试者的认知功能属性的指令的计算机程序的非暂时性计算机可读存储介质包括记录在该介质上的数据库。数据库可以包括与至少一种认知功能属性相关的多个受试者的数据,和多个可调节机器学习评定模型;评估软件模块;以及模型调节软件模块。评估软件模块可包括指令,用于:1)接收与认知功能属性相关的受试者的数据;2)使用多个机器学习评定模型的选定子集评估受试者的数据;以及3)向受试者提供分类确定,所述分类确定选自响应于数据的不确定性确定、所述认知功能属性的存在和所述认知功能属性的不存在。模型调节软件模块可包括指令,用于:1)使用机器学习技术预处理来自多个受试者的数据;2)从预处理数据提取和编码机器学习特征;3)处理编码机器学习特征,以反映意向应用环境中受试者的预期分布;4)选择处理的机器学习特征的子集;5)评估多个可调节机器学习评定模型中的每个模型的性能;6)调节不同调节参数环境下每个模型的参数;以及7)基于确定在多个可调节机器学习评定模型的选定子集中使用所有模型的益处,确定每个模型的最佳参数集。可以评估每个模型针对预定的包含率的灵敏度和特异性。所述认知功能属性可以包括行为障碍和发育进展。
在另一方面,计算机实现的系统可以包括数字化处理设备。数字化处理可以包括至少一个处理器、被配置用于执行可执行指令的操作系统、存储器和计算机程序。存储器可以包括用于容纳与至少一种认知功能属性相关的多个受试者的数据的存储和用于容纳多个机器学习评定模型的存储。所述计算机程序可以包括可由数字化处理设备执行的指令,用于:1)接收与认知功能属性相关的受试者的数据;2)使用多个机器学习评定模型的选定子集评估受试者的数据;以及3)向受试者提供分类确定,所述分类确定选自响应于数据的不确定性确定、所述认知功能属性的存在和所述认知功能属性的不存在。所述认知功能属性可以包括行为障碍和发育进展。
在另一方面,用于提供受试者的至少一种认知功能属性的评估的移动设备可以包括显示器和处理器。所述处理器可以配置有指令以接收和显示与所述认知功能属性相关的受试者的数据,并接收和显示对受试者的评估。评估可以选自不确定性确定和分类确定。可以响应于受试者的数据确定对受试者的评估。所述分类确定可以选自认知功能属性的存在和认知功能属性的不存在。对于认知功能属性的存在或不存在,可以分别以至少80的灵敏度和至少80的特异性确定所述认知功能属性。对于认知功能属性的存在或不存在,可以分别以至少90的灵敏度和至少90的特异性确定所述认知功能属性。所述认知功能属性可以包括行为障碍和发育进展。
在另一方面,利用个人治疗性治疗计划治疗受试者的数字化治疗系统可以包括一个或多个处理器、用于从受试者接收数据和输出受试者的诊断数据的诊断模块以及用于接收诊断数据和输出针对受试者的个人治疗性治疗计划的治疗模块。该诊断模块可以包括基于受试者群体使用机器学习或统计建模构建的一种或多种分类器,以确定受试者的诊断数据。该诊断数据可以包括对受试者的评估,该评估选自响应于从受试者接收的数据的不确定性确定和分类确定。该治疗模块可以包括基于受试者群体的至少一部分使用机器学习或统计建模构建的一种或多种模型,以确定和输出受试者的个人治疗性治疗计划。该诊断模块可以被配置用于响应于受试者的疗法从受试者接收更新的受试者数据并生成来自受试者的更新的诊断数据。该治疗模块可以被配置用于接收更新的诊断数据并响应于诊断数据和更新的诊断数据来输出针对受试者的更新的个人治疗计划。该诊断模块可以包括在受试者群体上训练的诊断性机器学习分类器。该治疗模块可以包括在受试者群体的至少一部分上训练的治疗性机器学习分类器。该诊断模块和治疗模块可以被布置成诊断模块基于治疗计划的表现向治疗模块提供反馈。该治疗性分类器可以包括在数据集上训练的指令,该数据集包括受试者不是其成员的群体。受试者可以包括不是该群体的成员的个人。该诊断模块可以包括在至少10,000人的受试者群体的多个简档上训练的诊断分类器和在受试者群体的多个简档上训练的治疗简档。
在另一方面,利用个人治疗性治疗计划治疗受试者的数字化治疗系统可以包括处理器、用于从受试者接收数据和输出受试者的诊断数据的诊断模块以及用于接收诊断数据和输出针对受试者的个人治疗性治疗计划的治疗模块。该诊断数据可以包括对受试者的评估,该评估选自响应于从受试者接收的数据的不确定性确定和分类确定。个人治疗性治疗计划可以包括数字化治疗。该数字化治疗可以包括提供至受试者或看护人的指令、反馈、活动或交互。该数字化治疗可以利用移动设备提供。诊断数据和个人治疗性治疗计划可以被提供至第三方系统。该第三方系统可以包括医疗保健专业人员的计算机系统,或治疗递送系统。该诊断模块可以被配置用于响应于受试者的反馈数据从受试者接收更新的受试者数据并生成更新的诊断数据。该治疗模块可以被配置用于接收更新的诊断数据并响应于诊断数据和更新的诊断数据来输出针对受试者的更新的个人治疗计划。可以响应于反馈数据而接收更新的受试者数据,该反馈数据识别个人治疗性治疗计划所产生的效力、顺应性和响应的相对水平。该诊断模块可以基于受试者群体使用机器学习或统计建模以确定诊断数据。该治疗模块可以基于受试者群体的至少一部分以确定受试者的个人治疗性治疗计划。该诊断模块可以包括在受试者群体上训练的诊断性机器学习分类器。该治疗模块可以包括在受试者群体的至少一部分上训练的治疗性机器学习分类器。该诊断模块可以被配置成基于个人治疗性治疗计划的表现向治疗模块提供反馈。来自受试者的数据可以包括受试者和看护人的视频、音频、对问题或活动的响应,以及来自用户与系统的活动、游戏或软件特征的交互的主动或被动数据流中的至少一种。受试者可以具有选自行为障碍、神经障碍和心理卫生障碍的风险。所述行为障碍、神经障碍或心理卫生障碍可以选自:自闭症、自闭症谱系、注意力缺陷障碍、抑郁症、强迫症、精神分裂症、阿尔茨海默病、失智症、注意力缺陷与多动障碍以及言语和学习障碍。该诊断模块可以被配置用于成年人以执行评定或提供用于评定儿童或青少年的数据。该诊断模块可以被配置用于看护人或家庭成员以执行评定或提供用于评定受试者的数据。
在另一方面,可以用程序编码非暂时性计算机可读存储介质。所述计算机程序可以包括可执行指令,用于:1)从受试者接收输入数据和输出针对受试者的诊断数据;2)接收诊断数据和输出针对受试者的个人治疗性治疗计划;以及3)基于受试者群体的至少一部分评估诊断数据,以确定并输出受试者的个人治疗性治疗计划。诊断数据可以包括对受试者的评估,该评估选自响应于从受试者接收的输入数据的不确定性确定和分类确定。可以响应于受试者的治疗从受试者接收更新的受试者输入数据,并且可以从受试者生成更新的诊断数据。可以接收更新的诊断数据,并且可以响应于诊断数据和更新的诊断数据输出针对受试者的更新的个人治疗计划。
在另一方面,可以用计算机程序编码非暂时性计算机可读存储介质。该计算机程序可以包括可执行指令,用于从受试者接收输入数据和输出针对受试者的诊断数据,以及接收诊断数据和输出针对受试者的个人治疗性治疗计划。诊断数据可以包括对受试者的评估,该评估选自响应于从受试者接收的数据的不确定性确定和分类确定。个人治疗性治疗计划可以包括数字化治疗。
在另一方面,利用个人治疗性治疗计划治疗受试者的方法可以包括从受试者接收数据和输出针对受试者的诊断数据的诊断过程,其中诊断数据包括对受试者的评估,以及接收诊断数据和输出针对受试者的个人治疗性治疗计划的治疗过程。所述评估可以选自响应于从受试者接收的数据的不确定性确定和分类确定。该诊断过程可以包括响应于受试者的疗法从受试者接收更新的受试者数据并生成来自受试者的更新的诊断数据。该治疗过程可以包括接收更新的诊断数据并响应于诊断数据和更新的诊断数据来输出针对受试者的更新的个人治疗计划。可以响应于反馈数据而接收更新的受试者数据,该反馈数据识别个人治疗性治疗计划所产生的效力、顺应性和响应的相对水平。个人治疗性治疗计划可以包括数字化治疗。该数字化治疗可以包括提供至受试者或看护人的指令、反馈、活动或交互。该数字化治疗可以利用移动设备提供。所述方法还可以包括将诊断数据和个人治疗性治疗计划提供至第三方系统。该第三方系统可以包括医疗保健专业人员的计算机系统,或治疗递送系统。诊断过程可以通过选自机器学习、分类器、人工智能和基于受试者群体的统计建模的过程来执行,以确定诊断数据。治疗过程可以通过选自机器学习、分类器、人工智能或基于所述受试者群体的至少一部分的统计建模的过程来执行,以确定受试者的所述个人治疗性治疗计划。诊断过程可以通过在受试者群体上训练的诊断性机器学习分类器来执行。治疗过程可以通过在受试者群体的至少一部分上训练的治疗性机器学习分类器来执行。诊断过程可以基于个人治疗性治疗计划的表现向治疗模块提供反馈。来自受试者的数据可以包括受试者和看护人的视频、音频、对问题或活动的响应,以及来自用户与活动、游戏或软件特征的交互的主动或被动数据流中的至少一种。诊断过程可以通过成年人执行以执行评定或提供用于评定儿童或青少年的数据。诊断过程可以使得看护人或家庭成员能够执行评定或提供用于评定受试者的数据。受试者可以具有选自行为障碍、神经障碍和心理卫生障碍的风险。所述风险可以选自:自闭症、自闭症谱系、注意力缺陷障碍、抑郁症、强迫症、精神分裂症、阿尔茨海默病、失智症、注意力缺陷与多动障碍以及言语和学习障碍。
本文公开了使用容易获得的计算装置(例如,智能电话)和利用机器学习来提供诊断和数字化治疗的系统和方法。
本文描述了用于评估和治疗具有来自行为障碍、发育迟缓和神经损伤的相关类别的一种或多种诊断的个体的方法和装置。在一些实施方式中,评估包括个体诊断的识别或确认,其中诊断属于包括行为障碍、发育迟缓和神经损伤的相关诊断类别中的一个或多个。在一些实施方式中,通过本文所描述的方法或装置进行的评估包括对个体是否会对治疗有反应的评定。在一些实施方式中,通过本文所描述的方法或装置进行的评估包括对个体将对特定治疗的反应程度的评定。例如,在一些实施方式中,使用本文所述方法或装置评定个体为对数字化治疗高度响应。在一些实施方式中,当确定个体将对数字化治疗高度响应时,实施数字化治疗。
本文还描述了包括数字化治疗、非数字化治疗、药物或其任意组合的个性化治疗方案。在一些实施方式中,治疗剂与数字化治疗一起施用。在一些实施方式中,与数字化治疗一起施用的治疗剂被配置为改善数字化治疗用于接受数字化治疗的个体的表现。在一些实施方式中,与数字化治疗一起施用的治疗剂改善接受数字化治疗的个体的认知。在一些实施方式中,治疗剂使接受数字化治疗的个体放松。在一些实施方式中,治疗剂提高了接受数字化治疗的个体的专注或集中水平。
数字化治疗可以包括通过本文所描述的方法或装置提供给个体或护理人员的指令、反馈、活动或交互。在一些实施方式中,数字化治疗被配置为建议行为、活动、游戏或与系统软件和/或第三方装置的交互会话。
本文所述方法和装置所使用的数字化治疗可以使用各种数字应用程序(包含增强现实、虚拟现实、实时认知辅助或使用技术增强的其他行为疗法)来实现。可以使用被配置为产生虚拟或增强现实环境的任何装置来实现数字化治疗。此类装置可以被配置为包含一个或多个传感器输入,诸如使用相机和/或传声器捕获的视频和/或音频。适用于提供如本文所描述的数字化治疗的装置的非限制性示例包含可穿戴装置、智能电话、平板计算装置、膝上型计算机、投影仪以及适用于产生虚拟或增强现实体验的任何其他装置。
本文所述系统和方法可以通过技术增强体验(例如,增强现实和/或虚拟现实)向用户提供社交学习工具或辅助。在一些实施方式中,数字化治疗被配置为促进或改善个体的社交互惠。在一些实施方式中,数字化治疗被配置为促进或改善患有自闭症或自闭症谱系障碍的个体的社交互惠。
在本文所述方法和装置的一些实施方式中,用于递送基于虚拟或增强现实的数字化治疗的方法或装置接收输入,并且在这些实施方式中的一些实施方式中,输入影响虚拟或增强现实如何呈现给接受治疗的个体。在一些实施方式中,从用于递送数字化治疗的计算装置的相机和/或传声器接收输入。在一些情况下,从诸如,例如运动传感器或生命体征传感器的传感器接收输入。在一些实施方式中,使用诸如人工智能或机器学习模型的(一个或多个)算法来捕获和分析视频、图像和/或声音形式的输入,以通过所提供的虚拟或增强现实体验向受试者提供反馈和/或行为修改。
在一些实施方式中,对方法或装置的输入包括对数字化治疗接受者在虚拟现实或增强现实交互中与之交互的一个或多个其他个体的面部表情或其他社交线索的评估。
在增强现实数字化治疗体验的非限制性示例中,个体可以与真实的人起反应,并且在此示例中,所述人的视频、图像和/或声音记录由递送数字化治疗的计算装置拍摄。然后,使用分析分类器来分析视频、图像和/或声音记录,所述分析分类器确定与在增强现实环境中与个体交互的人的面部表情(或其他社交线索)相关联的情感。面部表情(或其他社交线索)的分析可以包括对与面部表情和/或其他社交线索相关联的情感或情绪的评定。然后将分析结果提供给接受数字化治疗的个体。在一些实施方式中,分析的结果显示在增强现实环境内。在一些实施方式中,分析的结果显示在计算装置的屏幕上。在一些实施方式中,经由可听声音或消息来提供分析结果。
在虚拟现实数字化治疗体验的非限制性示例中,接收数字化治疗的个体可以与真人的图像或表示或虚拟对象或角色的图像或表示(诸如卡通人或交互式对象的其他艺术呈现)进行交互。在此示例中,软件确定由虚拟现实环境内的虚拟人、角色或对象传递的情感。然后将分析结果提供给接受数字化治疗的个体。在一些实施方式中,分析的结果显示在增强现实环境内。在一些实施方式中,分析的结果显示在计算装置的屏幕上。在一些实施方式中,经由可听声音或消息来提供分析结果。
作为其他说明性示例,与数字化治疗接受者交互的微笑个体被评估为是快乐的。在此示例中,输入包括对面部表情或以社交线索的评估,并且它被显示给或以其他方式提供给数字化治疗的接受者,以帮助学习识别这些面部表情或社交线索。也就是说,在此示例中,通过例如在虚拟或增强现实体验中个体微笑期间或前后在移动计算的屏幕上显示单词“快乐”,个体被评估为表达的情感(在此示例中为快乐)被显示或以其他方式提供给数字化治疗接受者。可在本文所描述的各种游戏或活动中检测和/或使用的情感的示例包含高兴、悲伤、愤怒、惊讶、沮丧、害怕/惊吓、平静、厌恶和蔑视。
在某些情况下,装置使用音频或视频信号向受试者传达为作为(一个或多个)输入捕获的其他个体检测到的情感或社交线索。视觉信号可以显示为文字、设计或图片、表情符号、颜色或对应于检测到的情感或社交线索的其他视觉线索。音频信号可以作为音频词、诸如音调或节拍的声音、音乐或对应于检测到的情感或社交线索的其他音频线索来传达。在一些情况下,使用视觉和音频信号的组合。这些线索可以定制或从一系列线索选择,以提供一组个性化的音频/视觉信号。作为此定制体验的一部分,还可以打开或关闭信号。
在某些情况下,数字化治疗体验包括活动模式。活动模式可以包含情感激发活动、情感识别活动或非结构化玩耍。非结构化玩耍可以是其中用户可以自由参与一个或多个数字化治疗活动的无脚本、自由漫步、或以其他方式的非结构化模式。非结构化模式的一个示例是游戏或活动,其中用户可以自由地收集真人的一个或多个图像或表示,或虚拟对象或角色(诸如卡通人或交互式对象的其他艺术呈现)的图像或表示。此非结构化模式可以是特征为具有“沙盒”风格的玩耍,与迫使用户进入一系列任务的进度风格形成对比,它对用户决策或游戏玩耍几乎没有限制。用户可以使用诸如智能电话的装置的相机来收集此类图像(例如,为诸如家庭成员或护理人员的其他个体拍照)。替代地或组合地,用户可以诸如经由浏览图书馆或数据库以数字方式收集图像或表示。作为说明性示例,用户在他的房子周围徘徊并且使用智能电话相机拍摄他父母的照片。此外,用户通过选择照片和/或将照片下载到智能电话上来收集家庭成员在社交媒体上发布的自拍。在一些情况下,装置显示实时图像或捕获或下载的图像,连同图像中的人的识别或分类的情感。这允许用户在遇到由各种其他个体表达的情感的真实世界示例时,进行非结构化学习。
情感识别活动可以被配置为测试和/或训练用户通过结构化学习体验来识别情感或情感线索。例如,情感识别活动可以用于通过提供先前已经暴露给用户的图像(例如,用户在非结构化玩耍期间捕获的护理人员的照片)来帮助用户参与强化学习。强化学习允许用户强化他们对先前已经显示给他们的情感的识别。强化学习可以包含一个或多个交互活动或游戏。一个示例是游戏,其中向用户呈现对应于不同情感的多个图像(例如,智能电话屏幕示出一个人微笑的图像和另一人皱眉的图像)和识别对应于特定情感的图像的提示(例如,屏幕示出或传声器输出问题或命令供用户识别正确的图像)。用户可以通过选择屏幕上的多个图像中的一个或提供音频响应(例如,陈述“左/中/右图像”或“答案A/B/C”)来做出响应。另一示例是游戏,其中向用户呈现对应于情感的单个图像,并且要求用户识别所述情感。在一些情况下,给予用户多种情感的选项。替代地,用户必须在没有给予选项选择的情况下提供响应(例如,键入或音频的简短响应,而不是一个多选项的选择)。在一些情况下,提供多种选项的选择。选项的选择可以是视觉的或非视觉的(例如,图形用户接口上未显示的音频选择)。作为说明性示例,向用户示出护理人员微笑的图像,并且由以下音频问题提示“此人是快乐的还是悲伤的?”。替代地,问题显示在屏幕上。然后,用户可以提供音频答案或键入答案。另一示例是游戏,其中向用户呈现多个图像和多种情感,并且可以将图像与对应的情感相匹配。
在某些情况下,拍摄和/或下载的图像被标记、排序和/或过滤以用于作为数字化治疗体验的一部分的一个或多个活动或游戏。例如,由于强化学习可能需要向用户询问用户已经接触过的图像,因此可用图像库可以被过滤以移除不满足以下一个或多个规则的图像:(1)成功检测到至少一个面部;(2)成功检测到至少一种情感;(3)图像先前已经呈现或显示给用户。在一些情况下,根据特定活动进一步过滤图像。例如,由于先前活动中的不良表现,用户可以被分配专门针对识别愤怒的情感识别强化学习活动;因此,用于此强化学习活动的图像也可以被过滤以包含其中检测到愤怒或对应于愤怒的情感线索的至少一个图像。
在某些情况下,拍摄和/或下载的图像被导入到可由数字化治疗软件访问的收集图像库中。替代地或组合地,图像可以被标记,使得它们被数字化治疗软件识别为出于交互式数字化治疗体验的目的而收集的图像。当用户在交互式数字化治疗体验的环境内拍摄照片时,标记可以是自动的。作为说明性示例,用户在智能电话上打开数字化治疗应用程序,并且选择无脚本或自由漫步模式。然后,智能电话在其触摸屏上呈现拍摄界面,以及用于拍摄他人面部照片的书面和/或音频指令。然后,用户使用装置相机捕获的任何照片都会被自动标记和/或添加到图库或数据库中。替代地,在数字化治疗应用程序之外浏览社交媒体的用户选择发布的图像,并且选择下载、导入或标记所述图像以供数字化治疗应用程序访问的选项。
在某些情况下,图像被标记以识别相关信息。此信息可以包含图像中的人的身份(例如,姓名、职务、与用户的人际关系)和/或图像中的人表达的面部表情或情感。如本文所描述的面部识别和情感分类可以用于评估图像以生成或确定图像的一个或多个标签。作为说明性示例,用户拍摄他的护理人员的照片,所述照片被筛选用于面部识别,随后基于识别的面部进行情感分类。分类的情感是“快乐的”,这导致图像被标记为识别出的情感。在一些情况下,标记由另一用户(例如父母或护理人员)执行。作为说明性示例,父母登录数字化治疗应用程序并且访问由用户收集的图像的库或数据库。父母对未标记的图像进行排序,并且然后为图像内的人表达的情感选择合适的标签。
作为说明性示例,包括相机和传声器的计算装置使用面向外的相机和传声器来跟踪面部并且分类数字化治疗接受者的社交伙伴的情感,并且实时地向数字化治疗接受者提供两种形式的线索。所述装置还具有面向内的数字显示器,所述面向内的数字显示器具有外围监测器和扬声器。使用机器学习分类器来评定与数字化治疗接受者交互的个体的表情,并且当面部被分类为表达情感时,所述情感是对装置的输入,并且被显示或以其他方式呈现给数字化治疗的接受者。
在一些情况下,所述装置还包括面向内的相机(例如,“自拍”相机),并且跟踪和分类数字化治疗接受者的情感。对社交伙伴的情感和数字化治疗接受者的情感的跟踪和分类可以同时或在非常接近的时间内实时执行(例如,在彼此的1、2、3、4或5秒内,或一些其他合适的时间范围内)。替代地,可以捕获社交伙伴和/或数字化治疗接受者的图像,并且然后进行评估以在稍后的时间(即,非实时)跟踪和分类他们相应的情感。这允许捕获患者和目标个体之间的社交交互,例如,作为两个人的组合面部表情和/或情感。在一些情况下,检测到的社交交互各方的表情和/或情感被打上时间戳或以其他方式排序,以便确定构成一个或多个社交交互的表情、情感或其他交互的序列。这些社交交互可以评估患者参与社交互惠的能力。
作为说明性示例,患者将电话指向对他微笑的父母。电话显示屏实时显示笑脸表情以帮助患者识别与父母面部表情对应的情感。此外,显示屏可选地为患者提供指令以响应父母。患者不会对他的父母微笑,并且面向内的相机在一个或多个图像或视频中捕获到此响应。图像和/或视频以及社交交互的时间线或时间戳序列然后被保存在装置上(并且可选地被上传或保存在远程网络或云上)。在此情况下,父母的微笑被标记为“微笑”,并且患者缺乏响应被标记为“无响应”或“没有微笑”。因此,此特殊的社交交互被确定为未能进行微笑互惠。还可以基于目标个体(父母)和患者是否表达了“真诚的”微笑而不是“礼貌的微笑”来进一步分割社交交互。例如,本文所描述的用于检测“微笑”或“情感”的算法和分类器可以被训练来区分真实微笑和礼貌微笑,这可以基于对应于真实微笑中眼部肌肉的接合和礼貌微笑中眼部肌肉的缺乏接合的视觉线索来区分。情感或面部表情的类型或子类型的此区分可以基于在标记图像(例如,标记有“礼貌”相比“真诚”微笑的图像)的合适数据集上训练算法或分类器。
在一些方面,本文公开的平台、系统、装置、方法和介质包括被配置为能够管理和/或监测数字化治疗的软件应用程序。软件应用程序可以是移动应用程序、网络应用程序或其他计算机应用程序。在一些情况下,应用程序提供控制中心,允许受试者或受试者的护理人员管理装置。所述装置可以使用户能够审查、上传或删除捕获的数据,诸如视频、音频、照片或检测到的或分类的情感线索。用户还可以使用所述装置来输入或配置设置,诸如,例如数据捕获设置(例如,捕获什么类型的数据、存储多长时间等)。在一些情况下,应用程序获得图像(例如,来自捕获视频的静止图像)、执行情感线索分类器和/或保存视频和使用数据。
有时,本文公开的平台、系统、装置、方法和介质提供具有交互特征的数字化治疗。实施方式中的交互特征被配置为使得数字化治疗接受者基于与个体交互的所有人的面部表情或社交线索来猜测另一人的情感。在一些情况下,本文公开的平台、系统、装置、方法和介质向用户提供删除诸如视频或音频的捕获数据的选项。此选项通过使他们能够删除数据来保护家庭的隐私。可以获得或计算关于捕获的数据的指标,诸如使用率、视频的年龄、视频是否被保存或删除、干预期间的使用率以及其他相关参数。
在一些情况下,所述装置以约15-20FPS的帧速率操作,这使得面部表情识别能够在100ms内完成。所述装置可以以10FPS至100FPS的帧速率操作。所述装置可以以10FPS至15FPS、10FPS至20FPS、10FPS至25FPS、10FPS至30FPS、10FPS至35FPS、10FPS至40FPS、10FPS至45FPS、10FPS至50FPS、10FPS至60FPS、10FPS至80FPS、10FPS至100FPS、15FPS至20FPS、15FPS至25FPS、15FPS至30FPS、15FPS至35FPS、15FPS至40FPS、15FPS至45FPS、15FPS至50FPS、15FPS至60FPS、15FPS至80FPS、15FPS至100FPS、20FPS至25FPS、20FPS至30FPS、20FPS至35FPS、20FPS至40FPS、20FPS至45FPS、20FPS至50FPS、20FPS至60FPS、20FPS至80FPS、20FPS至100FPS、25FPS至30FPS、25FPS至35FPS、25FPS至40FPS、25FPS至45FPS、25FPS至50FPS、25FPS至60FPS、25FPS至80FPS、25FPS至100FPS、30FPS至35FPS、30FPS至40FPS、30FPS至45FPS、30FPS至50FPS、30FPS至50FPS、30FPS至60FPS、30FPS至80FPS、30FPS至100FPS、35FPS至40FPS、35FPS至45FPS、35FPS至50FPS、35FPS至60FPS、35FPS至80FPS、35FPS至100FPS、40FPS至45FPS、40FPS至50FPS、40FPS至60FPS、40FPS至80FPS、40FPS至100FPS、45FPS至50FPS、45FPS至60FPS、45FPS至80FPS、45FPS至100FPS、50FPS至60FPS、50FPS至80FPS、50FPS至100FPS、60FPS至80FPS、60FPS至100FPS或80FPS至100FPS的帧率操作。所述装置可以以10FPS、15FPS、20FPS、25FPS、30FPS、35FPS、40FPS、45FPS、50FPS、60FPS、80FPS或100FPS的帧速率操作。所述装置可以以至少10FPS、15FPS、20FPS、25FPS、30FPS、35FPS、40FPS、45FPS、50FPS、60FPS或80FPS的帧速率操作。所述装置可以以至多15FPS、20FPS、25FPS、30FPS、35FPS、40FPS、45FPS、50FPS、60FPS、80FPS或100FPS的帧速率操作。
在一些情况下,所述装置可在10ms到200ms内检测到面部表情或动作。所述装置可在10ms至20ms、10ms至30ms、10ms至40ms、10ms至50ms、10ms至60ms、10ms至70ms、10ms至80ms、10ms至90ms、10ms至100ms、10ms至150ms、10ms至200ms、20ms至30ms、20ms至40ms、20ms至50ms,20ms至60ms、20ms至70ms、20ms至80ms、20ms至90ms、20ms至100ms、20ms至150ms、20ms至200ms、30ms至40ms、30ms至50ms、30ms至60ms、30ms至70ms、30ms至80ms、30ms至90ms、30ms至100ms、30ms至150ms、30ms至200ms、40ms至50ms、40ms至60ms、40ms至70ms、40ms至80ms、40ms至90ms、40ms至100ms、40ms至150ms、40ms至200ms、50ms至60ms、50ms至70ms、50ms至80ms、50ms至90ms、50ms至100ms、50ms至150ms、50ms至200ms、60ms至70ms、60ms至80ms、60ms至90ms、60ms至100ms、60ms至150ms、60ms至200ms、70ms至80ms、70ms至90ms、70ms至100ms、70ms至150ms、70ms至200ms、80ms至90ms、80ms至100ms、80ms至150ms、80ms至200ms、90ms至100ms、90ms至150ms、90ms至200ms、100ms至150ms、100ms至200ms或150ms至200ms内检测到面部表情或动作。所述装置可在10ms、20ms、30ms、40ms、50ms、60ms、70ms、80ms、90ms、100ms、150ms或200ms内检测面部表情或动作。所述装置可在至少10ms、20ms、30ms、40ms、50ms、60ms、70ms、80ms、90ms、100ms或150ms内检测面部表情或动作。所述装置可在至多20ms、30ms、40ms、50ms、60ms、70ms、80ms、90ms、100ms、150ms或200ms内检测面部表情或动作。
本文公开了提供用于检测情感或社交线索的机器学习框架的平台、系统、装置、方法和介质。输入数据可以包含图像和/或视频数据以及可选的另外的传感器数据(例如,加速度计数据、音频数据等)。输入数据被提供给情感检测系统中,所述情感检测系统检测或识别情感或社交线索,所述情感或社交线索可以诸如经由计算装置上的用户接口实时输出给用户。
情感检测系统包含被训练来识别情感或社交线索的(一个或多个)人工智能或机器学习模型。在一些情况下,系统提供数据的预处理、机器学习模型或分类器,以及可选的用于处理或格式化输出的另外的步骤。可以对照一个或多个阈值来评估输出,以将输入置于多个社交或情感线索类别内的一个或多个类别内。
在一些实施方式中,机器学习模型被实现为回归模型(例如,提供可以与诸如愤怒程度的社交线索的程度相关联的连续输出)。替代地,所述模型被实现为分类模型(例如,检测到指示微笑或皱眉的归类输出)。在一些情况下,两种类型的模型都是根据检测到的线索类型来实现的。
在一些情况下,情感检测系统包括一个或多个模块,用于执行整个过程运行所必需的特定任务。情感检测系统可以包含面部识别模块和表情或情感检测模块,所述面部识别模块用于检测和跟踪出现在一个或多个图像或视频数据中的人的面部,所述表情或情感检测模块评估检测到的面部以识别一个或多种情感或社交线索的存在。可以存在另外的模块,诸如用于处理任何音频输入(例如,用户的讲述话语或口头命令)的音频模块,或对应于另外的传感器输入的其他模块。根据情感检测系统的具体实现方式,可以设想这些模块的各种组合。
面部识别模块3810和情感检测模块3820可以一起执行一系列步骤,诸如图38示出的非限制性图示出的步骤。首先,提供包括图像和/或视频3801的输入数据。在输入数据上执行面部检测(例如,对于视频馈送的每个图像或帧)3802。这可以包含基准点面部跟踪或用于提供准确面部检测的其他过程。面部可以对照标准尺寸和/或位置或角度进行标准化和/或配准。可以应用的其他图像处理技术包含照明的标准化。接下来,针对面部上的感兴趣区域生成梯度特征提取的直方图3803。然后对面部表情进行分类以检测社交或情感线索(例如,微笑、皱眉、愤怒等)3804。可以使用逻辑回归机器学习模型来执行分类,所述逻辑回归机器学习模型是在标记图像的训练数据集上训练的。最后,机器学习模型的输出可以被过滤3805,例如,使用诸如移动平均或低通时域滤波器的过滤算法。这可以通过避免从图像或视频数据中检测到太多线索来帮助提供随着时间保持稳定的实时社交或情感线索检测。可以采用各种方法来提供实时情感或社交线索检测。示例包含用于面部表情识别的中性减法,其实时评估中性面部特征并且从提取的特征减去,以及对诸如在视频馈送中的多个图像进行分类,并且然后随着时间对它们进行平均或平滑以减轻噪声。可以使用各种机器学习模型,例如,与递归神经网络结合使用的前馈卷积神经网络。此用于社交或情感线索检测的框架可在来自面向外的相机(例如,目标个体)和来自面向内的相机(例如,用户)的输入上实现。此外,可以将其他输入数据源(诸如传感器数据)结合到分析框架中,以改善情感和社交线索检测。
在一些实施方式中,使用多维机器学习系统来实现情感检测系统的各种模块。例如,卷积神经网络可以直接基于输入数据(诸如像素图像数据和可选的另外形式的输入数据)来生成输出。各种已知的方法可在没有配准或图像预处理的情况下执行对象识别、分割和定位任务。此外,当少量标记数据可用时,通过在公开可用的图像数据库上生成预训练的神经网络,并且然后使用小数据集进行微调,可以使用迁移学习来改善情感和社交线索检测,然后使用少量的数据应用到感情计算领域。
在一些实施方式中,情感识别系统被配置为基于特定目标个体定制社交或情感线索检测,以改善情感检测。例如,系统可以标记被识别为属于同一个人的图像,这些图像用于提供特定于目标的数据集,以帮助校准机器学习模型。标签可由用户或父母或护理人员供应,例如,父母正在审查患者捕获的图像,以便应用正确的标签或校正标签中的错误。因此,可以微调诸如卷积神经网络的机器学习模型来调整层之间的权重,以便提高特定个体的准确性。因此,随着时间的推移,由于收集到更多的数据,准确性可以增加。
数字化治疗可以包括用于受试者的社交学习辅助以提高认知表现,诸如,例如面部参与和/或识别或在社交交互期间提供反馈。在一些情况下,本文公开的平台、系统、装置、方法和介质提供评定工具,所述评定工具包括将由受试者或受试者的护理人员完成的调查或问卷。调查可以包含至少5个、10个、15个、20个、25个、30个、35个、40个、45个、50个、55个、60个、65个、70个、80个、90个或100个或更多个项目和/或不超过5个、10个、15个、20个、25个、30个、35个、40个、45个、50个、55个、60个、65个、70个、80个、90个或100个或更多个项目。这些项目可以跨多个领域归类。在一些情况下,所述项目跨两个、三个、四个或五个社交领域进行归类。对这些项目的输入或响应可以对应于本文所描述的机器学习算法中使用的特征,诸如训练的评估或诊断模型或分类器。在一些情况下,输入或响应包括数字或分数。可以通过对项目中的每个的项目求和来生成分数。低于阈值的分数可以被解释为指示或暗示障碍、延迟或损伤,诸如,例如自闭症谱系障碍。
在一些情况下,本文公开的平台、系统、装置、方法和介质提供评定工具,该评定工具测量各种领域,诸如,例如通信、日常生活、社交、运动功能和适应性行为技能。评定工具可以用于监测受试者。例如,较高的分数可以指示更强的适应性功能。
在一些实施方式中,如本文所描述的方法或装置包含评估方面和数字化治疗方面,其中评估和数字化治疗一起改善接受数字化治疗的个体的社交互惠。更具体地,在一些实施方式中,使用机器学习建模对个体的评估为以下个体进行选择:(1)需要社交互惠的改善,以及(2)随着数字化治疗的使用,他们的社交互惠将会显著改善。重要的是要注意,尽管某些个体能够与数字化治疗进行治疗性交互,但是某些个体不能从数字化治疗中受益(例如,由于认知缺陷),这使得他们不能与数字化治疗进行充分的交互以达到治疗的程度。本文所述方法和装置的实施方式选择将更高程度地受益于数字化治疗的个体,使得仅向这些个体提供数字化治疗,而向被确定不受益于数字化治疗的个体提供其他治疗方式。在一些实施方式中,向接受数字化治疗的个体提供治疗剂或另外的疗法,其通过例如在数字化治疗会话期间改善个体的认知和/或注意力来增强他的数字化治疗体验。
数字化治疗可以包含社交交互会话,在社交交互会话期间,受试者在社交学习辅助工具的协助下参与社交交互。在一些情况下,个人治疗计划包括一个或多个社交交互会话。可以安排社交交互会话,诸如,例如,每周至少一个、两个、三个、四个、五个、六个、七个会话。作为个人治疗计划的一部分实现的数字化治疗可以被编程为持续至少一周、二周、三周、四周、五周、六周、七周、八周、九周或十周或更多周。
在一些情况下,数字化治疗是使用人工智能实现的。例如,人工智能驱动的计算装置(诸如可穿戴装置)可以用于提供行为干预,以改善患有行为、神经或心理健康病症或障碍的儿童的社交结果。在一些实施方式中,个性化治疗方案是自适应的,例如,基于正在进行的治疗期间从受试者捕获的反馈和/或另外的相关信息(例如,来自自闭症评估的结果),动态更新或重新配置其疗法。
图1A和图1B示出了可以使用如本文所述的评定程序评估的一些示例性发育障碍。评定程序可以被配置用于评估受试者患有一种或多种发育障碍(诸如,两种或更多种相关发育障碍)的风险。发育障碍可能在受试者的症状或特征中具有至少一些重叠。这样的发育障碍可能包括广泛性发育障碍(PDD)、自闭症谱系障碍(ASD)、社会交往障碍、刻板重复行为、兴趣和活动(RRB)、自闭症(“经典自闭症”),阿斯伯格综合症(“高功能自闭症”)、未分类的PDD(PDD-NOS,“非典型自闭症”)、注意力缺陷与多动障碍(ADHD)、言语和语言迟缓、强迫症(OCD)、智力障碍、学习障碍或诸如《精神障碍诊断与统计手册(DSM)》任何版本中定义的障碍等任何其他相关的发育障碍。评定程序可以被配置用于确定受试者患有多种障碍中的每一种的风险。评定程序可以被配置用于将受试者确定为处于罹患多种障碍中的第一障碍或第二种碍的风险较大。评定程序可以被配置用于将受试者确定为处于罹患具有共病的第一障碍和第二障碍的风险。评定程序可以被配置用于预测受试者具有正常发育,或者具有患有该程序被配置用于筛查的任何障碍的风险低。评定程序可以进一步被配置成具有高灵敏度和特异性以区分障碍的不同严重程度等级;例如,该程序可以被配置用于预测受试者患有如第五版DSM(DSM-V)中定义的1级ASD、2级ASD或3级ASD的风险。
许多发育障碍可能具有相似或重叠的症状,因此使得评估受试者的发育障碍复杂化。本文所述的评定程序可以被配置用于评估受试者的可能与一种或多种发育障碍相关的多个特征。该程序可以包括已经使用大量临床验证数据集训练的评定模型,以了解受试者的特征与一种或多种发育障碍的临床诊断之间的统计关系。因此,当受试者参与评定程序时,可以针对评定模型来查询每个评估特征的受试者特征值(例如,受试者对问题的回答),以识别受试者特征值与一种或多种筛查的发育障碍的统计相关性(如果有的话)。基于受试者提供的特征值以及这些值与由评定模型确定的一种或多种发育障碍的预测风险之间的关系,评定程序可以动态地调整对在受试者身上待评估的下一特征的选择。基于将受试者确定为处于筛查出的多种障碍中特定障碍的风险,对待评估的下一特征的选择可以包括对下一最具预测性特征的识别。例如,如果在受试者已经回答了评定程序的前五个问题之后,评定模型预测受试者身上患自闭症的风险低而患ADHD的风险相对较高,则评定程序可以选择接下来在受试者身上评估与ADHD相关性较高的特征(例如,接下来可以将答案与临床诊断ADHD高度关联的问题呈现给受试者)。因此,本文所述的评定程序可以针对特定受试者的风险简档动态地裁适,并且使得能够实现高水平粒度地评估受试者的障碍。
图2是用于提供评定程序以供如本文所述的示例性数据处理模块100的示意图。数据处理模块100通常包括预处理模块105、训练模块110和预测模块120。数据处理模块可以从数据库提取训练数据150,或者利用用户接口130接纳新数据155。预处理模块可以应用一个或多个变换来将训练数据或新数据标准化以供训练模块或预测模块。可以将经预处理的训练数据传递给训练模块,训练模块可以基于训练数据构建评定模型160。训练模块可以进一步包括验证模块115,验证模块115被配置用于使用任何适当的验证算法(例如,分层K-折交叉验证)来验证经训练的评定模型。经预处理的新数据可以传递给预测模块,预测模块可以通过将新数据拟合到在训练模块中构建的评定模型来输出对受试者的发育障碍的预测170.预测模块可以进一步包括特征推荐模块125,特征推荐模块125被配置用于基于先前提供的受试者的特征值来选择或推荐在受试者身上待评估的下一特征。
由训练模块用来构建评定模型的训练数据150可以包括来自多个受试者的多个数据集,每个受试者的数据集包括特征阵列和对应的特征值,以及受试者发育障碍或状况的分类。如本文所述,可以通过向受试者询问的一个或多个问题、对受试者的观察或与受试者的结构化交互来评估受试者身上的特征。例如,特征值可以包括对问题的回答、诸如基于视频图像的特性等对受试者的观察或者受试者对结构化交互的响应中的一个或多个。每个特征可能与识别一种或多种发育障碍或状况相关,并且每个对应特征值可能指示特征在具体受试者身上的存在程度。例如,特征可以是受试者参加富于想象或假扮游戏的能力,并且特定受试者的特征值可以是0、1、2、3或8的分数,其中每个分数对应于特征在受试者身上的存在程度(例如,0=多种假扮游戏;1=某一假扮游戏;2=偶尔假扮或高度重复的假扮游戏;3=无假扮游戏;8=不可适用)。特征可以通过呈现给受试者或诸如父母等看护人的问题来在受试者身上进行评估,其中问题的答案包括特征值。备选地或组合地,例如可以利用受试者参加某种行为的视频来在受试者身上观察特征,并且可以通过观察识别出特征值。除了特征阵列和对应的特征值之外,训练数据中的每个受试者的数据集还包括受试者的分类。例如,分类可以是孤独症、自闭症谱系障碍(ASD)或非谱系。优选地,分类包括临床诊断,由诸如有执照的临床心理学家等有资格的人员所赋予,以便改善所生成的评定模型的预测准确度。训练数据可以包括可从大的数据储存库获得的数据集,诸如可从自闭症遗传资源交换(AGRE)获得的自闭症诊断性采访-修订(ADI-R)数据和/或自闭症诊断观察计划(ADOS)数据,或者可从任何其他合适的数据储存库(例如,波士顿自闭症联盟(AC)、西蒙斯基金会、国家自闭症研究数据库等)获得的任何数据集。备选地或组合地,训练数据可以包括大的自我报告数据集,该数据集可以是用户众包的(例如,经由网站、移动应用等)。
例如,预处理模块105可以被配置用于对提取的训练数据应用一个或多个变换以清洁和规范化数据。预处理模块可以被配置用于丢弃包含杂散元数据或包含极少观察量的特征。预处理模块可以被进一步配置用于标准化特征值的编码。取决于数据集的来源,不同的数据集常常可能具有以不同方式编码的相同特征值。例如,“900”、“900.0”、“904”、“904.0”、“-1”、“-1.0”、“None”和“NaN”都可以针对“缺失的”特征值进行编码。预处理模块可以被配置用于辨识相同特征值的编码变体,并且将数据集标准化以针对给定特征值具有统一的编码。因此预处理模块可以减少供训练模块和预测模块的输入数据中的不规则性,从而改善了训练模块和预测模块的稳健性。
除了将数据标准化之外,预处理模块还可以被配置用于将一定特征值重新编码为不同的数据表示。在一些情况下,数据集中的特征值的原始数据表示对于构建评定模型可能不甚理想。例如,对于其中对应的特征值被编码为从1到9的整数的分类特征,每个整数值可以具有与其他值无关的不同语义内容。例如,值“1”和值“9”都可以与具体分类高度关联,而值“5”不是。特征值的原始数据表示(其中特征值被编码为整数本身)可能不能够捕获每个值的独特语义内容,原因在于这些值以线性模型表示(例如,“5”的答案将会在单独考虑该特征时将受试者正好置于“1”与“9”之间;然而,在其中“1”和“9”与给定的分类高度关联而“5”不是的上述情况下,这样的解释是不正确的)。为了确保在评定模型的构建中捕获每个特征值的语义内容,预处理模块可以包括例如用来以“独热”方式重新编码诸如对应于分类特征的特征值等一定特征值的指令。在“独热”表示中,特征值可以表示为具有值0或1的比特阵列,比特数对应于特征的可能值的数目。只有受试者的特征值可以表示为“1”,而所有其他值表示为“0”。例如,如果受试者对可能的答案包括从1到9的整数的问题回答“4”,则原始数据表示可以是[4],并且独热表示可以是[0 0 0 1 0 0 0 0 0]。在这样的独热表示将会是必要的情况下,特征值这样的独热表示可以允许独立于其他可能值来考虑每个值。因此通过使用针对每个特征的最适当的数据表示来重新编码训练数据,预处理模块可以改善使用训练数据构建的评定模型的准确度。
预处理模块可以被进一步配置用于推算任何缺失的数据值,使得下游模块可以正确地处理该数据。例如,如果提供给训练模块的训练数据集包括缺失对其中一个问题的答案的数据,则预处理模块可以提供缺失值,使得由训练模块可以正确地处理该数据集。类似地,如果提供给预测模块的新数据集缺失一个或多个特征值(例如,正查询的数据集仅包括对待询问的一系列问题中的第一个问题的答案),则预处理模块可以提供缺失值,从而使得由预测模块能够实现对数据集的正确处理。对于具有分类特征值的特征(例如,一定行为在受试者身上的显示程度),可以将缺失值作为如此具体指定的适当的数据表示来提供。例如,如果分类特征如本文所述以独热表示进行编码,则预处理模块可以将缺失的分类特征值编码为“0”比特阵列。对于具有连续特征值(例如,受试者年龄)的特征,可以提供所有可能值的平均值来代替缺失值(例如,4岁年龄)。
例如,训练模块110可以利用机器学习算法或其他算法来构建和训练要在评定程序中使用的评定模型。可以构建评定模型,以基于训练数据来捕获给定特征值与待评定程序筛查的具体发育障碍之间的统计关系(如果有的话)。例如,评定模型可以包括多个临床特性与一种或多种发育障碍的临床诊断之间的统计相关性。给定的特征值可以具有不同的预测效用,用于对评定程序中要评估的多种发育障碍中的每一种进行分类。例如,在包括受试者参加富于想像或假扮游戏的能力的特征的前述示例中,“3”或“无多种假扮游戏”的特征值会对自闭症进行分类具有高预测效用,而相同的特征值可能对ADHD进行分类具有低预测效用。因此,对于每个特征值,可以提取概率分布,该概率分布描述了用于预测要由评定程序筛查的多种发育障碍中的每一种的具体特征值的概率。可以使用机器学习算法来从训练数据中提取这些统计关系,并建立评定模型,当包括一个或多个特征值的数据集拟合到该评定模型时,该评定模型可以产生对发育障碍的准确预测。
可以使用一种或多种机器学习算法来构建评定模型,诸如向后逐步部署特征选择的支持向量机和/或图形模型,支持向量机和图形模型两者都可以具有推断特征之间的相互作用的优点。例如,可以使用机器学习算法或其他统计学算法,诸如交替决策树(ADTree)、决策树桩、功能树(FT)、逻辑模型树(LMT)、逻辑回归、随机森林、线性分类器或本领域已知的任何机器学习算法。可以一起使用一种或多种算法来生成集成方法,其中可以使用诸如提升法(例如,AdaBoost、LPBoost、TotalBoost、BrownBoost、MadaBoost、LogitBoost等)等机器学习集成元算法来优化该集成方法以减少偏差和/或方差。一旦从训练数据得出评定模型,就可以将该模型用作预测工具来评定受试者患有一种或多种发育的风险。例如,机器学习分析可以使用诸如R、Weka、Python和/或Matlab等本领域已知的许多编程语言和平台中的一个或多个来执行。
随机森林分类器(其一般包括多个决策树,其中输出预测是单独树的预测分类的模式)可以有助于减少对训练数据的过度拟合。在每个分裂或决策节点可以使用随机的特征子集来构建决策树的集合。可以采用基尼(Gini)准则来选择最佳分区,其中选择计算的基尼不纯度指数最低的决策节点。在预测时,可以对所有决策树进行“投票”,并且可以将多数投票(或者预测分类的模式)输出为预测分类。
图3是图示基于随机森林分类器的示例性评定模型160的一部分的示意图。评定模块可以包括诸如决策树165a和165b等多个单独决策树165,其中的每一个可以使用训练数据中的随机特征子集独立地生成。每个决策树可以包括诸如图3中所示的决策节点166和167等一个或多个决策节点,其中每个决策节点规定了谓词条件。例如,决策节点16断言了这样的条件——对于个体的给定数据集,对ADI-R问题#86(首次显见异常的年龄)的答案为4或更小。决策节点167断言了这样的条件——对于给定数据集,对ADI-R问题#52(显示和指示关注)的答案是8或更小。在每个决策节点处,可以基于附着于决策节点的谓词条件是否成立来对决策树进行分裂,从而导致预测节点(例如,166a、166b、167a、167b)。每个预测节点可以包括表示由评定模型评估的一个或多个分类或条件的“投票”的输出值(图3中的“值”)。例如,在图3中所示的预测节点中,输出值包括针对被分类为患有自闭症或非谱系的个体的投票。预测节点可以导致下游的一个或多个附加决策节点(图3中未示出),每个决策节点导致决策树中与具有对应输出值的对应预测节点相关联的附加分裂。基尼不纯度可以作为寻找信息性特征的准则,基于所述信息性特征可以构建每个决策树中的分裂。评定模型可以被配置为检测或评估受试者是否存在障碍或病症。在一些情况下,单独的评定模型被配置为确定患有障碍或病症的受试者是否将通过数字化治疗(例如,被配置为促进社交互惠的数字化治疗)得到改善。
当正在评定模型中查询的数据集到达“叶子”或没有进一步下游分裂的最终预测节点时,该叶子的输出值可以作为特定决策树的投票输出。由于随机森林模型包括多个决策树,因此可以对森林中所有树的最终投票进行求和,以得出最终投票和受试者的对应分类。虽然在图3中仅示出了两个决策树,但该模型可以包括任何数目的决策树。大量的决策树可以通过减少每个单独决策树的方差来帮助减少评定模型对训练数据的过度拟合。例如,评定模型可以包括至少约10个决策树,例如至少约100个单独决策树或更多个。
线性分类器的集合还可以适合用于得出如本文所述的评定模型。可以使用随机梯度下降来单独地训练每个线性分类器,而不需要“截距项”。缺少截距项可能会阻止分类器从缺失的特征值中得出任何显著性。例如,如果受试者没有回答问题使得与所述问题相对应的特征值被表示为受试者数据集中的“0”比特阵列,则在没有截取项的情况下训练的线性分类器将不会把任何显著性归于该“0”比特阵列。由此得到的评定模型因而可以避免建立受试者已经回答的特征或问题的选择与由该模型确定的受试者的最终分类之间的相关性。这样的算法可以帮助确保只有受试者提供的特征值或答案,而不是特征或问题,被计入到受试者的最终分类中。
训练模块可以包括特征选择。可以使用一个或多个特征选择算法(诸如支持向量机、卷积神经网络)来选择能够区分具有和不具有某些发育障碍的个体的特征。可以选择不同的特征集作为与识别不同障碍相关的特征。逐步向后算法可以与其他算法一起使用。特征选择程序可以包括确定最佳数目的特征。
训练模块可以被配置用于评估得出的评定模型的性能。例如,可以评估该模型在对数据进行分类方面的准确度、灵敏度和特异性。评估可以用作选择合适的机器学习算法或其参数的指南。因此,训练模块可以更新和/或细化得出的评定模型以使灵敏度(真阳性率)相比特异性(真阴性率)最大化。当在训练数据中存在分类失衡或样本偏差时,这样的优化可能特别有帮助。
在至少一些情况下,可用的训练数据可能偏向被诊断患有具体发育障碍的个体。在这样的情况下,训练数据可能产生反映出样本偏差的评定模型,使得该模型假定受试者处于该具体发育障碍的风险,除非存在强有力的论据来另外做出。并入了这样的特定样本偏差的评定模型在生成新的或未分类的数据的预测中的性能可以不甚理想,原因在于新的数据可能来自可能不包括类似于训练数据中存在的样本偏差的受试者群体。为了减少使用偏斜训练数据构建评定模型时的样本偏差,可以在训练评定模型中应用样本加权。样本加权可以包括在模型训练过程期间对具体样本组赋予相对较大程度的显著性。例如,在模型训练期间,如果训练数据偏向于被诊断患有自闭症的个体,则可以把更高的显著性归于来自未被诊断患有自闭症的个体的数据(例如,是来自被诊断患有自闭症的个体的数据的显著性的多达50倍)。这样的样本加权技术可以基本上平衡了存在于训练数据中的样本偏差,由此产生了在现实世界中对数据进行分类时偏差降低且准确度得以改善的评定模型。为了进一步降低训练数据样本偏差对评定模型的生成的贡献,可以在训练过程期间实施提升技术。提升包括迭代过程,其中在一次训练迭代之后,更新每个样本数据点的权重。例如,迭代后错误分类的样本能够被更新成具有更高的显著性。继而可以利用训练数据的更新权重来重复该训练过程。
训练模块可以进一步包括验证模块115,验证模块115被配置用于验证使用训练数据构建的评定模型。例如,验证模块可以被配置用于实施分层K-折交叉验证,其中k表示训练数据被分裂成用于交叉验证的分区的数目。例如,k可以是大于1的任何整数,诸如3、4、5、6、7、8、9或10或者可能更高,这取决于将评定模型过度拟合至训练数据的风险。
训练模块可以被配置用于将经训练的评定模型保存到本地存储器和/或远程服务器,使得可以检索该模型以供由训练模块进行修改或者由预测模块120生成预测。
图4是如本文所述的预测模块120的方法的示例性操作流程400。预测模块120可以被配置用于通过将新数据拟合到训练模块中所构建的评定模型来生成给定受试者的预测分类(例如,发育障碍)。在步骤405,预测模块可以接收可能已经由预处理模块处理以使其标准化的新数据,例如通过如本文所述地丢掉杂散元数据、应用对特征值的统一编码、使用不同数据表示重新编码选定特征以及/或推算缺失数据点来使其标准化。新数据可以包括特定受试者的特征阵列和对应的特征值。如本文所述,特征可以包括呈现给受试者的多个问题、对受试者的观察或者指派给受试者的任务。特征值可以包括来自受试者的与受试者的特性相对应的输入数据,诸如受试者对询问问题的回答或受试者的响应。提供给预测模块的新数据可能有或可能没有与该数据相关联的已知分类或诊断;无论如何,预测模块可以在生成受试者的预测分类中不使用任何预先分配的分类信息。新数据可以包括先前收集的完整数据集,用于诊断或评估受试者患有多种发育障碍中的一种或多种的风险。备选地或组合地,新数据可以包括从受试者或受试者的看护人实时收集的数据,例如使用本文进一步详细描述的用户接口收集,因此完整数据集可以在相对于评定模型顺序地查询到受试者所提供的每个新特征值时而实时地填充。
在步骤410,预测模块可以从本地存储器和/或被配置用于存储该模型的远程服务器加载先前保存的由训练模块构建的评定模型。在步骤415,将新数据拟合到评定模型以生成受试者的预测分类。在步骤420,该模块可以检查数据的拟合是否可以在超过阈值的置信区间内,例如在90%或更高的置信区间内,例如95%或以上的置信区间内生成对一种或多种具体障碍(例如,孤独症、ADHD等)的预测。如果是这样,如步骤425中所示,预测模块可以输出该一种或多种发育障碍作为对受试者的诊断或者作为受试者处于风险的障碍。预测模块可以输出受试者被确定为处于超过设定阈值的风险的多种发育障碍,可选地以风险的次序呈现所述多个障碍。预测模块可以输出受试者被确定为处于最大风险的一种发育障碍。预测模块可以输出受试者被确定患有共病风险的两种或更多种发育障碍。预测模块可以输出在评定模型中确定的一种或多种发育障碍中的每一种的风险。如果预测模块无法将该数据拟合到置信区间内处于或超过指定阈值的任何具体发育障碍,则预测模块可在步骤430中确定是否存在可以查询到的任何附加特征。如果新数据包括先前收集的完整数据集,并且无法查询到受试者的任何附加特征值,则可以输出“无诊断”作为预测分类,如步骤440中所示。如果新数据包括在预测过程期间从受试者或看护人实时收集的数据,使得用提供给预测模块的每个新的输入数据值更新该数据集,并且将每个更新的数据集拟合到评定模型,则预测模块可能能够查询受试者以获得附加特征值。如果预测模块已经获得了包括在评估模块中的所有特征的数据,则预测模块可以输出“无诊断”作为受试者的预测分类,如步骤440中所示。如果存在尚未呈现给受试者的特征,如步骤435中所示,预测模块可以例如通过向受试者呈现附加问题来从受试者获得附加的输入数据值。继而可以将包括该附加输入数据的更新数据集再次拟合到评定模型(步骤415),并且循环可以继续直至预测模块可以生成输出。
图5是作为非限制性示例的本文所述的特征推荐模块125的示例性操作流程500。预测模块可以包括特征推荐模块125,特征推荐模块125被配置用于基于先前提供的受试者的特征值来识别、选择或推荐要在受试者身上评估的下一最具预测性特征或相关特征。例如,特征推荐模块可以是问题推荐模块,其中该模块可以基于对先前呈现的问题的回答来选择要呈现给受试者或看护人的最具预测性的下一问题。特征推荐模块可以被配置用于在对特定受试者的发育障碍进行分类时推荐具有最高预测效用的一个或多个下一问题或特征。因此,特征推荐模块可以帮助动态地裁适对受试者的评定程序,以便使得预测模块能够在评定长度减少且灵敏度和准确度得以改善的情况下产生预测。此外,特征推荐模块可以基于受试者先前提供的特征值,通过选择要呈现给受试者的特征来帮助改善由预测模块生成的最终预测的特异性,所述特征在预测特定受试者最有可能罹患的一种或多种具体发育障碍中是最相关的。
在步骤505,特征推荐模块可以接收已经在评定程序中从受试者获得的数据作为输入。输入的受试者数据可以包括由受试者提供的特征阵列和对应的特征值。在步骤510,特征推荐模块可以选择一个或多个特征以考虑作为供推荐的“候选特征”,用于作为待呈现给受试者、看护人或临床医生中的一个或多个的(一个或多个)下一特征。可以从要考虑的候选特征组中排除已经呈现的特征。可选地,还可以从候选特征组中排除满足一定准则的附加特征,如本文进一步详细描述的。
在步骤515,特征推荐模块可以评估每个候选特征的“期望特征重要性”。可以针对候选特征的“期望特征重要性”或者每个候选特征在预测具体受试者的具体发育障碍中的估计效用来评估候选特征。特征推荐模块可利用基于以下各项的算法:(1)特定特征值在预测特定发育障碍中的重要性或相关性;以及(2)受试者可能提供具体特征值的概率。例如,如果ADOS问题B5的为“3”的答案与自闭症的分类高度关联,则可以将该答案视为预测自闭症具有高度效用的特征值。如果当前受试者对于所述问题B5回答“3”的概率高,则特征推荐模块可以确定该问题具有的期望特征重要性高。例如,参考图6进一步详细描述可以用于确定特征的期望特征重要性的算法。
在步骤520,特征推荐模块可以基于步骤515中确定的特征的期望特征重要性,选择要接下来要呈现给受试者的一个或多个候选特征。例如,每个候选特征的期望特征重要性可以表示为分数或实数,继而可以将其与其他候选特征比较进行排名。可以选择具有希望排名的候选特征,例如排名前10、排名前5、排名前3、排名前2或排名最高,作为接下来呈现给受试者的特征。
图6是本文所述的特征推荐模块125所执行的确定期望特征重要性确定算法127的方法的示例性操作流程600。
在步骤605,该算法可以确定具体特征值在预测具体发育障碍中的重要性或相关性。可以根据使用训练数据构建的评定模型得出具体特征值在预测具体发育障碍中的重要性或相关性。这样的“特征值重要性”可以概念化为衡量给定特征值的角色(无论其应存在或不存在)在确定受试者的最终分类中的相关程度。例如,如果评定模型包含随机森林分类器,则具体特征值的重要性可以是该特征在随机森林分类器的分支中所位于的位置的函数。一般来说,如果特征在决策树中的平均位置相对较高,则该特征可以具有相对较高的特征重要性。给定具体评定模型的特征值的重要性可以通过特征推荐模块或通过训练模块高效地计算,其中训练模块可以将计算的统计数据传递给特征推荐模块。或者,具体特征值的重要性可以是如果所述特征值由受试者提供将会得到的实际预测置信度的函数。对于给定候选特征的每个可能的特征值,特征推荐模块可以被配置用于基于受试者先前提供的特征值和当前假定的特征值来计算用于预测一种或多种发育障碍的实际预测置信度。
每个特征值对于评定程序被设计用于筛查的每种发育障碍而言可以具有不同的重要性。因此,可以将每个特征值的重要性表示为概率分布,该概率分布描述特征值对正在评估的多种发育障碍中的每一种产生准确预测的概率。
在步骤610,特征推荐模块可以确定受试者提供每个特征值的概率。可以使用任何适当的统计模型来计算受试者可能提供具体特征值的概率。例如,可以使用大概率图形模型来找出表达式的值,表达式诸如为
prob(E=1|A=1,B=2,C=1)
其中A、B和C表示预测模块中的不同特征或问题,并且整数1和2表示特征的不同可能特征值(或者问题的可能答案)。继而可以使用贝叶斯规则计算受试者提供具体特征值的概率,其中表达式诸如为:
prob(E=1|A=1,B=2,C=1)=prob(E=1,A=1,B=2,C=1)/prob(A=1,B=2,C=1)
就计算时间和所需的处理资源二者而言,这样的表达式在计算上可能是昂贵的。备选地或与明确使用贝叶斯规则计算概率相组合地,可以使用逻辑回归或其他统计估计器,其中使用从机器学习算法得出的参数来估计概率。例如,可以使用以下表达式来估计受试者可能提供具体特征值的概率:
prob(E=1|A=1,B=2,C=1)≈sigmoid(a1*A+a2*B+a3*C+a4),其中a1、a2、a3和a4是经训练的评定模型确定的常数系数,是使用试图使该表达式最大限度地正确的优化算法得知的,并且其中sigmoid是使得该表达式能够转变为概率的非线性函数。这样的算法可以快速训练,并且可以在应用中,例如在评定程序的施用期间快速计算由此得到的表达式。尽管参考了四个系数,但如本领域普通技术人员将认识到的那样,可以使用尽可能多有帮助的系数。
在步骤615,可以基于步骤605和610中计算的度量的组合来确定每个特征值的期望重要性。基于这两个因素,特征推荐模块可以确定具体特征值在预测具体发育障碍中的期望效用。尽管本文参考了经由乘法确定的期望重要性,但期望重要性例如可以通过以诸如使用查找表、逻辑或划分等许多方式对系数和参数进行组合来确定。
在步骤620,可以针对每个候选特征的每个可能特征值重复步骤605-步骤615。例如,如果特定问题有4个可能答案,则确定这4个可能答案中每一个的期望重要性。
在步骤625,可以确定每个候选特征的总期望重要性或期望特征重要性。如步骤620中所确定的,每个特征的期望特征重要性可以通过对特征的每个可能特征值的特征值重要性进行求和来确定。因此通过对给定特征的所有可能特征值的期望效用求和,特征推荐模块可以响应于先前的答案来确定用于预测具体发育障碍的特征的总期望特征重要性。
在步骤630,可以针对特征推荐模块正在考虑的每个候选特征重复步骤605-步骤625。候选特征可以包括诸如问题等可能特征的子集。因此,可以生成每个候选特征的期望特征重要性分数,并且候选特征可以按照从最高到最低期望特征重要性的次序排名。
可选地,除了步骤605和步骤610中确定的两个因素之外,还可以在确定每个特征值的重要性时考虑第三因素。基于受试者先前提供的特征值,可以确定受试者患有多种发育障碍中的一种或多种的概率。这样的概率可以基于存储在评定模型中的概率分布来确定,其基于受试者提供的特征值指示出受试者患有多种筛查出的发育障碍中的每一种的概率。在选择要呈现给受试者的下一特征过程中,所述算法可以被配置用于给予对预测当前受试者最有可能患有的一种或多种发育障碍最重要或最相关的特征值较大的权重。例如,如果受试者先前提供的特征值指示该受试者具有比正在评估的任何其他发育障碍更高的概率患有智力障碍或言语和语言迟缓,则特征推荐模块可能倾向于对于预测智力障碍或言语和语言迟缓而言具有高重要性的特征值,而不是对于预测自闭症、ADHD或将评定设计来筛查的任何其他发育障碍而言具有高重要性的特征。因此,特征推荐模块可以使得预测模块能够针对当前受试者裁适预测过程,从而呈现与受试者的潜在发育障碍相关的更多特征以产生具有较高粒度和置信度的最终分类。
尽管上文步骤示出了期望特征重要性确定算法127的示例性操作流程600,但本领域普通技术人员将认识到基于本文所述的教导的许多变化。步骤可以按不同的次序完成。可以添加或删除步骤。一些步骤可以包括其他步骤的子步骤。每当用户需要时可以重复步骤中的许多步骤。
现在描述特征推荐模块的示例性实施方式。受试者X已经在评定程序中提供了问题(特征)A、B和C的答案(特征值):
受试者X={‘A’:1,‘B’:2,‘C’:1}
为了最大限度地增大可以达到最终分类或诊断的预测置信度,特征推荐模块可以确定接下来应呈现问题D还是问题E。考虑到受试者X的先前答案,特征推荐模块确定受试者X对问题D和E中的每一个提供每个可能答案的概率如下:
prob(E=1|A=1,B=2,C=1)=0.1
prob(E=2|A=1,B=2,C=1)=0.9
prob(D=1|A=1,B=2,C=1)=0.7
prob(D=2|A=1,B=2,C=1)=0.3
问题D和E中的每一个的每个可能答案的特征重要性可以基于所描述的评定模型来计算。或者,可以将问题D和E中的每一个的每个可能答案的特征重要性计算为如果受试者给出了具体答案将会得到的实际预测置信度。每个答案的重要性可以使用任何适当的数值刻度上的一系列值表示。例如:
重要性(E=1)=1
重要性(E=2)=3
重要性(D=1)=2
重要性(D=2)=4
基于计算的概率和特征值重要性,特征推荐模块可以计算每个问题的期望特征重要性如下:期望[重要性(E)]=(prob(E=1|A=1,B=2,C=1)*重要性(E=1)
+(prob(E=2|A=1,B=2,C=1)*重要性(E=2)
=0.1*1+0.9*3
=2.8
期望[重要性(D)]=(prob(D=1|A=1,B=2,C=1)*重要性(D=1)
+(prob(D=2|A=1,B=2,C=1)*重要性(D=2)
=0.7*2+0.3*4
=2.6
因此,即使问题D的答案一般具有较高的特征重要性,但还将问题E的答案的期望特征重要性(也称为相关性)确定为高于问题D的答案的期望特征重要性。因而,特征推荐模块可以选择问题E作为要呈现给受试者X的下一问题。
当选择要呈现给受试者的下一最佳特征时,特征推荐模块125可以进一步被配置用于如果一个或多个候选特征与已经呈现给受试者的特征具有高协方差,则从考虑中排除所述候选特征。可以基于训练数据确定不同特征的协方差,并且可以将其存储在由训练模块构建的评定模型中。如果候选特征与先前呈现的特征具有高协方差,则该候选特征可以添加相对较小的附加预测效用,并且因此可以在将来呈现给受试者时省略以便优化评定程序的效率。
预测模块120可以使用用户接口130与参与评定程序的人(例如,受试者或受试者的看护人)进行交互。该用户接口可以提供有诸如任何计算设备的可以使得用户能够访问预测模块的显示器等用户接口,所述任何计算设备诸如为个人计算机、平板计算机或智能电话。计算设备可以包括处理器,该处理器包含用于例如以移动应用的形式提供用户接口的指令。用户接口可以被配置用于向用户显示来自预测模块的指令,和/或利用计算设备提供的输入方法从用户接收输入。因此,用户可以通过使用用户接口与预测模块交互来如本文所述地参与评定程序,例如通过响应于由预测模块呈现的问题(特征)而提供答案(特征值)来参与评定程序。用户接口可以被配置用于实时地施用评定程序,使得用户一次回答一个问题,并且预测模块可以基于由特征推荐模块做出的推荐来选择要询问的下一最佳问题。备选地或组合地,用户接口可以被配置用于例如通过允许用户上传对应于一组特征的一组完整特征值来从用户接收一组完整新数据。
如本文所述,可以采用许多方式在受试者身上评估与识别一种或多种发育障碍相关的感兴趣特征。例如,受试者或看护人或临床医生可能会被问到一系列问题,这些问题被设计用于评定受试者身上存在感兴趣特征的程度。所提供的答案继而可以表示受试者的对应特征值。用户接口可以被配置用于向受试者(或者代表受试者参与评定程序的任何人)呈现一系列问题,该一系列问题可以如本文所述地从一组候选问题中动态地选择。这样的基于问题与答案的评定程序完全可以通过机器施用,并且因此可以提供对受试者的(一种或多种)发育障碍的快速预测。
备选地或组合地,可以通过观察受试者的行为(例如利用受试者的视频)来评估受试者身上的感兴趣特征。用户接口可以被配置用于允许受试者或受试者的看护人记录或上传受试者的一个或多个视频。视频片段随后可以由有资格的人员进行分析,以确定受试者针对感兴趣特征的特征值。备选地或组合地,用于确定特征值的视频分析可以由机器执行。例如,视频分析可以包括检测对象(例如,受试者、受试者的空间位置、面部、眼睛、嘴巴、手、四肢、手指、脚趾、脚等),随后追踪对象的移动。视频分析可以推断受试者的性别和/或受试者的(一种或多种)口头语言的熟练程度。视频分析可以在全球范围内识别面部或面部上的诸如鼻子、眼睛、嘴唇和嘴巴等具体标志物,以推断面部表情并且随着时间的推移追踪这些表情。视频分析可以检测眼睛、四肢、手指、脚趾、手、脚,并随着时间的推移追踪它们的移动以推断行为。在一些情况下,分析可以进一步推断行为的意图,例如,儿童因噪音或嘈杂的音乐而不安、参加自伤行为、模仿另一人的动作等。还可以分析视频文件中记录的声音和/或语音。分析可以推断出受试者行为的背景。声音/语音分析可以推断出受试者的感觉。由人类和/或机器执行的对受试者视频的分析可以产生感兴趣特征的特征值,所述特征值继而可以适当地进行编码以便输入到预测模块中。继而可以基于受试者的特征值到使用训练数据构建的评定模型的拟合来生成对受试者的发育障碍的预测。
备选地或组合地,可以通过与受试者的结构化交互来评估受试者身上的感兴趣特征。例如,可以要求受试者玩诸如计算机游戏等游戏,并且可以使用受试者在游戏上的表现来评估受试者的一个或多个特征。可以向受试者呈现一个或多个刺激(例如,经由显示器呈现给受试者的视觉刺激),并且可以使用受试者对刺激的响应来评估受试者的特征。可以要求受试者执行某个任务(例如,可以要求受试者用他或她的手指弹出气泡),并且可以使用受试者对该请求的响应或者受试者实施所请求的任务的能力来评估受试者的特征。
本文所述的方法和装置能够以许多方式被配置用于确定下一最具预测性或最相关问题。如本文所述的软件指令的至少一部分可以被配置用于在本地设备上本地运行,以便提供用户接口并且呈现问题以及接收问题的答案。本地设备可以被配置有应用程序接口(API)的软件指令,以便针对最具预测性的下一问题而查询远程服务器。例如,API可以基于如本文所述的特征重要性而返回识别的问题。备选地或组合地,本地处理器可以被配置有用于响应于先前的答案来确定最具预测性的下一问题的指令。例如,预测模块120可以包含远程服务器的软件指令或本地处理器的软件指令,以及其组合。备选地或组合地,特征推荐模块125可以包含例如被配置用于确定最具预测性的下一问题的远程服务器的软件指令或本地处理器的软件指令,以及其组合。例如,可以利用如本文所述的一个或多个处理器来执行如由本文所述的特征推荐模块125执行的确定期望特征重要性确定算法127的方法的示例性操作流程600。
图7图示了如本文所述的管理评定程序的方法700。方法700可以利用计算设备上所提供的用户接口来执行,计算设备包括显示器和用于响应于显示器上所提供的指令来接收用户输入的用户接口。参与评定程序的用户可以是受试者本人,或者代表受试者参与该程序的另一人,诸如受试者的看护人。在步骤705,可以用显示器向用户呈现与第N特征有关的第N问题。在步骤710,可以接收包含对应的第N特征值的受试者的答案。在步骤715,可以更新当前受试者的数据集以包括为受试者提供的第N特征值。在步骤720,可以将更新的数据集拟合到评定模型以生成预测分类。如本文所述,步骤720可以由预测模块执行。在步骤725,可以执行检查以确定对数据的拟合是否可以生成足够置信度(例如,在至少90%置信区间内)的对具体发育障碍(例如,孤独症、ADHD等)的预测。如果是这样,如在步骤730所示,可以向用户显示预测的发育障碍。如果不是,则在步骤735中,可执行检查以确定是否存在可以查询到的任何附加特征。如果是,如在步骤740所示,特征推荐模块可以选择要呈现给用户的下一特征,并且可以重复步骤705-步骤725,直至可以将最终预测(例如,具体发育障碍或“无诊断”)显示给受试者。如果没有附加特征向受试者呈现,则可以向受试者显示“无诊断”,如在步骤745所示。
虽然上文步骤示出了施用评定程序的示例性方法700,但是本领域普通技术人员基于本文所述的教导将会认识到许多变化。可以按不同的次序完成各步骤。可以添加或删除步骤。一些步骤可以包括其他步骤的子步骤。每当用户需要时可以重复步骤中的许多步骤。
本公开内容提供了被编程用于实现本公开内容的方法的计算机控制系统。图8示出了适合并入有本文所述的方法和装置的计算机系统801。计算机系统801可以处理本公开内容的信息的各个方面,举例而言,诸如问题和答案、响应、统计分析。计算机系统801可以是用户的电子设施或者是相对于该电子设备远程定位的计算机系统。电子设备可以是移动电子设备。
计算机系统801包括中央处理单元(CPU,本文中也称为“处理器”和“计算机处理器”)805,其可以是单核或多核处理器或者用于并行处理的多个处理器。计算机系统801还包括存储器或存储器位置810(例如,随机存取存储器、只读存储器、快闪存储器),电子存储单元815(例如,硬盘),用于与一个或多个其他系统进行通信的通信接口820(例如,网络适配器),以及外围设备825(诸如高速缓存、其他存储器、数据储存器和/或电子显示适配器)。存储器810、存储单元815、接口820和外围设备825通过诸如主板等通信总线(实线)与CPU805通信。存储单元815可以是用于存储数据的数据存储单元(或数据存储库)。计算机系统801可以借助于通信接口820可操作地耦合至计算机网络(“网络”)830。网络830可以是互联网、因特网和/或外联网,或者内联网和/或与互联网进行通信的外联网。网络830在一些情况下是电信和/或数据网络。网络830可以包括一个或多个计算机服务器,所述计算机服务器可以支持诸如云计算等分布式计算。网络830在一些情况下借助于计算机系统801可以实现对等网络,对等网络可以使得耦合至计算机系统801的设备能够充当客户端或服务器。
CPU 805可以执行可以在程序或软件中体现的机器可读指令序列。指令可以存储在诸如存储器810等存储器位置中。可以将指令引导至CPU 805,指令随后可以用程序指令或以其他方式对CPU 805进行配置以实现本公开内容的方法。由CPU 805执行的操作的示例可以包括取、解码、执行和回写。
CPU 805可以是诸如集成电路等电路的一部分。可以将系统801的一个或多个其他组件包括在该电路中。在一些情况下,电路是应用专用集成电路(ASIC)。
存储单元815可以存储诸如驱动程序、库和保存的程序等文件。存储单元815可以存储用户数据,例如用户偏好和用户程序。计算机系统801在一些情况下可以包括一个或多个附加数据存储单元,所述一个或多个附加数据存储单元是在计算机系统801外部的,诸如位于通过内联网或因特网与计算机系统801进行通信的远程服务器上。
计算机系统801可以通过网络830与一个或多个远程计算机系统通信。例如,计算机系统801可以与用户(例如,父母)的远程计算机系统通信。远程计算机系统和移动通信设备的示例包括个人计算机(例如,便携式PC)、板或平板PC(例如,iPad、Galaxy Tab)、电话、智能电话(例如,iPhone、支持Android的设备、)或个人数字助理。用户可以使用网络830访问计算机系统801。
可以通过存储在计算机系统801的电子存储位置上(举例而言,诸如存储器810或电子存储单元815上)的机器(例如,计算机处理器)可执行代码来实现如本文所述的方法。机器可执行代码或机器可读代码可以以软件的形式提供。在使用期间,代码可以由处理器805执行。在一些情况下,代码可以从存储单元815中检索并且存储在存储器810上以供处理器805迅速存取。在一些情况下,可以不包括电子存储单元815,并且将机器可执行指令存储在存储器810上。
代码可以被预编译并配置用于与具有适于执行代码的处理器的机器一起使用,或者可以在运行时间期间进行编译。代码能够采用可以选择以使得该代码能够以预编译或编译时的方式执行的编程语言来提供。
本文提供的系统和方法的各方面,诸如计算机系统801,可以在编程方面体现。该技术的各个方面可被认为是以在某一类型的机器可读介质上携带或体现的机器(或处理器)可执行代码和/或关联数据的形式的“产品”或“制品”。机器可执行代码可以存储在诸如存储器(例如,只读存储器、随机存取存储器、闪速存储器)或硬盘等电子存储单元上。“存储”类介质可以包括任何或所有的计算机有形存储器、处理器等,或其相关联的模块,诸如各种半导体存储器、磁带驱动器、磁盘驱动器等,其可以在任何时间为软件编程提供非暂时性存储。软件的全部或部分有时可以通过因特网或各种其他电信网络进行通信。这样的通信例如可以使得软件能够从一台计算机或处理器加载到另一台计算机或处理器中,例如,从管理服务器或主机计算机加载到应用服务器的计算机平台中。因此,可以承载软件元素的另一类介质包括诸如跨本地设备之间的物理接口、通过有线和光学陆上通信线网络以及通过各种空中链路所使用的光波、电波和电磁波。携带此类波的物理元件,诸如有线或无线链路、光学链路等,也可以视为是承载软件的介质。如本文所使用,除非限制于非暂时性有形“存储”介质,否则诸如计算机或机器“可读介质”等术语是指参与向处理器提供指令以供执行的任何介质。
因此,诸如计算机可执行代码等机器可读介质可以采取许多种形式,包括但不限于有形存储介质、载波介质或物理传输介质。非易失性存储介质例如包括光盘或磁盘,诸如任何(一个或多个)计算机中的任何存储设备等,如附图中所示的可以用于实现数据库的那些等。易失性存储介质包括动态存储器,诸如这样的计算机平台的主存储器。有形传输介质包括同轴电缆;铜线和光纤,包括构成计算机系统内的总线的导线。载波传输介质可以采取电信号或电磁信号或者声波或光波(诸如射频(RF)和红外(IR)数据通信过程中产生的那些)的形式。因此,计算机可读介质的常见形式例如包括:软盘、柔性盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD或DVD-ROM、任何其他光学介质、穿孔纸带、具有孔洞图案的任何其他物理存储介质、RAM、ROM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或筒匣、传送数据或指令的载波、传送这样的载波的电缆或链路,或者计算机可以从中读取编程代码和/或数据的任何其他介质。在将一个或多个指令的一个或多个序列载送到处理器以供执行的过程中可能涉及这些计算机可读介质形式中的许多形式。
计算机系统801可以包括电子显示器835或与其通信,电子显示器835包括用于提供例如问题和答案、分析结果、推荐的用户接口(UI)840。UI的示例包括但不限于图形用户接口(GUI)和基于网络的用户接口。
本公开内容的方法和系统可以通过随如本文所公开的一个或多个处理器提供的一个或多个算法以及指令来实现。算法可以通过软件在由中央处理单元805执行时的方式来实现。算法例如可以是随机森林、图形模型、支持向量机或其它。
尽管上述步骤示出了根据示例的系统的方法,但本领域普通技术人员基于本文所述的教导将会认识到许多变化。可以按不同的次序完成各步骤。可以添加或删除步骤。一些步骤可以包括子步骤。每当有益于平台时就可以重复步骤中的许多步骤。
如本文所述的每个示例可以与一个或多个其他示例组合。此外,一个或多个示例的一个或多个组件可以与其他示例组合。
实验数据
在Python 2.7的Anaconda Distribution上建立如本文所述的数据处理模块。用于构建和培训评定模型的培训数据包括自闭症遗传资源交换(AGRE)所生成的数据,自闭症遗传资源交换(AGRE)执行了家庭内评定来在其家中收集父母和子女的ADI-R和ADOS数据。ADI-R包括呈现总计93个问题的家长访谈,并产生自闭症或无自闭症的诊断。ADOS包括对儿童进行的半结构化访谈,该访谈产生自闭症、ASD或无诊断的诊断,其中基于语言水平对儿童施用四个可能模块中之一,每个模块包括约30个问题。数据包括源自评定的儿童临床诊断;如果一个孩子的ADI-R与ADOS诊断有差异,则由获得执照的临床心理学家针对所讨论的儿童的数据集指派共识性诊断。训练数据包含了总计3,449个数据点,其中3315个病例(自闭症或ASD)和134个对照(非谱系)。训练数据中评估的特征靶向3个关键领域:语言、社交沟通和重复性行为。
如本文所述,使用提升的随机森林分类器来建立评定模型。在训练数据上训练评定模型之前,对训练数据进行预处理以将该数据标准化,并且如本文所述的以独热表示重新编码分类特征。由于训练数据偏向患有自闭症或ASD的个体,因此应用样本加权以把与来自自闭症/ASD个体的数据相比,多达50倍的显著性归于来自非谱系个体的数据。使用提升法迭代地训练评定模型,在每次迭代之后更新数据点的权重以增大归于被错误分类的数据点的显著性,并用更新的显著性进行重新训练。
使用k=5的分层k-折交叉验证对训练的模型进行验证。交叉验证产生了约93-96%的准确度,其中准确度定义为使用该模型在二元分类任务中正确分类的受试者的百分比(自闭症/非谱系)。由于训练数据包含了样本偏差,因此计算混淆矩阵以确定该模型将一个类别(自闭症或非谱系)与另一类别混淆的频率。正确分类的自闭症个体的百分比约为95%,而正确分类的非谱系个体的百分比约为76%。然而,应指出,可以对该模型进行调整以相比另一类别更紧密地拟合一个类别,在该情况下,每个类别的正确分类的百分比可以改变。图9示出了映射如本文所述的示例性评定模型的灵敏度与误检的受试者操作特性(ROC)曲线。将自闭症诊断的真阳性率(灵敏度)映射在y轴上,作为x轴上映射的诊断的假阳性率(误检)的函数。标记为“折份(Fold)#0”、“折份#1”和“折份#2”的三条曲线中的每一条对应于交叉验证程序的不同“折份”,其中对于每一折份,将一部分训练数据拟合到评定模型,同时改变将数据集分类为“自闭症”所必要的预测置信度阈限。在需要或适当时,根据模型的ROC曲线,可以调整该模型以增大灵敏度用来换取误检的一些增加,或者降低灵敏度作为减少误检的交换。
特征推荐模块如本文所述进行配置,其中计算每个问题的期望特征重要性,并且通过经由应用程序接口(API)调用服务器来对候选问题按照计算的重要性的次序进行排名。通过确定问题的推荐分数与从回答推荐问题获得的预测准确度的增加之间的相关性来评估特征推荐模块推荐信息性问题的能力。执行以下步骤来计算相关性度量:(1)将数据分裂成各折份以供交叉验证;(2)已经回答的问题从验证集中随机移除;(3)为每个问题生成期望特征重要性(问题推荐/分数);(4)揭示步骤2中移除的问题其中之一,并且测量后续预测准确度的相对改善;以及(5)计算相对改善与期望特征重要性之间的相关性。计算的Pearson相关系数范围介于0.2和0.3之间,从而表明期望特征重要性分数与相对改善之间的中度相关性。图10是示出了每个问题的期望特征重要性(“预期信息性分数”)与相对改善(“相对分类改善”)之间的相关性的散布图。该图示出了两个变量之间的中度线性关系,例证了特征推荐模块确实能够推荐将会提高预测准确度的问题。
测量了使用所开发的预测模块和特征推荐模型来产生输出的时间长度。预测模块花费约46ms来预测个体患孤独症的风险。特征推荐模块花费约41ms来为个人生成问题推荐。尽管这些测量是通过经由API调用服务器进行的,但计算例如可以在本地执行。
如本文所述,虽然构建和训练了关于图9至图10描述的数据处理模块的评定模型,来将受试者分类为患有自闭症或未患有自闭症,但是可以使用类似的方法来建立可以将受试者分类为患有多种发育障碍中的一种或多种的评定模型。
在另一方面,本文公开的方法和装置可以将受试者识别为属于三个类别之一:具有发育状况、发育正常或典型、或者不确定或需要附加评估以确定受试者是否具有发育状况。发育状况可以是发育障碍或发育进展。第三类即不确定性确定的添加导致对应于发育状况的存在或不存在的分类评估的性能改善和更好的准确度。
图11是将受试者识别为属于三个类别之一的评估模块的示例性操作流程。如图11所示,提供了用于评估受试者的至少一种行为发育状况的方法1100。评估模块在1110处接收与行为发育相关的受试者的诊断数据,在1120处使用多个机器学习评定模型的选定子集评估诊断数据,并在1130处提供针对受试者的分类确定。分类确定可以是不确定的,或可以指示存在或不存在行为发育状况。
图12是如本文所述的模型训练模块的示例性操作流程。如图12所述,提供了用于使用机器学习来训练评定模型并最佳地调节其配置参数的方法1200。可以使用方法1200训练和调节多个机器学习预测模型,每个模型使用离线制备的数据集并且包括标准化临床工具如ADI-R、ADOS或SRS的代表性样本。还可以使用包括除临床工具之外的数据诸如人口统计数据的数据集来训练模型。在1210处,模型训练模块使用机器学习技术预处理来自多个受试者的诊断数据。可以使用确立已久的机器学习技术(诸如数据清理、过滤、聚集、插补,标准化和本领域已知的其他机器学习技术)来预处理数据集。
在1220处,模型训练模块从预处理的诊断数据提取和编码机器学习特征。可以使用特征编码技术(举例而言,诸如独热编码、严重性编码、行为存在编码或本领域已知的任何其他特征编码技术)将包括数据集的列映射到机器学习特征中。这些技术中的一些本质上是新颖的并且在机器学习应用中不常用,但是由于手头问题的性质,特别是由于临床数据所收集的环境与模型将应用的意向环境之间的不符,它们在本申请中是有利的。
特别地,行为编码的存在对于手头问题尤其有利,因为机器学习训练数据由临床问卷组成,该问卷由观察了受试者多个小时的心理计量学家填写。他们填写的答案代码可以对应于严重性的细微程度或行为模式的差异,这些差异可能仅在整个长期观察期间才变得明显。然后,使用数据来训练预定要应用于仅可获得几分钟的受试者观察的环境中的模型。因此,预期行为模式的细微之处将不那么明显。如本文所述的行为编码的存在通过抽象出答案选择之间的细微差异并且仅在预期在应用环境中可靠地获得的粒度水平下从问卷提取数据来缓解该问题。
在1230处,模型训练模块处理编码的机器学习特征。在示例性实施方式中,可以将问卷答案编码成机器学习特征,之后可以计算样本权重并将其分配给数据集中的诊断数据的每个样本,每个样本对应于具有诊断数据的每个受试者。可以根据受试者特定的维度对样本进行分组,并且可以计算样本权重并指定样本权重以使一个样本组与每个其他样本组平衡,以反映意向环境中受试者的预期分布。例如,具有阳性分类标签的样本可以与具有阴性分类标签的样本平衡。备选地或附加地,可以使多个年龄组箱中的每一个中的样本达到相等的总重量。可以使用附加的样本平衡维度,诸如性别、地理区域、阳性或阴性类别内的子分类,或任何其他合适的维度。
可以进一步细化样本重量调整的过程以反映意向应用环境中受试者的预期分布。这可以允许训练的模型适应各种特定的应用环境。例如,可以通过调整训练数据集中的样本权重以反映二级诊断临床中诊断状况的预期发生率,从而训练模型以专门用作二级筛查工具。可以再次通过调整训练样本的权重来反映主要为神经典型受试者且少数为阳性样本并且发生率匹配一般群体中的发生率的预期群体,以反映意向应用环境中受试者的预期分布,从而训练同一筛查器的另一变体以用作一般公共筛查工具。
在1240处,模型训练模块选择经处理的机器学习特征的子集。在示例性实施方式中,在相应地对训练样本进行加权并且适当地编码所有潜在的机器学习特征的情况下,可以使用通常称为自举的机器学习过程来进行特征选择,在该过程中可以运行模型训练的多次迭代,每次迭代使用可获得的训练数据的随机子样本。每次运行后,可以使用训练过程认为必须包含在模型中的特征来更新计数。由于训练中使用的随机数据子集可能包含数据样本选择偶然的并且不反映手头问题的显示模式的明显模式,因此该列表可以预期在运行之间有所变化。多次重复该过程可以允许偶然模式抵消,揭示出反映可以预期在训练数据集之外和现实世界中很好地概括的模式的特征。然后可以选择自举运行的顶部特征并专门用于训练最终模型,最终模型使用整个训练数据集进行训练,并保存以供后续应用。
可以训练若干模型而不是一个模型,以便在预期维度影响有用特征的选择的情况下使模型在人口统计维度上专门化。例如,可以建立多个基于问卷的模型,每个模型针对于特定年龄组,因为对于每个年龄组,预期询问受试者的最佳问题是不同的。在该情况下,在应用时仅加载针对每个受试者的正确模型。
在1250处,模型训练模块评估每个模型。具体地,可以评估每个模型的性能,例如,如通过针对预定包含率的灵敏度和特异性所确定的。在示例性实施方式中,使用在模型训练阶段期间未使用的留存数据集,可以评估模型在包含率、灵敏度和特异性方面的性能。
在1260处,模型训练模块调节每个模型。更具体地,为了评定模型在不同调节环境中的性能,可以以迭代增量改变每个模型的调节参数,并且可以在每次迭代中对相同的留存集计算相同的度量。然后可以锁定最佳环境并保存相应的模型。调节参数可以包括例如,升高的决策树模型中树的数目、每个树的最大深度、学习率、阳性确定评分的阈值、视为不确定的输出的范围,以及本领域已知的任何其他调节参数。
在优选的实施方式中,1260的参数调节过程可以包括蛮力网格搜索、优化的梯度下降或模拟退火,或本领域已知的任何其他空间探索算法。所调节的模型可以进行单独的独立调节运行,或者模型可以以整体方式进行调节,其中每个模型的每个参数组合进行探索,以便在1270处达到最佳的总参数集,以使整体使用所有模型的益处最大化。
此外,在又一方面,可以利用由商业需求而不是性能度量决定的外部条件来扩大调节每个预测模型的不确定范围。例如,可以认为对于特定分类器具有不小于70%的包含率是必要的。换言之,预期分类器将提供评估,该评估指示至少70%被分类的受试者的发育状况的存在或不存在,对少于30%的受试者产生不确定性确定。因此,对于不确定的输出范围的相应调节过程将必须仅限于满足该条件的范围。
基于应用的背景,模型是可调节的。预测模型可以被配置用于输出具有特定确定度的诊断,该确定度可以基于不确定范围的调节来调整。
此外,可以在离线机器学习阶段之外暴露不确定范围的调节。更具体地,不确定范围的调节可以是在部署之后操作模型的代理人可访问的可配置参数。通过这种方式,操作员可以沿着更多包含与更准确之间的权衡向上或向下拨动整个系统。为了支持这种情况,可以在模型训练阶段期间探索和存储多个最佳不确定范围,每个范围具有其对应的包含率。然后,代理人可以通过从先前确定的最佳环境的菜单中选择最佳点来影响该改变。
图13是如本文所述的评估模块的另一示例性操作流程。如图13所示,提供方法1300,用于在1355处输出指示发育状况的存在或不存在的确定性预测,或者在1365处示出“无诊断”的不确定性确定。
在1310处,如图13所描绘的评估模块接收新数据,诸如来自将被评估为具有或不具有发育状况的受试者的诊断数据,或与所述受试者相关的诊断数据。在1320处,可以加载如图12所示和如本文所述的已被训练、调节和优化多个保存的评定模型。在1330处,可以将诊断模型拟合至这些初始评定模型并收集输出。评估模块可以在1340处组合初始评定模型输出以生成受试者的预测初始分类。如果在1350处,评估模块确定初始预测是确定性的,则其可以输出指示受试者中发育状况的存在或不存在的确定性确定。如果在1350处,评估模块确定初始预测是不确定的,则其可以在1360处继续确定附加的或更复杂的评定模型可用并且适用。如果没有附加评定模型可用或适用,则评估模块输出不确定性确定“无诊断”。然而,如果评估模块确定附加或更复杂的评定模型可用且适用,则其可以在1370处继续获得来自受试者或与受试者相关的附加诊断数据。之后,评估模块可以在1380处加载附加或更复杂的评定模型并且可以重复将数据拟合到模型的过程,但此时,在1370处获得的附加数据拟合到在1380处加载的附加评定模型以产生新的模型输出,该输出然后在1350处进行评估以获得确定性预测。可以重复由包括步骤1350、1355、1360、1365、1370、1380以及返回到1330和1340的循环所描绘的该过程,直到在1355处输出确定性预测,或者如果没有更多适用的分类模型可用则在1365处输出“无诊断”的不确定性确定。
特别地,当在图13中的1310处接收来自新受试者的数据作为输入时,在1320处加载用于初步确定的每个可用模型并运行,在1330处输出数值评分。然后可以使用组合模型来组合评分。
图14是图13中描绘的模型输出组合步骤的示例性操作流程。如图14所示,组合器模块1400可以收集来自多个评定模型1410、1420、1430和1440的输出,该输出由模型组合或组合模型1450接收。组合模型可以采用简单的基于规则的逻辑来组合输出,其可以是数值评分。或者,组合模型可以使用更复杂的组合技术,诸如逻辑回归、概率建模、判别建模或本领域已知的任何其他组合技术。组合模型还可以依赖于背景来确定组合模型输出的最佳方式。例如,其可以被配置成信任仅在特定范围内的基于问卷的模型输出,或者以其他方式遵从基于视频的模型。在另一情况下,其可以使用更显著地针对于年轻受试者而不是较年长受试者的基于问卷调查的模型输出。在另一情况下,其可以排除女性受试者的基于视频的模型的输出,但包括男性受试者的基于视频的模型。
然后,组合模型输出评分可以经受在如本文所述的模型训练阶段期间确定的阈值。特别地,如图14所示,这些阈值由虚线区域指示,虚线区域将数值评分1460的范围划分为对应于阴性确定输出1470、不确定性确定输出1480和阳性确定输出1490的三个区段。这有效地将组合数值评分映射到分类确定,或者如果输出在预定的不确定范围内则映射到不确定性确定。
在不确定性输出的情况下,评估模块可以确定应从受试者获得附加数据以便加载和运行超出初步或初始模型集的附加模型。在初步模型可能不适合的情况下,附加模型可能非常适合辨别确定性输出。该结果可以通过训练附加模型来实现,该附加模型在本质上更复杂,对详细输入数据的要求更高,或者更专注于难以分类的情况以排除简单的模型。
图15示出了示例性问卷筛查算法,其被配置成仅提供如本文所述的发育状况的分类确定。特别地,图15中描绘的问卷筛查算法示出了交替决策树分类器,其输出仅指示自闭症的存在或不存在的确定。不同的阴影描绘了自闭症和非自闭症以及经由问卷进行评估的儿童的总群体。还描绘了分类器的结果,示出了两种分类确定中每一种的正确和错误诊断的儿童群体。
相比之下,图16示出了示例性Triton问卷筛查算法,其被配置成提供如本文所述的分类确定和不确定性确定。特别地,图16中描绘的Triton算法实现了适合年龄的问卷和年龄特定模型,以产生相关年龄组(即“儿童”)内的两个亚组(即“3岁及以下”和“4岁以上”)中的每一个的专用分类器。根据该示例,很显然指示图16中的两个亚组中自闭症的存在和不存在的分类确定与图15中的分类确定相比各自具有更高的准确度,如通过显示针对两个分类确定中的每一个的正确和错误诊断的儿童群体的不同阴影区域所指示的。通过提供不确定性确定的单独类别,图16的Triton算法能够更好地隔离导致如图15所示的不准确的分类确定的难以筛查的情况。
各种算法的性能的比较突出了Triton算法的优点,特别是具有问卷和视频输入的背景依赖性组合的Triton算法。图17示出了如本文所述,对于临床样本中的所有样本在灵敏度-特异性权衡方面各种算法的性能的比较。如图17所示,当与视频组合器(即,问卷和视频输入的背景依赖性组合)组合时,通过配置成70%覆盖度的Triton算法获得灵敏度和特异性两者方面的最佳性能。
图18示出了如本文所述,对于取自4岁以下儿童的样本在灵敏度-特异性权衡方面各种算法的性能的比较。当与视频组合器(即,问卷和视频输入的背景依赖性组合)组合时,被配置成70%覆盖度的Triton算法具有最佳性能。
图19示出了如本文所述,对于取自4岁及以上儿童的样本在灵敏度-特异性权衡方面各种算法的性能的比较。对于大多数情况,当与视频组合器组合时,被配置成70%覆盖度的Triton算法似乎具有最佳性能。
图20至图22示出了对于所有样本、对于4岁以下儿童以及对于4岁及以上儿童,在75%-85%灵敏度范围内的不同算法的特异性。在所有三种情况下,当与视频组合器组合时,被配置成70%覆盖度的Triton算法具有最佳性能,对所有样本具有75%的特异性,对于4岁以下儿童具有90%的特异性,并且对于4岁及以上儿童具有55%的特异性。注意,Triton算法具有灵活性的进一步优势。例如,如本文所述提供可调节模型,其中可以控制或调整不确定率或包含率以控制覆盖度与可靠性之间的权衡。另外,本文所述的模型可以针对预期发生率调节到应用环境,或基于给定应用环境的预期群体分布进行调节。最后,考虑到本文所述的方法和系统的反馈训练循环,对适应性再训练的支持能够随时间改进性能。
为了获得改善的结果,本领域普通技术人员可以生成并获得附加的数据集并且改善本文公开的方法和装置的灵敏度和特异性以及置信区间,而无需过度的实验。虽然这些测量是使用示例数据集进行的,但是所述方法和装置可以配置有如本文所述的附加数据集,并且在临床环境在80%的置信区间的情况下将受试者识别为处于风险,而无需过度实验。在临床环境中80%或更高的灵敏度和特异性可以同样地由本领域普通技术人员利用本文提供的教导无需过度实验地获得,例如利用附加数据集。在一些情况下,附加数据集是基于临床医生问卷获得的,并且用于生成可单独使用或与其他模型结合使用的评定模型。例如,父母或护理人员问卷、临床医生问卷、视频分析结果或其任意组合可以向对应于每个数据源的一个或多个初步评定模型提供输入。这些初步评定模型可以生成诸如初步输出分数的输出,所述输出可以被组合以生成如本文所描述的组合初步输出分数。
在某些情况下,可以使用包括一系列评定模型的评定模块来执行对患者的评定和/或诊断。评定模块可以与被配置为从用户收集或获得输入数据的输入模块介接或通信。所述系列评定模型可以用于通知数据收集过程,以便获得足够的数据来生成确定性确定。在一些情况下,本文公开的系统和方法使用第一评定模块收集对应于父母或护理人员评定模型的初始数据集(例如,包含父母或护理人员问卷)。数据集包含与评定模型的特征对应的数据,其可以被评估以生成确定,例如,阳性或阴性的确定(例如,归类确定)或相关行为障碍或病症如自闭症的不确定性确定。如果所述确定是不确定性的,则可以使用第二评定模块获得另外的数据集,例如视频分析的结果(例如,基于算法或视频分析师的对个体的捕获视频的评定)。替代地,在一些情况下,视频分析的结果与初始父母或护理人员数据集一起用于生成评定。此信息可以被结合到评定模型中,所述评定模型被配置为结合来自视频分析的另外的数据集以生成更新的确定。如果更新的确定仍然是不确定性的,则可以使用第三评定模块获得另一数据集,例如由诸如医生或临床医生的医疗保健提供者进行的补充问卷(例如,基于亲自评定)。此类情景可能发生在特别困难的情况下。替代地,新数据集可以是可选的并且由医疗保健提供者决定。可以获得下一个数据集,并且然后使用评定模型对其进行评估,所述评定模型被配置为在生成下一个确定时结合此数据。所述一系列评定模型中的每个都可以被配置为在生成确定时考虑现有数据集和新的或另外的数据集。替代地,所述一系列评定模型中的每个可以仅被配置为考虑新的或另外的数据集,并且评定模型的结果或分数被简单地组合,如本文所公开的,以便生成新的或更新的评定结果。数据集可以经由一个或多个计算装置获得。例如,父母或护理人员的智能电话可以用于获得父母或护理人员问卷的输入,并且捕获视频用于分析。在一些情况下,计算装置用于分析视频,替代地,远程计算装置或远程视频分析师分析视频并且回答基于分析师的问卷以提供输入数据集。在一些情况下,医生或临床医生的计算装置用于提供输入数据集。基于使用一个或多个评定模型的输入数据的视频分析和评定或诊断可由一个或多个计算装置(例如,父母的智能电话)本地执行,或诸如经由云计算远程执行(例如,计算发生在云上,并且结果/计算结果被传输到用户装置用于显示)。例如,用于执行本文公开的方法的系统可以包含父母或护理人员移动应用程序和/或装置、视频分析师门户和/或装置、以及医疗保健提供者装置和/或仪表板。此基于当前评定结果或确定的状态动态获得新数据集的方法的益处是,评估或诊断过程执行得更高效,而不需要比生成确定性确定所必需的更多的数据。
如本文所述,可以从大型档案数据储存库获得附加数据集,诸如自闭症遗传资源交换(AGRE)、波士顿自闭症联盟(AC)、西蒙斯基金会、国家自闭症研究数据库等等。备选地或组合地,附加数据集可以包括使用各种模拟算法基于档案数据生成的数学模拟数据。备选地或组合地,可以经由众包来获得附加数据集,其中受试者自我施用如本文所述的评定程序并且贡献来自其评定的数据。除了来自自我施用的评定的数据之外,受试者还可以提供从有资格的临床医生获得的临床诊断,以便为评定程序提供比较标准。
在另一方面,如本文所述的数字个性化医疗系统包括具有处理器和相关联的软件的数字化设备,该数字化设备被配置用于:接收数据以评定和诊断患者;捕获交互和反馈数据,该交互和反馈数据识别治疗干预所产生的效力、顺应性和响应的相对水平;以及执行数据分析,包括机器学习、人工智能和统计模型中的至少一种,以便评定用户数据和用户简档以进一步个性化、改善或评定治疗干预的效力。
在数字个性化医疗系统中对患者的评定和诊断可以将受试者分为三个类别之一:具有一种或多种发育状况、发育正常或典型、或不确定(即需要附加评估以确定受试者是否具有任何发育状况)。特别地,可以提供针对不确定性确定的单独类别,这导致关于指示发育状况的存在或不存在的分类确定的更高准确度。发育状况可以是发育障碍或发育进展。此外,本文公开的方法和装置不限于发育状况,并且可以应用于其他认知功能,诸如行为、神经或心理健康状况。
在一些情况下,所述系统可以被配置成使用数字化诊断和数字化治疗。数字化诊断和数字化治疗可以包括系统或方法,该系统或方法包括收集数字化信息以及处理和评估所提供的数据以改善个体的医学状态、心理状态或生理状态。本文公开的系统和方法可以将受试者分为三个类别之一:具有一种或多种发育状况、发育正常或典型、或不确定(即需要附加评估以确定受试者是否具有任何发育状况)。特别地,可以提供针对不确定性确定的单独类别,这导致关于指示发育状况的存在或不存在的分类确定的更高准确度。发育状况可以是发育障碍或发育进展。此外,本文公开的方法和装置不限于发育状况,并且可以应用于其他认知功能,诸如行为、神经或心理健康状况。另外,数字化治疗系统可以应用基于软件的学习以评估用户数据、监测和改善由系统提供的诊断和治疗干预。
系统中的数字化诊断可以包括从患者或看护人或与受评定的个体无关的一方收集的数据和元数据。在一些情况下,所收集的数据可以包括监控行为、观察、判断,或者可以由除了个体之外的一方进行评定。在更多情况下,评定可以包括成年人执行评定或提供用于评定儿童或青少年的数据。
数据来源可以包括经由一种或多种数字化设备如移动电话、视频捕获器、音频捕获器、活动监测器或可穿戴数字化监测器的数字化格式的主动或被动来源。主动数据收集的示例包括用于追踪眼睛运动、记录身体或附肢运动、监测睡眠模式、记录语音模式的设备、系统或方法。在一些情况下,主动来源可以包括音频馈送数据源,诸如言语模式、词汇/句法模式(例如,词汇量的大小、代词的正确使用/不正确使用、正确/不正确的变形和动词的词形变化、语法结构如主动语态/被动语态等的使用,以及句子流畅性)、高阶语言模式(例如,连贯性、理解力、对话参与度和好奇心)。主动来源还可以包括触摸屏数据来源(例如,精细运动功能、灵巧度、点击的精度和频率、滑动移动的精度和频率以及焦点/注意力跨度)。活动期间受试者面部的视频记录(例如,眼注视与眼扫视的质量/数量、眼睛焦点在屏幕上的热图、焦点/注意力跨度、面部表情的可变性以及响应于情绪刺激的质量)也可以被认为是数据的主动来源。
被动数据收集可以包括用于使用从移动应用、具有嵌入传感器的玩具或记录单元得到的记录或测量值从用户收集数据的设备、系统或方法。在一些情况下,被动来源可以包括嵌入智能玩具中的传感器(例如,精细运动功能、粗大运动功能、焦点/注意力跨度和解决问题的技能)和可穿戴设备(例如,活动水平、休息的数量/质量)。
诊断和治疗中使用的数据可以来自多个来源,并且可以包括从一个设备(诸如用户与之进行交互的移动设备)或者其他来源(诸如受试者的微生物组采样和遗传采样)采集的被动数据收集和主动数据收集的组合。
本文公开的方法和装置非常适合于认知和发育障碍、情绪和精神疾病以及神经退行性疾病的诊断和数字化治疗处理。认知和发育障碍的示例包括言语和学习障碍以及如本文所述的其他障碍。可能影响儿童和成人的情绪和精神疾病障碍的示例包括行为障碍、情绪障碍、抑郁、注意力缺陷与多动障碍(“ADHD”)、强迫症(“OCD”)、精神分裂以及物质相关的障碍如饮食失调和药物滥用。神经退行性疾病的示例包括年龄相关的认知衰退、进展为阿尔茨海默病和衰老的认知损害、帕金森病和亨廷顿病,以及肌萎缩侧索硬化症(“ALS”)。本文公开的方法和装置能够数字地诊断和治疗儿童并持续治疗直到受试者成年,并且可以基于个性化简档提供终身治疗。
如本文所述的数字性诊断和治疗非常适合与生物或化学治疗处理相结合的行为干预。通过采集如本文所述的用户交互数据,可以提供行为干预数据药物和生物治疗的组合的疗法。
如本文所述的移动设备可以包括用于收集受试者的数据的传感器,该数据可以用作反馈回路的一部分,以便改善结果并减少对用户输入的依赖。移动设备可以包括如本文所述的被动或主动传感器,以在治疗之后收集受试者的数据。相同的移动设备或第二移动设备(诸如iPadTM或iPhoneTM或类似设备)可以包括软件应用程序,该软件应用程序与用户交互以定期(例如,每天、每小时等)告知用户该做什么以改善治疗。用户移动设备可以被配置为响应于治疗进展向用户发送通知。移动设备可以包括药物递送设备,该药物递送设备被配置用于监测递送给受试者的治疗剂的递送量。
例如,本文公开的方法和装置非常适合于治疗父母和儿童。父母和儿童都可以接受单独的如本文所述的治疗。例如,可以监测和治疗父母的神经状况,同时监测和治疗儿童的发育进展
例如,用于获取受试者的数据的移动设备可以以多种方式配置,并且可以结合多个设备。例如,由于异常睡眠模式可能与自闭症有关,因此使用本文所述的治疗设备获取的睡眠数据可以用作由上述诊断装置使用的自闭症分类器的机器学习训练过程的附加输入。移动设备可以包括用于儿童的睡眠监测的移动可穿戴设备,该可以被提供作为诊断和治疗的输入,并且可以包括如本文所述的反馈回路的组件。
许多类型的传感器、生物传感器和数据可用于采集受试者的数据并输入到受试者的诊断和治疗中。例如,与实施方式有关的工作表明,微生物组数据可用于诊断和治疗自闭症。微生物组数据可以以本领域普通技术人员已知的许多方式收集,并且可以包括选自受试者肠道菌群的粪便样品、肠道灌洗物或其他样品的数据。还可以获取遗传数据作为诊断和治疗模块的输入。遗传数据可以包括受试者的全基因组测序、特定标记的测序和识别。
如本文公开的诊断和治疗模块可以从多个来源接收数据,诸如从以下的数据:遗传数据、花卉数据、睡眠传感器、可穿戴脚镯睡眠监测器、用于监测睡眠的物品以及对受试者的眼动追踪。可以以许多方式执行眼动追踪以确定凝视的方向和持续时间。追踪可以通过针对凝视的方向和持续时间的眼镜、头盔或其他传感器实现。例如,可以在视觉会话如视频回放或视频游戏期间收集数据。可以在治疗之前、期间和之后获取该数据并将其提供给如本文先前所述的治疗模块和诊断模块,以便最初诊断受试者、确定受试者的治疗、改变受试者的治疗以及在治疗之后监测受试者。
可以利用本领域普通技术人员已知的方法和装置获取视觉凝视、凝视持续时间和面部表情信息,并获得作为诊断和治疗模块的输入。可以利用包括软件指令的可以下载的应用程序来获取数据。例如,Gloarai等人,“Autism and the development of faceprocessing”,Clinical Neuroscience Research 6(2006)145–160中描述了面部处理。杜克大学(Duke University)的自闭症研究小组一直在利用下载到移动设备上的软件应用程序进行自闭症及以外的研究,如网页autismandbeyond.researchkit.duke.edu所述。来自这样的设备的数据特别适合于根据本公开内容的组合。面部识别数据和凝视数据可以输入到如本文所述的诊断和治疗模块中。
本文公开的平台、系统、装置、方法和介质可以提供包含诸如面部表情识别活动的各种活动的活动模式。面部表情识别可在一个或多个图像上执行。计算装置,例如智能电话,可以被配置为执行自动面部表情识别并且递送实时社交线索,如本文所描述的。
所述系统可以使用智能电话上的面向外的相机跟踪面部表情事件,并且通过将视频和/或图像或照片数据传递给智能电话应用程序来读取面部表情或情感,以便对常用情感(例如,标准化的埃克曼“基本”情感)进行基于实时机器学习的分类。此类情感的示例包含愤怒、厌恶、恐惧、快乐、悲伤、惊讶、蔑视和中性。然后,系统可以通过智能电话向受试者或用户提供关于面部表情(例如,“高兴”、“生气”等)的实时社交线索。所述线索可以示出在应用程序上而是视觉的,和/或通过智能电话上的扬声器而是听觉的,或其任意组合。所述系统还可以记录社交响应,诸如观察到的面部参与的数量和类型以及社交交互的水平。在一些实施方式中,情感识别系统包含计算机视觉流水线,所述计算机视觉流水线从鲁棒的23点面部跟踪器开始,随后是若干照明优化步骤,诸如伽马校正、高斯滤波差和对比度均衡或其任意组合。在一些实施方式中,为整个面部提取取向梯度特征的直方图,并且将逻辑回归分类器应用于最终情感预测。分类器模型可在大量现有的大型面部表情识别数据库以及从其他参与者或受试者收集的另外的数据上训练。在一些实施方式中,当正在进行会话时,被称为“中性减法”的技术允许系统被实时校准到它在交互期间看到的特定面部,从而允许增加对特定用户的个性化预测。
在某些情况下,向受试者(例如,儿童)、父母或护理人员、介入医生、临床医生或其任意组合提供各种模式的反馈。所述系统可以被配置为例如通过如本文所描述的医疗保健提供者门户向临床医生提供进度反馈。反馈可以包含各种活动或游戏的表现分数,指示情感响应是否正确,对不正确答案的解释,改善或进度(例如,过去一个月情感识别活动的进度),或其他观察或评论。反馈可以包含表现指标(诸如面部注意注视时间、正确的情感响应、分数和其他指标),所述表现指标可以可选地在简单的接口中提供,供临床医生和介入医生审查,以便他们可以监测受试者的进度。进度反馈可以对应于行为的各种领域或子领域。例如,进度反馈和/或受试者改善可以涉及社交领域和/或特定子领域,包含人际关系、玩耍和休闲以及应对技能。例如,可以通过在各种数字化治疗活动期间监测和评定受试者的表现和其他指标来跟踪特定的改善。作为示例,面向内的相机和/或传声器可以用于监测面部参与、情感表达、凝视、口头交互(例如,儿童是否对护理人员的问题做出口头反应)以及受试者的其他行为。
本文公开的数字化治疗平台、系统、装置、方法和介质可以被配置为针对子领域和相关联缺陷评估受试者,以及确定受试者是否将从数字化治疗中受益或获得改善。例如,人际关系可能导致社交情感互惠的缺陷、用于社交交互的非口头交流行为的缺陷,以及发育、维持和理解人际关系的缺陷。本文提供的改善可以包含面部参与的增加、对情感表达的理解的增加以及社交参与的机会和动机的增加。玩耍和休闲子领域可能包含发展、维持和理解人际关系的缺陷,这可以通过数字化治疗游戏和/或鼓励社交玩耍的活动来改善。由于面部参与的增加和对情感表达的理解的增加,受试者可以变得更擅长维持人际关系。社交应对可能需要坚持千篇一律,不灵活地坚持常规,或口头或非口头行为的仪式化模式,并且由于面部参与和对情感表达的理解的增加,受试者可以变得更有能力应对环境压力,包含更好地理解社交交互。参与本文公开的治疗活动和/或游戏的受试者的治疗效果或结果可以作为用于训练用于确定对疗法的响应性的机器学习模型或分类器的另外的数据被收集。在一些实施方式中,已经被诊断或评估模块评定并且阳性地识别为患有(或预测为患有)自闭症谱系障碍的受试者然后可以被机器学习模型或分类器评定,所述机器学习模型或分类器预测或确定受试者将会响应或受益于本文公开的一种或多种数字化治疗。在一些情况下,预测单个活动或游戏或者多个活动或游戏将提供关于一种或多种形式的社交互惠的显著治疗益处。在一些情况下,益处通常关于社交互惠。替代地或组合地,关于与社交行为或互惠或其他行为缺陷相关的特定领域或子领域来确定益处。
数字化治疗可以基于用于评估受试者是否存在障碍、病症或损伤的一些或全部诊断维度来定制或个性化。例如,可以基于使用机器学习模型来评定受试者,所述模型预测受试者将受益于社交领域和/或特定子领域(诸如人际关系、玩耍和休闲和/或应对技能)中的情感识别活动。这可以基于在诊断期间生成的各种诊断维度,然后将其结合到治疗定制过程。机器学习模型可以将这些维度结合到评定受试者可以从特定治疗(例如情感识别活动或社交互惠)中获得的改善或益处的预测或可能性中。在一些情况下,受试者被预测会关于特定行为(诸如增加面部参与或增加对他人表达的情感的理解)受益。显著的益处或改善可以使用常规的统计工具或指标在统计学上建立,或可以被设置(例如,诸如治疗3周后情感识别分数平均提高10%的阈值)。在一些实施方式中,监测受试者表现并将其收集到远程数据库服务器上,在那里受试者表现可以被匿名化并且与其他受试者的数据组合以形成用于训练此类机器学习模型的数据集。
如本文公开的分类器特别适合与该数据组合以提供改进的疗法和治疗。可以将数据分层并与如本文所述的反馈回路一起使用。例如,反馈数据可以与药物疗法组合使用,以确定差异响应并识别响应者和非响应者。替代地或组合地,反馈数据可以与非药物疗法如行为疗法组合(例如,本文所述的数字化治疗)。
关于遗传学,最近的研究表明,有些人可以具有使他们更易患自闭症的基因。受试者的遗传组成可能使受试者更容易受到环境影响,这可能导致症状并可能影响症状的严重程度。例如,环境影响可以包括来自毒素、病毒或其他物质的损害。不受任何特定理论的束缚,这可能导致改变表达基因的调节的机制。基因表达的变化可能与胃肠(“GI”)菌群的变化有关,菌群的这些变化可能影响与自闭症有关的症状。替代地或组合地,肠道微生物组的损害可能导致受试者的微生物组的变化,致使受试者具有不太理想的体内平衡,这可能影响与自闭症有关的相关症状。发明人注意到,由Sarkis K.Mazmanian等人利用脆弱拟杆菌(B.fragilis)进行的初步研究表明,微生物的这种变化可能与自闭症和自闭症的发展有关。(还参见Melinda Wenner Moyer的“Gut Bacteria May Play a Role in Autism”,Scientific American,2014年9月1日)
数字化诊断使用由所述系统收集的关于患者的数据利用来自诸如机器学习、人工智能和统计建模等工具的分析以评定或诊断患者的状况,所述数据可以包括从数字化诊断外部捕获的补充诊断数据。数字化诊断还可以直接或间接地经由数据和元数据来提供患者的状态或表现的变化是评定以向所述系统提供反馈,所述数据和元数据可以通过诸如机器学习、人工智能和统计建模等工具来分析和评估,从而改进或改善诊断和潜在的治疗干预。
包括数字化诊断、数字化治疗和对应响应在内的数据的分析,或在没有数字化诊断、数字化治疗和对应响应的情况下来自治疗干预的分析,可以导致为受试者识别新的诊断以及为患者和看护人识别新的治疗方案。
例如,由系统收集和利用的数据的类型可以包括患者和看护人的视频、音频、对问题或活动的响应以及来自用户与系统的活动、游戏或软件特征的交互的主动或被动数据流。这样的数据还可以表示患者或看护人例如在执行推荐的活动时与系统的交互。具体的示例包括用户与系统的设备或移动应用程序的交互的数据,所述设备或移动应用程序捕获用户的行为、简档、活动、与软件系统的交互、与游戏的交互、使用频率、会话时间、所选择的选项或特征以及内容或活动偏好中的各个方面。数据还可以包括来自各种第三方设备如活动监测器的流、游戏或交互内容。
如本文所述的数字化治疗可以包括由系统提供给患者或看护人的指令、反馈、活动或交互。示例包括建议的行为、活动、游戏或与系统软件和/或第三方设备(例如,如本领域普通技术人员所理解的启用物联网(“IoT”)的治疗设备)的交互会话。
图23A图示了用于提供与行为障碍、神经障碍或心理卫生障碍相关的诊断和疗法的数字个性化医疗平台2300的系统图。例如,平台2300可以提供与发育迟缓相关的儿科认知和行为状况的诊断和治疗。用户数字化设备2310(例如,移动设备如智能电话、活动监测器或可穿戴数字监测器)记录与患者相关的数据和元数据。可以基于患者与设备的交互以及基于与看护人和医疗保健专业人员的交互来收集数据。可以主动地收集数据,诸如通过施加测试、记录言语和/或视频,以及记录对诊断问题的响应。还可以被动地收集数据,诸如通过监测患者和看护人的在线行为,如记录与诊断的发育障碍相关的所询问的问题和所研究的话题。
数字化设备2310连接到计算机网络2320,从而允许其与连接的计算机共享数据并从连接的计算机接收数据。特别地,该设备可以与个性化医疗系统2330通信,个性化医疗系统2330包括被配置用于通过计算机网络2320与数字化设备2310通信的服务器。个性化医疗系统2330包括提供患者发育状态的初始诊断和逐步诊断的诊断模块2332,以及响应于诊断模块2332的诊断而提供个性化疗法建议的治疗模块2334。
诊断模块2332和2334中的每一个在治疗过程中与用户数字化设备2310通信。诊断模块向数字化设备2310提供诊断测试并从数字化设备2310接收诊断反馈,并且使用该反馈来确定患者的诊断。例如,初始诊断可以基于一组全面的测试和问题进行,但可以使用较小的数据样本对诊断进行逐步更新。例如,诊断模块可以基于向看护人询问的问题和对患者施用的测试(诸如词汇或言语交流测试)来诊断自闭症相关的言语迟缓。诊断可以指示言语能力的数月或数年迟缓的数目。可以施用后续测试并且询问问题以更新该诊断,例如显示更小或更大程度的延迟。
诊断模块将其诊断传送到数字化设备2310以及治疗模块2334,治疗模块2334使用该诊断来建议要进行的疗法以治疗任何所诊断的症状。治疗模块2334将其推荐的疗法发送到数字化设备2310,包括针对患者和看护人的在给定时间框架内执行推荐疗法的指令。在于给定时间框架内执行疗法之后,看护人或患者可以指示推荐疗法的完成,并且可以从数字化设备2310向治疗模块2334发送报告。治疗模块2334然后可以向诊断模块2332指示最新一轮疗法已结束,并且需要新的诊断。然后,诊断模块2332可以向数字化设备2310提供新的诊断测试和问题,以及从治疗模块获取作为治疗的一部分提供的任何数据的输入,诸如与疗法或诊断的状况相关的学习会话的记录或者看护人或患者的浏览历史记录。然后,诊断模块2332提供更新的诊断以重复该过程并提供下一步疗法。
还可以从个性化医疗系统2330向第三方系统2340(诸如医疗保健专业人员的计算机系统)提供与诊断和疗法相关的信息。可以警告医疗保健专业人员或其他第三方与治疗日程的显著偏差,包括患者是否落后于预期的日程或者是否比预测更快地改善。然后,第三方可以基于所提供的该信息而采取适当的进一步动作。
图23B图示了诊断模块2332的详细图。诊断模块2332包括测试管理模块2342,测试管理模块2342生成用于向受试者施用的测试和相应的指令。诊断模块2332还包括受试者数据接收模块2344,在受试者数据接收模块2344中接收受试者数据,诸如测试结果;看护人反馈;患者和看护人与系统的交互的元数据;以及例如与系统的视频、音频和游戏交互。受试者评定模块2346基于来自受试者数据接收模块2344的数据以及受试者和类似受试者的过往诊断来生成对受试者的诊断。机器学习模块2348评定每个输入对诊断的相对灵敏度,以确定哪种类型的测量提供最多关于患者诊断的信息。测试管理模块2342可以使用这些结果来提供最有效地告知诊断的测试,并且受试者评定模块2346可以使用这些结果将权重应用于诊断数据,以便改善诊断准确度和一致性。将与每个治疗患者相关的诊断数据存储在例如数据库中,以形成用于模式匹配和机器学习的诊断数据的库。大量(例如,10,000个或更多个)受试者简档可以同时存储在这样的数据库中。
图23C图示了治疗模块2334的详细图。治疗模块2334包括治疗评定模块2352,其基于疗法的有效性对疗法进行评分。基于由诊断模块在疗法之前和之后提供的诊断来评估先前建议的疗法,并确定改善的程度。该改善程度用于对疗法的有效性进行评分。该疗法的有效性可能与具体诊断类别相关;例如,疗法可能对于具有一种诊断类型的受试者而言被认为是有效的,但对于具有第二种诊断类型的受试者而言是无效的。还提供疗法匹配模块2354,其将来自诊断模块2332的受试者诊断与疗法的列表相比较,以便将已由疗法评定模块2352确定的一组治疗确定为对治疗与受试者的诊断类似的诊断最为有效。然后,疗法推荐模块2356生成推荐疗法(包括由疗法匹配模块2354识别为有希望的一种或多种疗法),并通过施用推荐疗法的指令将该推荐发送给受试者。然后,疗法追踪模块2358追踪推荐疗法的进展,并确定应何时由诊断模块2332执行新诊断,或应何时继续给定治疗并进一步监测进展。将与所治疗的每个患者相关的治疗数据存储在例如数据库中,以形成用于模式匹配和机器学习的治疗数据的库。大量(例如10,000个或更多个)受试者简档可以同时存储在这样的数据库中。可以将治疗数据与诊断模块2332的诊断数据相关联,以允许有效疗法与诊断的匹配。
疗法可以包括数字化疗法。数字化疗法可以包括可由患者或看护人执行的单个或多个治疗活动或干预。数字化治疗可以包括与诸如传感器、计算机、医疗设备和治疗递送系统等第三方设备的规定交互。数字化疗法可以支持FDA批准的医疗津贴、一套诊断代码或单个诊断代码。
图24图示了用于在数字个性化医疗平台中提供诊断和疗法的方法2400。数字个性化医疗平台与受试者通信以提供诊断和推荐疗法,受试者可以包括具有一个或多个看护人的患者。
在步骤2410中,诊断模块评定受试者以确定诊断,例如通过向受试者应用诊断测试。诊断测试可以针对于确定受试者的多个特征和对应的特征值。例如,测试可以包括呈现给受试者的多个问题,受试者的观察或分配给受试者的任务。测试还可以包括对受试者的间接测试,诸如来自看护人对患者表现与特定行为和/或重要事件的反馈;患者和看护人与系统交互的元数据;以及提供有关患者和看护人的行为和表现数据的与系统或与第三方工具的视频、音频和游戏交互。对于初始测试,可以执行更全面的测试方案,旨在生成准确的初始诊断。用于更新先前诊断以追踪进展的后续测试可以涉及不太全面的测试,并且可以例如更多地依赖于间接测试,诸如行为追踪以及治疗相关记录和元数据。
在步骤2412中,诊断模块从受试者接收新数据。新数据可以包括特定受试者的特征阵列和对应的特征值。如本文所述,特征可以包括呈现给受试者的多个问题、受试者的观察或分配给受试者的任务。特征值可以包括对应于受试者特性的来自受试者的输入数据,诸如受试者对所询问问题的答案,或受试者的响应。特征值还可以包括如上所述的记录的反馈、元数据和系统交互数据。
在步骤2414中,诊断模块可以从本地存储器和/或被配置用于存储模型的远程服务器加载先前保存的评定模型。或者,如果不存在针对患者的评定模型,则可以例如基于一个或多个初始诊断指示来加载默认模型。
在步骤2416中,将新数据拟合到评定模型以生成更新的评定模型。该评定模型可以包括对先前未治疗的受试者的初始诊断,或对先前经治疗的受试者的更新诊断。更新诊断可以包括对状况的一个或多个方面的进展的测量,所述方面诸如记忆力、注意力和共同注意力、认知、行为响应、情绪响应、语言使用、语言技能、特定行为的频率、睡眠、社交、非言语交流以及发育的重要事件。对用于确定进展和当前诊断的数据的分析可以包括自动分析,诸如用于词汇和言语分析的问题评分和语音识别。分析还可以包括通过分析回顾视频、音频和文本数据进行的人类评分。
在步骤2418中,将更新的评定模型提供给治疗模块,该评定模型确定由于任何先前推荐的疗法而取得的进展。治疗模块基于评定模型中的进展量对疗法进行评分,其中较大的进展对应于较高的评分,使得成功的疗法和类似疗法更可能在将来被推荐给具有类似评定的受试者。由此更新了可用的系列治疗,以反映与受试者诊断相关的新的有效性评定。
在步骤2420中,基于评定模型、先前疗法的成功程度(如果成功的话)以及基于这些疗法对受试者和具有类似评定的受试者的先前使用而分配给候选疗法集合的评分来推荐新疗法。推荐的疗法连同其应用的具体时间跨度的指令一起被发送给受试者以供施用。例如,疗法可以包括一周内每天对患者进行语言练习,每次练习将被记录在由看护人或患者使用的移动设备的音频文件中。
在步骤2422中,监测新疗法的进展以确定是否延长治疗期。该监测可以包括定期重新诊断,该定期重新诊断可以通过返回到步骤2410来执行。或者,可以在没有完全重新诊断的情况下记录基本的重要事件,并且可以将进展与由治疗模块生成的预测进展日程进行比较。例如,如果疗法最初不成功,则治疗模块可以建议将其重复一次或多次,之后重新诊断并建议新疗法或者建议医疗专业人员干预。
图25图示了流程图2500,示出了对疑似或确认的言语和语言迟缓的处理。
在步骤2502中,初始评定由诊断模块2532确定。初始评定可以评定患者在一个或多个领域中的表现,诸如言语和语言使用,并评定沿着多个方向的发育迟缓的程度和类型,如本文所公开的。评定还可以将受试者置于多个总体进展追踪的一个中;例如,受试者可以被评定为言语的或非言语的。
如果如在步骤2510中确定受试者是非语言的,治疗模块2534可以推荐一种或多种非言语疗法2512,诸如与做出选择、关注任务或者对名字或其他语句的响应有关的任务。还可以提供可能有助于进展的有用设备和产品的进一步建议,并且可以根据如受试者的诊断和进展报告所指示的受试者需求来定制所有建议。
在应用推荐的疗法时,在步骤2514中监测进展以确定诊断是否以预测的速率改善。
如果在步骤2514中已经测量到改善,则系统在步骤2516中确定受试者是否仍然是非语言的;如果是,则系统返回到步骤2510并生成新的推荐疗法2512以诱导进一步的改善。
如果在步骤2514中未测量到改善,则系统可以推荐将疗法重复预定次数。该系统还可以推荐尝试改变疗法以尝试和获得更好的结果。如果这样的重复和改变失败,则系统可以在步骤2518中推荐治疗学家访视以更直接地解决阻碍发育的问题。
一旦确定受试者是言语的,如步骤2520所示,可以由治疗模块2534生成言语疗法2522。例如,言语疗法2522可以包括语言练习、发音训练以及表达请求或沟通中的一种或多种。还可以提供可能有助于进展的有用设备和产品的进一步建议,并且可以根据如受试者的诊断和进展报告所指示的受试者需求来定制所有建议。
与在非言语追踪中一样,在步骤2524中连续监测响应于言语疗法的进展,以确定诊断是否以预测的速率改善。
如果在步骤2524中已经测量到改善,则系统在步骤326中报告进展并生成新的推荐疗法2522以诱导进一步的改善。
如果在步骤2524中未检测到改善,则系统可以推荐将疗法重复预定次数。该系统还可以建议尝试改变疗法以尝试和获得更好的结果。如果这样的重复和改变失败,则系统可以在步骤2528中推荐治疗专家访视以更直接地解决阻碍发育的问题。
非言语和言语治疗的步骤可以无限重复,直到刺激受试者持续学习和进展所需的程度,并且以便预防或延缓因丧失言语技能和能力而导致的退步。虽然图25中图示的特定治疗计划是针对儿科的言语和言语迟缓,但可以针对具有发育或认知问题的其他受试者生成类似计划,包括针对成人患者的计划。例如,可以使用选择为适合于这些状况的治疗,利用相似的诊断和治疗日程来治疗神经退行性状况和/或年龄相关的认知衰退。可通过本文公开的方法和系统在成人或儿科患者中治疗的其他状况包括情绪障碍,诸如抑郁症、OCD和精神分裂症;认知损害和衰退;睡眠障碍;成瘾行为;饮食失调;以及与行为有关的体重管理问题。
图26图示了数字个性化医疗系统的数据处理流程的总览,该数字个性化医疗系统包括诊断模块和治疗模块,被配置用于整合来自多个来源的信息。数据可以包括被动数据来源(2601),被动数据可以被配置用于提供更细粒度的信息,并且可以包括在更加自然的条件下在更长的时间段内获取的数据集。被动数据来源可以包括例如从可穿戴设备收集的数据、从视频馈送(例如,启用视频的玩具、移动设备、来自视频回放的眼动追踪数据)、基于从三轴传感器或陀螺仪采集的信息(例如,嵌入在玩具或其他设备中的传感器,患者例如在家中或在医疗环境之外的正常条件下可能与之交互)的关于受试者灵活性的信息、测量以下的任一种或组合的智能设备:受试者的言语模式、动作、触摸响应时间、韵律、词汇量、面部表情以及受试者所表现的其他特性。被动数据可以包括关于用户的一个或多个动作的数据,并且可以包括可能或者不可能被未经训练的个体容易地检测到的细微信息。在一些情况下,被动数据可以提供更具包容性的信息
被动收集的数据可以包括从各种环境连续收集的数据。被动收集的数据可以提供更完整的受试者景象,从而可以提高评定的质量。在一些情况下,例如,被动收集的数据可以包括在医疗环境之内和之外收集的数据。在医疗环境中采集的被动收集的数据可能与从医疗环境外采集的被动收集的数据不同。因此,连续收集的被动数据可以包括受试者的一般行为和习惯的更完整的景象,因此可以包括医疗从业者以其他方式将无法获得的数据或信息。例如,在医疗环境中经历评估的受试者可以显示出代表受试者对医学环境的响应的症状、姿势或特征,因此可能无法提供受试者在医学环境之外的更熟悉条件下的行为的完整和准确的景象。由医学环境中的评定得出的一个或多个特征(例如,由诊断模块评定的特征)的相对重要性可以不同于在临床环境之外得出或评定的一个或多个特征的相对重要性。
数据可以包括通过诊断测试、诊断问题或问卷收集的信息(2605)。在一些情况下,来自诊断测试的数据(2605)可以包括从第二观察者(例如,父母、监护人或不是被分析的受试者的个体)收集的数据。数据可以包括主动数据来源(2610),例如从配置用于追踪眼睛运动或者测量或分析语言模式的设备收集的数据。
如图26所示,数据输入可以被馈送到诊断模块,该诊断模块可以包括使用例如分类器、算法(例如,机器学习算法)或统计模型进行的数据分析(2615),以对受试者是可能患有所测试的障碍(例如,自闭症谱系障碍)(2620)还是不太可能患有所测试的障碍(2625)做出诊断。本文公开的方法和装置可以替代地采用以包括第三不确定性类别(在该图中未示出),其对应于需要附加评估以确定他/她是否可能患有所测试的障碍的受试者。本文公开的方法和装置不限于障碍,并且可以应用于其他认知功能,诸如行为、神经、心理健康或发育状况。所述方法和装置最初可以将受试者分类为三个类别之一,并随后通过从受试者收集附加信息继续评估最初被归类为“不确定”的受试者。对最初归类为“不确定”的受试者的这样的持续评估可以通过单一筛查程序(例如,包含各种评估模块)连续进行。备选地或附加地,可以使用单独的附加筛查程序评估被识别为属于不确定组的受试者和/或将其转诊给临床医生以进行进一步评估。
在受试者通过诊断模型被确定为可能患有该障碍(2620)的情况下,可以向第二方(例如,医疗从业者、父母、监护人或其他个体)呈现信息显示。信息显示可以提供该障碍的症状,该症状可以显示为描绘受试者所显示的症状与平均群体所显示的症状的协方差的图表。可以用置信度值、相关系数或用于显示在受试者的表现与平均群体或由具有相似障碍的个体组成的群体之间的关系的其他手段来显示与具体诊断相关联的特性的列表。
如果数字个性化医疗系统预测用户可能患有可诊断的状况(例如,自闭症谱系障碍),则治疗模块可以提供行为治疗(2630),该行为治疗可以包括行为干预;规定的活动或训练;在特定持续时间内或者在特定时间或情况下利用医疗设备或其他疗法进行的干预。当受试者经历疗法时,可以继续收集数据(例如,被动数据和诊断问题数据)以执行后续评定,从而确定例如疗法是否有效。收集的数据可以经历数据分析(2640)(例如,使用机器学习、统计建模、分类任务、预测算法的分析)以进行关于给定受试者的适合性的确定。生长曲线显示可用于显示受试者相对于基线(例如,相对于年龄匹配的群组)的进展。可以测量个体的表现或进展以追踪受试者的顺应性,其中由治疗模块预测的建议的行为疗法可以表示为生长曲线上的历史表现和预测表现。可以重复或反复进行(2635)用于评定个体受试者的表现的程序,直到识别出适当的行为治疗。
参考图23A至图23C和图24至图26描述的数字化治疗处理方法和装置特别适合与用于本文参考图1A至图10所述的以较少问题评估受试者的方法和装置组合。例如,如本文所述的诊断模块2332的组件可以被配置成利用包括如本文所述的最相关问题的减小的问题集来评定受试者,并且随后利用治疗模块2334进行评估以随后利用包括如本文所述的用于监测治疗的最相关问题的后续问题集来评定受试者。
图27示出了用于评估多种临床指征的受试者的系统2700。系统2700可包括多个级联诊断模块(诸如,诊断模块2720、2730、2740、2750和2760)。级联诊断模块可以可操作地耦合(诸如,在模块链中),使得来自一个诊断模块的输出可以形成进入另一诊断模块的输入。如图27所示,系统可以包括社交或行为迟缓模块2720、自闭症或ADHD模块2730、自闭症和ADHD判别模块2740、言语或语言迟缓模块2750以及智力障碍模块2760。如本文任何地方描述的模块(例如,诸如关于图27所述的诊断模块)可以指包括分类器的模块。因此,社交或行为迟缓模块可以包括社交或行为迟缓分类器,自闭症或ADHD模块可以包括自闭症或ADHD分类器,自闭症和ADHD判别模块可以包括自闭症和ADHD分类器,言语或语言迟缓模块可以包括言语或语言迟缓分类器,智力障碍模块可以包括智力障碍分类器,诸如此类。
社交或行为迟缓模块2720可以接收信息2710,诸如来自本文所述的交互式问卷的信息。社交或行为迟缓模块可以利用本文所述的任何诊断操作来确定受试者的社交或行为迟缓诊断状态。例如,社交或行为迟缓模块可以利用关于图13所述的程序1300的任何操作来确定社交或行为迟缓诊断状态(即,受试者是否显示与社交或行为迟缓一致的行为)。在确定社交或行为迟缓诊断状态时,社交或行为迟缓模块可以输出关于受试者是否显示社交或行为迟缓的确定。社交或行为迟缓模块可以输出阳性识别2722,其指示受试者确实显示社交或行为迟缓。社交或行为迟缓模块可以输出阴性指示2724,其指示受试者未显示社交或行为迟缓。社交或行为迟缓模块可以输出不确定性指示2726,其指示社交或行为迟缓模块无法确定受试者是否显示社交或行为迟缓。
当社交或行为迟缓模块确定受试者未显示社交或行为迟缓或者社交或行为迟缓查询的结果是不确定性时,系统可以输出这样的结果并停止其对受试者的社交或行为健康的查询。
然而,当社交或行为迟缓模块确定受试者确实显示社交或行为迟缓时,社交或行为迟缓模块可将该结果和信息2710传递给自闭症或ADHD模块2730。
自闭症或ADHD迟缓模块可以利用本文所述的任何诊断操作来确定受试者的自闭症或ADHD状态。例如,自闭症或ADHD迟缓模块可以利用关于图13所述的程序1300的任何操作来确定自闭症或ADHD诊断状态(即,受试者是否显示与自闭症或ADHD一致的行为)。在确定自闭症或ADHD诊断状态时,自闭症或ADHD模块可输出关于受试者是否显示自闭症或ADHD的确定。自闭症或ADHD模块可已输出阳性识别2732,其指示受试者确实显示自闭症或ADHD。自闭症或ADHD模块可以输出阴性指示2734,其指示受试者不显示自闭症或ADHD。自闭症或ADHD模块可以输出不确定性指示2736,其指示自闭症或ADHD模块无法确定受试者是否显示自闭症或ADHD。
当自闭症或ADHD模块确定受试者未显示自闭症或ADHD或者自闭症或ADHD查询的结果是不确定性时,系统可输出这样的结果并停止其对受试者的社交或行为健康状况的查询。在这样的情景下,系统可以回到受试者显示社交或行为迟缓的早期诊断。
然而,当自闭症或ADHD模块确定受试者确实显示自闭症或ADHD时,自闭症或ADHD模块可将该结果和信息2710传递给自闭症和ADHD判别模块2740。
自闭症和ADHD判别模块可以利用本文所述的任何诊断操作来区分自闭症和ADHD。例如,自闭症和ADHD判别模块可以利用关于图13所述的程序1300的任何操作来判别受试者的自闭症和ADHD(即,确定受试者是显示与自闭症更一致还是与ADHD更一致的行为)。在判别自闭症和ADHD后,自闭症和ADHD判别模块可以输出关于是否显示自闭症或受试者是否显示ADHD的确定。自闭症和ADHD判别模块可以输出指示2742,其指示受试者显示自闭症。自闭症和ADHD判别模块可以输出指示2744,其指示受试者显示ADHD。自闭症和ADHD判别模块可以输出不确定性指示2746,其指示自闭症和ADHD判别模块无法区分受试者的行为是与自闭症更一致或还是与ADHD更一致。
当自闭症和ADHD判别模块确定自闭症和ADHD判别查询的结果是不确定性时,系统可以输出这样的结果并且停止其对受试者的社会或行为健康的查询。在这样的情景下,系统可以回到受试者显示与自闭症或ADHD一致的行为的早期诊断。
备选地或组合地,自闭症和ADHD判别模块还可以被配置用于将信息2710传递到一个或多个附加模块。例如,自闭症和ADHD判别模块可以被配置用于将信息传递给强迫症模块(图27中未示出)。强迫症模块可以使用本文所述的任何系统和方法(诸如程序1300的任何操作)来确定受试者是否显示与强迫症相一致的行为。
备选地或组合地,言语或语言迟缓模块2750可以接收信息2710。言语或语言迟缓模块可以利用本文所述的任何诊断操作来确定受试者的言语或语言迟缓诊断状态。例如,言语或语言迟缓模块可以利用关于图13所述的程序1300的任何操作来确定言语或语言迟缓诊断状态(即,受试者是否显示与言语或语言迟缓一致的行为)。在确定言语或语言迟缓诊断状态时,言语或语言迟缓模块可以输出关于受试者是否显示言语或语言迟缓的确定。言语或语言迟缓模块可以输出阳性识别2752,其指示受试者确实显示言语或语言迟缓。言语或语言迟缓模块可以输出阴性指示2754,其指示受试者不显示言语或语言迟缓。言语或语言迟缓模块可以输出不确定性指示2756,其指示言语或语言迟缓模块无法确定受试者是否显示言语或语言迟缓。
当言语或语言迟缓模块确定受试者不显示言语或语言迟缓或者言语或语言迟缓查询的结果是不确定的时,系统可以输出这样的结果并且停止对受试者的言语或语言健康的查询。
然而,当言语或语言迟缓模块确定受试者确实显示言语或语言迟缓时,言语或语言迟缓模块可以将该结果和信息2710传递给智力障碍模块2760。
智力障碍模块可以利用本文所述的任何诊断操作来确定受试者的智力障碍状态。例如,智力障碍模块可以利用关于图13所述的程序1300的任何操作来确定智力障碍诊断状态(即,受试者是否显示与智力障碍一致的行为)。在确定智力障碍诊断状态时,智力障碍模块可以输出关于受试者是否显示智力障碍的确定。智力障碍模块可以输出阳性识别2762,其指示受试者确实显示智力障碍。智力障碍模块可以输出阴性指示2764,其指示受试者未显示智力障碍。智力障碍模块可以输出不确定性指示2766,其指示智力障碍模块无法确定受试者是否显示智力障碍。
当智力障碍模块确定受试者未显示智力障碍或者智力障碍查询的结果是不确定性时,系统可以输出这样的结果并停止其对受试者的言语或语言健康的查询。在这样的情景下,系统可以回到受试者显示言语或语言迟缓的早期诊断。
备选地或组合地,智力障碍模块还可以被配置用于将信息2710传递到一个或多个附加模块。例如,智力障碍模块可以被配置用于将信息传递到诵读困难模块(图27中未示出)。诵读困难模块可以使用本文所述的任何系统和方法(诸如程序1300的任何操作)来确定受试者是否显示与诵读困难一致的行为。
尽管参考社交或行为延迟、自闭症、ADHD、强迫症、言语或语言延迟、智力残疾和阅读障碍进行了描述,但是装置2700可以包括任何数量的模块(诸如,1、2、3、4、5、6、7、8、9、10或超过10个模块),这些模块可以为任何行为障碍提供诊断状态。模块可以以任何可能的顺序可操作地耦合(诸如级联或链接)。
在各种实施方式中,本文公开了用于分析输入数据的机器学习方法,所述输入数据包含例如在情感检测分类器的情况下的图像、在检测存在行为、发育或认知障碍或病症的情况下的父母/视频分析师/临床医生问卷、用户输入或表现(被动或主动)或与数字化治疗装置的交互(例如,被配置为促进情感识别的游戏或活动)以及本文所描述的其他数据源。
本文在各个方面公开了结合机器学习技术(例如,利用卷积神经网络的深度学习)的平台、系统、装置、方法和介质。在一些情况下,本文提供用于分析图像数据以进行情感检测的AI迁移学习框架。
在某些方面,本文公开了机器学习框架,用于生成检测一种或多种障碍或病症的模型或分类器,和/或使用诸如被配置为促进社交互惠的数字化治疗来确定响应性或功效或改善可能性的模型或分类器。这些模型或分类器可在本文公开的任何系统或装置(诸如,智能电话、移动计算装置或可穿戴装置)中实现。
在一些实施方式中,机器学习模型或分类器展示表现指标,诸如独立样本集的准确性、灵敏度、特异性、阳性预测值、阴性预测值和/或AUC。在一些实施方式中,使用诸如独立样本集的更高准确度、灵敏度、特异性、阳性预测值、阴性预测值和/或AUC的指标来评估模型的表现。在一些实施方式中,当针对至少100个、200个、300个、400个或500个独立样本进行测试时,所述模型提供至少70%、至少75%、至少80%、至少85%、至少90%、至少91%、至少92%、至少93%、至少94%、至少95%、至少96%、至少97%、至少98%或至少99%的准确度。在一些实施方式中,当针对至少100个、200个、300个、400个或500个独立样本进行测试时,所述模型提供至少70%、至少75%、至少80%、至少85%、至少90%、至少91%、至少92%、至少93%、至少94%、至少95%、至少96%、至少97%、至少98%、至少99%的灵敏度(真阳性率),和/或至少70%、至少75%、至少80%、至少85%、至少90%、至少91%、至少92%、至少93%、至少94%、至少95%、至少96%、至少97%、至少98%或至少99%的特异性(真阴性率)。在一些实施方式中,当针对至少100个、200个、300个、400个或500个独立样本进行测试时,所述模型提供至少70%、至少75%、至少80%、至少85%、至少90%、至少91%、至少92%、至少93%、至少94%、至少95%、至少96%、至少97%、至少98%或至少99%的阳性预测值(PPV)。在一些实施方式中,当针对至少100个、200个、300个、400个或500个独立样本进行测试时,所述模型提供至少70%、至少75%、至少80%、至少85%、至少90%、至少91%、至少92%、至少93%、至少94%、至少95%、至少96%、至少97%、至少98%或至少99%的阴性预测值(NPV)。在一些实施方式中,当针对至少100、200、300、400或500个独立样本进行测试时,所述模型具有至少0.7、0.75、0.8、0.85、0.9、0.91、0.92、0.93、0.94、0.95、0.96、0.97、0.98或0.99的AUC。
在一些实施方式中,被配置用于检测一个或多个图像中的情感的机器学习算法或模型包括神经网络。
在一些实施方式中,通过首先生成在大型图像数据集(例如,来自ImageNet)上训练的预训练模型,冻结模型的一部分(例如,卷积神经网络的若干层),并且将冻结的部分转移到在更有针对性的数据集(例如,用正确的面部表情或情感准确标记的图像)上训练的新模型中,转移学习被用于生成更鲁棒的模型。
在一些实施方式中,本公开的分类器或训练的机器学习模型包括特征空间。在一些实施方式中,特征空间包括诸如来自图像的像素数据的信息。当训练模型时,诸如图像数据的训练数据被输入到机器学习算法中,所述机器学习算法处理输入特征以生成模型。在一些实施方式中,机器学习模型被提供有包含分类(例如,诊断或测试结果)的训练数据,从而使得模型能够通过将其输出与实际输出进行比较来进行训练以修改和改善模型。这通常被称为监督学习。替代地,在一些实施方式中,机器学习算法可以被提供有未标记或未分类的数据,这使得算法能够识别案例中的隐藏结构(称为无监督学习)。有时,无监督学习有助于识别最有助于将原始数据分类为不同群组的特征。
在一些实施方式中,使用一组或多组训练数据来训练机器学习模型。在一些实施方式中,机器学习算法利用预测模型,诸如神经网络、决策树、支持向量机或其他适用的模型。在一些实施方式中,机器学习算法选自有监督、半监督和无监督学习,诸如,例如支持向量机(SVM)、朴素贝叶斯分类、随机森林、人工神经网络、决策树、K-means、学习向量量化(LVQ)、自组织映射(SOM)、图形模型、回归算法(例如,线性、逻辑、多元、关联规则学习、深度学习、降维和集成选择算法)。在一些实施方式中,机器学习模型选自由以下组成的组:支持向量机(SVM)、朴素贝叶斯分类、随机森林和人工神经网络。机器学习技术包含打包程序、增强程序、随机森林及其组合。用于分析数据的说明性算法包含但不限于直接处理大量变量的方法,诸如统计方法和基于机器学习技术的方法。统计方法包含惩罚逻辑回归、微阵列预测分析(PAM)、基于收缩质心的方法、支持向量机分析和正则化线性判别分析。
本文任何地方描述的平台、系统、装置、方法和介质可以用作通过本文所描述的用于诊断的任何装置或方法诊断的障碍的治疗计划或给药的基础。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗急性应激障碍的药物,该药物是诸如普萘洛尔、西酞普兰、艾司西酞普兰、舍曲林、帕罗西汀、氟西汀、文拉法辛、米氮平、奈法唑酮、卡马西平、双丙戊酸、拉莫三嗪、托吡酯、哌唑嗪、苯乙肼、丙咪嗪、地西泮、氯硝西泮、劳拉西泮或阿普唑仑。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗调整障碍的药物,该药物是诸如丁螺环酮、艾司西酞普兰、舍曲林、帕罗西汀、氟西汀、地西泮、氯硝西泮、劳拉西泮或阿普唑仑。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗广场恐惧症的药物,该药物是诸如地西泮、氯硝西泮、劳拉西泮、阿普唑仑、西酞普兰、艾司西酞普兰、舍曲林、帕罗西汀、氟西汀或丁螺环酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗阿尔茨海默病的药物,该药物是诸如多奈哌齐、加兰他敏、美金刚或利斯的明。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗神经性厌食症的药物,该药物是诸如奥氮平、西酞普兰、艾司西酞普兰、舍曲林、帕罗西汀或氟西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗焦虑性障碍的药物,该药物是诸如舍曲林、艾司西酞普兰、西酞普兰、氟西汀、地西泮、丁螺环酮、文拉法辛、度洛西汀、丙咪嗪、地昔帕明、氯米帕明、劳拉西泮、氯硝西泮或普瑞巴林。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用药物以治疗依恋障碍。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗注意力缺陷/多动障碍(ADHD/ADD)的药物,该药物是诸如苯丙胺(例如,剂量为5mg至50mg)、右苯丙胺(例如,剂量为5mg至60mg)、哌甲酯(例如,剂量为5mg至60mg)、甲基苯丙胺(例如,剂量为5mg至25mg)、右哌甲酯(例如,剂量为2。5mg至40mg)、胍法辛(例如,剂量为1mg至10mg)、托莫西汀(例如,剂量为10mg至100mg)、利右苯丙胺(例如,剂量为30mg至70mg)、可乐定(例如,剂量为0.1mg至0.5mg)或莫达非尼(例如,剂量为100mg至500mg)。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗自闭症或自闭症谱系障碍的药物,该药物是诸如利培酮(例如,剂量为0.5mg至20mg)、喹硫平(例如,剂量为25mg至1000mg)、苯丙胺(例如,剂量为5mg至50mg)、右苯丙胺(例如,剂量为5mg至60mg)、哌甲酯(例如,剂量为5mg至60mg)、甲基苯丙胺(例如,剂量为5mg至25mg)、右哌甲酯(例如,剂量为2。5mg至40mg)、胍法辛(例如,剂量为1mg至10mg)、托莫西汀(例如,剂量为10mg至100mg)、利右苯丙胺(例如,剂量为30mg至70mg)、可乐定(例如,剂量为0.1mg至0.5mg)或阿立哌唑(例如,剂量为1mg至10mg)。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗丧亲之痛的药物,该药物是诸如西酞普兰、度洛西汀或多塞平。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗暴食症的药物,该药物是诸如利右苯丙胺。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗双相情感障碍的药物,该药物是诸如托吡酯、拉莫三嗪、奥卡西平、氟哌啶醇、利培酮、喹硫平、奥氮平、阿立哌唑或氟西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗躯体变形障碍的药物,该药物是诸如舍曲林、艾司西酞普兰或西酞普兰。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗短暂的精神病的药物,该药物是诸如氯氮平、阿塞那平、奥氮平或喹硫平。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗神经性贪食症的药物,该药物是诸如舍曲林或氟西汀。
本文任何地方描述的平台、系统、装置、方法和介质都可以用于施用治疗品行障碍,该药物是诸如劳拉西泮、地西泮或氯巴占。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗循环性情绪障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗妄想障碍的药物,该药物是诸如氯氮平、阿塞那平、利培酮、文拉法辛、安非他酮或丁螺环酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗人格解体障碍的药物,该药物是诸如舍曲林、氟西汀、阿普唑仑、地西泮或西酞普兰。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗抑郁症的药物,该药物是诸如舍曲林、氟西汀、西酞普兰、安非他酮、艾司西酞普兰、文拉法辛、阿立哌唑、丁螺环酮、沃替西汀或维拉佐酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗去抑制型社交参与障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗破坏性心境失调障碍的药物,该药物是诸如喹硫平、氯氮平、阿塞那平或匹莫范色林
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗分离性遗忘症的药物,该药物是诸如阿普唑仑、地西泮、劳拉西泮或氯氮卓。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗分离性障碍的药物,该药物是诸如安非他酮、沃替西汀或维拉佐酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗分离性神游的药物,该药物是诸如异戊巴比妥、阿普比妥、仲丁比妥或美索比妥。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗分离性身份识别障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗阅读障碍的药物,该药物是诸如苯丙胺(例如,剂量为5mg至50mg)、右苯丙胺(例如,剂量为5mg至60mg)、哌甲酯(例如,剂量为5mg至60mg)、甲基苯丙胺(例如,剂量为5mg至25mg)、右哌甲酯(例如,剂量为2。5mg至40mg)、胍法辛(例如,剂量为1mg至10mg)、托莫西汀(例如,剂量为10mg至100mg)、利右苯丙胺(例如,剂量为30mg至70mg)、可乐定(例如,剂量为0.1mg至0.5mg)或莫达非尼(例如,剂量为100mg至500mg)。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗恶劣心境障碍的药物,该药物是诸如安非他酮、文拉法辛、舍曲林或西酞普兰。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗进食障碍的药物,该药物是诸如奥氮平、西酞普兰、艾司西酞普兰、舍曲林、帕罗西汀或氟西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗表达性语言障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗性别焦虑的药物,该药物是诸如雌激素、孕激素或睾酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗广泛性焦虑障碍的药物,该药物是诸如文拉法辛、度洛西汀、丁螺环酮、舍曲林或氟西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗囤积障碍的药物,该药物是诸如丁螺环酮、舍曲林、艾司西酞普兰、西酞普兰、氟西汀、帕罗西汀、文拉法辛或氯米帕明。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗智力残疾的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗间歇性爆发性障碍的药物,该药物是诸如阿塞那平、氯氮平、奥氮平或匹莫范色林。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗盗窃癖的药物,该药物是诸如艾司西酞普兰、氟伏沙明、氟西汀或帕罗西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗数学障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗强迫症的药物,该药物是诸如丁螺环酮(例如,剂量为5mg至60mg)、舍曲林(例如,剂量为至多200mg)、艾司西酞普兰(例如,剂量为至多40mg)、西酞普兰(例如,剂量为至多40mg)、氟西汀(例如,剂量为40mg至80mg)、帕罗西汀(例如,剂量为40mg至60mg)、文拉法辛(例如,剂量为至多375mg)、氯米帕明(例如,剂量为至多250mg)或氟伏沙明(例如,剂量为至多300mg)。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗对立违抗性障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗惊恐障碍的药物,该药物是诸如安非他酮、维拉佐酮或沃替西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗帕金森病的药物,该药物是诸如利斯的明、司来吉兰、雷沙吉兰、溴隐亭、金刚烷胺、卡麦角林或苯扎托品。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗病理性赌博的药物,该药物是诸如安非他酮、维拉佐酮或沃替西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗异食癖的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗产后抑郁症的药物,该药物是诸如舍曲林、氟西汀、西酞普兰、安非他酮、艾司西酞普兰、文拉法辛、阿立哌唑、丁螺环酮、沃替西汀或维拉佐酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗创伤后应激障碍的药物,该药物是诸如舍曲林、氟西汀或帕罗西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗经前焦虑障碍的药物,该药物是诸如雌二醇、屈螺酮、舍曲林、西酞普兰、氟西汀或丁螺环酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗假性球麻痹的药物,该药物是诸如氢溴酸右美沙芬或硫酸奎尼丁。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗躁狂症的药物,该药物是诸如氯氮平、阿塞那平、奥氮平、帕利哌酮或喹硫平。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗反应性依恋障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗阅读障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质都可以用于给药以治疗雷特综合征。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗反刍障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗分裂情感性障碍的药物,该药物是诸如舍曲林、卡马西平、奥卡西平、丙戊酸、氟哌啶醇、奥氮平或洛沙平。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗精神分裂症的药物,该药物是诸如氯丙嗪、氟哌啶醇、氟奋乃静、利培酮、喹硫平、齐拉西酮、奥氮平、奋乃静、阿立哌唑或丙氯拉嗪。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗精神分裂症样障碍的药物,该药物是诸如帕利哌酮、氯氮平、利培酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗季节性感情障碍的药物,该药物是诸如舍曲林或氟西汀。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗离别焦虑障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗共有型精神障碍的药物,该药物是诸如氯氮平、匹莫范色林、利培酮或鲁拉西酮。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗社会(语用)沟通障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗社交焦虑恐惧症的药物,该药物是诸如阿米替林、安非他酮、西酞普兰、氟西汀、舍曲林或文拉法辛。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗躯体症状障碍的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗特定恐惧症的药物,该药物是诸如地西泮、艾司唑仑、夸西泮或阿普唑仑。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗刻板运动障碍的药物,该药物是诸如利培酮或氯氮平。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗口吃的药物。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗图雷特综合症障碍的药物,该药物是诸如氟哌啶醇、氟奋乃静、利培酮、齐拉西酮、匹莫齐特、奋乃静或阿立哌唑。
本文任何地方描述的平台、系统、装置、方法和介质可以用于施用治疗短暂性抽动障碍的药物,该药物是诸如胍法辛、可乐定、匹莫齐特、利培酮、西酞普兰、艾司西酞普兰、舍曲林、帕罗西汀或氟西汀。
图28示出了可以响应于本文所描述的平台、系统、装置、方法和介质的诊断而施用的药物。容器可以具有标签2810,其携带说明“如果诊断患有障碍x,则施用药物y”。障碍x可以是本文所述的任何障碍。药物y可以是本文所述的任何药物。
图29示出了如本文所描述的用于评定个体的平台的图。如图29所示的平台架构包含各种输入源,特别是护理人员或用户移动应用程序或装置2901、视频分析师门户2902和医疗保健提供者仪表板2903。这些输入数据源经由互联网2914与平台的其余部分通信,互联网2914本身与视频存储服务2912和负载均衡器网关2916介接。负载均衡器网关2916与应用程序服务器2918可操作地通信,应用程序服务器2918利用索引服务2924以及算法和问卷服务2926来辅助数据分析。应用程序服务器2918可以从视频存储服务2912和主数据库2910获得数据以用于分析。日志记录或审计服务也可以用于记录任何事件,诸如访问了哪些用户数据以及如何使用这些数据,以帮助确保隐私和HIPAA合规性。
图30示出了用于评估个体的非限制性流程图。护理人员或医疗保健提供者提出了对儿童3001的关注,之后为儿童3002开出了ASD障碍装置,其中医疗保健提供者确定此装置的使用是合适的,并且向护理人员解释其使用。随后,护理人员完成包含护理人员问卷的第一模块,并且上传响应和2个视频3003。接下来,视频分析师评估上传的视频3004,并且提供响应以完成第二模块。医疗保健提供者还可以自行决定完成第三模块,所述第三模块包含临床医生/医疗保健提供者问卷3005。第三模块可在与儿童的约会期间或约会之外完成。所述装置然后返回评定结果3006。在对ASD的阳性评定3007或阴性评定3008的情况下,医疗保健提供者结合临床表现提供对结果的审查以做出诊断。最终的评定结果是阳性ASD诊断3010或阴性ASD诊断3011。
图31A示出了用于根据本文所描述的平台、系统、装置、方法和介质来评定个体的移动装置的登录屏幕。登录可以包含用户名和密码,用于访问与护理人员和/或要评定的受试者相关联的个人账户。
图31B示出了移动装置的屏幕,其指示例如第一评定模块的ASD评估的用户部分的完成。
图31C示出了移动装置的屏幕,所述屏幕提供用于捕获被怀疑患有ASD的受试者的视频的指令。屏幕示出用户可选择的交互元素,以启动对应于受试者不同玩耍时间的第一视频和第二视频的视频记录。
图31D、图31E和图31F示出了根据本文所描述的平台、系统、装置、方法和介质,提示用户回答用于评定受试者的问题的移动装置的屏幕。
图32示出了视频分析师门户的显示屏,显示作为视频分析师问卷一部分的问题。对该问卷的响应可以形成对(一个或多个)评定模型或(一个或多个)分类器的输入的一部分,例如,在如本文所描述的第二评定模块中。
图33示出了医疗保健提供者门户的显示屏,显示作为医疗保健提供者问卷的一部分的问题。对该问卷的响应可以形成对(一个或多个)评定模型或(一个或多个)分类器的输入的一部分,例如,在如本文所描述的第三评定模块中。
图34示出了根据本文所描述的平台、系统、装置、方法和介质,显示包含视频和完成的护理人员问卷的个体的上传信息的医疗保健提供者门户的显示屏。
图35示出了如本文所描述的用于向受试者提供数字化治疗的包含移动装置软件和服务器软件的平台的图。移动装置软件包含增强现实游戏模块3501、情感识别引擎3502、视频记录/回放模块3503和视频评论游戏3504(例如,情感猜测或识别游戏)。服务器软件包含本地计算装置上的API服务3510、应用程序数据库3511、视频存储3512、医疗保健提供者门户3513和医疗保健提供者或治疗师审查门户3514。
图36示出了根据本文所描述的平台、系统、装置、方法和介质,被配置为提供数字化治疗的装置的图。在此说明性示例中,所述装置是智能电话3601,其具有面向外的相机,所述面向外的相机允许用户捕获另一人3603的一个或多个图像(例如,照片或视频)。执行面部跟踪以识别一个或多个图像内的一个或多个面部3604。实时分析识别出的面部以进行情感分类3605。使用分类器来执行分类,所述分类器被配置为将面部归类为展示从多种情感选定的情感3606。在此示例中,智能电话3601处于非结构化玩耍或以其他方式的自由漫步模式,其中分类情感在显示屏上用对应的表情符号3602描绘以向用户提供动态或实时反馈。
图37示出了组合数字化诊断和数字化治疗的操作流程。在此非限制性实施方式中,数字化诊断操作包含诊断输入模态的应用程序3701(例如,对应于父母/护理人员问卷、临床医生问卷、基于视频的输入、传感器数据等的输入)。输入数据然后被用于计算内部诊断维度3702,例如,受试者可以基于输入数据被投影到多维诊断空间上。诊断维度被投影到标量输出3703中。对照阈值评估此标量输出3704。例如,阈值可以是标量值,其确定阳性、阴性之间的界限,并且可选地存在障碍、病症或损伤,或其类别或组的不确定性确定。因此,生成所得结果或预测3705。结果或预测可以是预测的医学诊断和/或可由临床医生在做出医学诊断时考虑。接下来,可以基于诊断过程的诊断或结果来开出治疗处方3706。数字化治疗操作包含从数字化诊断操作获得或接收内部诊断维度3707。然后基于内部诊断维度3707和处方3706生成定制的和/或优化的治疗方案3708。然后,例如,通过用于对受试者进行诊断或评估的相同计算装置来施用数字化治疗方案3709。数字化治疗方案可以包含一个或多个活动或游戏,所述一个或多个活动或游戏被确定为增加或最大化受试者在与所诊断的障碍、病症或损伤相关联的一个或多个功能方面的改善。例如,活动或游戏可以包含使用面部识别的情感线索识别活动和经由智能电话或平板计算机实现的自动实时情感检测。可以与特定用户或受试者相关联地跟踪和存储用户进度3710。进度跟踪允许基于一段时间内的进度监测游戏或活动的表现和调整或变化。例如,针对受试者的定制治疗方案偏离了受试者擅长的活动或游戏,或替代地,难度水平增加。
示例
示例1–评定模块
智能电话装置被配置为具有一系列评定模块,所述一系列评定模块被配置为获得数据并且评估数据以生成对个体的评定。
模块1–护理人员评定
护理人员评定设计为探索类似于标准化诊断工具,自闭症诊断访谈-修订版(ADIR)-所探索的行为模式,但以简化的方式呈现,以便简明并易于护理人员理解。
所述装置向护理人员呈现最少的一组最具预测性的问题,以识别关键的行为模式。将基于儿童的年龄向护理人员提供一系列多项选择题,通常在10-15分钟内完成。
对于18至47个月的儿童,护理人员将被要求回答18个多项选择问题,这些问题分为以下类别:
非口头交流
社交交互
异常的感官兴趣/反应。
对于48至71个月的儿童,护理人员将被要求回答21个多项选择问题,这些问题分为以下类别:
非口头交流
相互口头交流
社交交互
异常的感官兴趣/反应
重复性/限制性行为或兴趣。
模块2–视频分析
模块2要求护理人员上传2个视频,视频中的每个在儿童在家与玩具和其他人自然玩耍期间至少1分钟。详细指令在应用程序中提供给护理人员。视频被安全地上传到HIPAA安全服务器。每次提交都由分析师彼此独立地评分,分析师通过回答一系列评估组合视频上ASD表型特征的多项选择题来评估观察到的行为。视频分析师无法访问模块1中的护理人员响应或模块3中的HCP响应。
对于18-47个月大的儿童,视频分析师用33个问题评估儿童的行为,而48-71个月大的儿童用28个问题评估,这些问题分为以下类别:
非口头和口头交流
社交交互
异常的感官兴趣/反应
刻板或重复的运动动作、物体使用或言语。
对于每个问题,分析师都可以选择:“录像没有提供足够的机会进行可靠的评定”。此外,如果一个或多个视频由于任何原因(诸如:照明不良、视频或音频质量不佳、有利位置不佳、儿童不在群体中或无法识别、与儿童的交互不足)没有帮助,分析师可能会认为提交的视频不可评分。如果无法评分,将通知护理人员并且要求他们上传另外的视频。
医疗装置的底层算法将分别使用来自视频分析师中的每个的问卷答案,如下所示:对于分析师中的每个,完整回答的问卷将作为一组输入特征输入到模块2算法,算法将在内部输出数字响应。这将对分析师中的每个单独重复,从而产生一组数字响应。然后将数值响应取平均值,并且响应的平均值将被视为模块2的整体输出。然后将模块2的输出与其他模块的输出相结合以便得到单一的归类结果。
模块3–医疗保健提供者评定
将基于儿童的年龄向HCP提供一系列问题。对于18到47个月的儿童,HCP将被要求回答13个选择题。对于48到71个月的儿童,HCP将被要求回答15个选择题。在完成模块3之前,HCP将无法访问模块1中的护理人员响应。HCP将无法访问模块2中视频分析师的响应。所述问题分为以下类别:
发育
语言和交流
感官的、重复的和刻板的行为
社交
算法输出
在(3)个模块完成后,对输入进行评估,以确定是否有足够的信息来进行确定。
用于生成确定的动态算法:
利用信息的不可观察的共同依赖性和非线性
识别最大预测特征的最小集合
可以动态替换“次最相关”信息以生成诊断输出
构成医疗装置的模块1、模块2和模块3中的每个的基础是独立训练的机器学习预测模型。所述三个模型中的每个都是使用由问答项目级别的数千个历史医疗仪器记分卡样本以及对应的诊断标签组成的专用训练集离线训练的,使得训练过程是有监督的机器学习运行。机器学习算法框架是GBDT(梯度增强决策树),在对训练集中的数据进行训练时,它生成一组自动创建的决策树,每个决策树使用训练集中的一些输入特征,并且每个决策树在运行与新患者提交相关的新特征数据时生成标量输出。对树中的每个的标量输出求和,以得到分类模型的总标量输出。因此,当用于预测时,三个模块中的每个都输出单个标量值,所述单个标量值被认为是整个算法的中间输出。
来自三种分类算法中每一种的标量输出作为输入传递到第二阶段组合分类模型,所述第二阶段组合分类模型在临床研究中收集的350个历史数据提交上进行独立训练。此组合模型本质上是概率性的,并且被训练成考虑所有三个单独模块分类器之间的协方差矩阵。它输出单个标量值,所述单个标量值代表所有三个模块的组合输出,并且然后将其输出与预设阈值进行比较,以产生归类结果,所述归类结果可以被视为确定儿童是ASD阳性还是ASD阴性。
所述装置还设计成在预测较弱时不输出结果。如果无法提供归类确定,医疗保健提供者将被告知所述装置无法在所述时间点提供自闭症谱系障碍(ASD)的结果(“无结果”)。具体而言,患者可能展示足够数量和/或严重程度的特征,对于所述足够数量和/或严重程度的特征,患者不能作为ASD阴性而被确信地置于算法分类器内,但是展示不足数量和/或严重程度的特征,对于所述不足数量和/或严重程度的特征,患者不能作为ASD阳性而被确信地置于算法分类器内。在这些情况下,算法不提供结果(“无结果”情况)。在大多数情况(患者)中,算法将提供两种不同的诊断输出中的一种—阳性ASD、阴性ASD。
示例2–患者评估概览
在患者检查期间,医疗保健提供者(HCP)基于观察和/或护理人员的关注对儿童的发育有所关注。然后,HCP开出被配置为具有数字应用程序的装置,并且向护理人员提供所述装置的概览。一旦药房分发了所述装置,护理人员就会访问所述应用程序。护理人员离开HCP的办公室,下载应用程序并且创建账户。然后,护理人员会被提示在应用程序中回答相关儿童行为/发育的问题(模块1)。完成后,护理人员需要在儿童的自然家庭环境中录制并且上传儿童的两个视频。应用程序中提供详细的指令。如果视频太短、太长或不符合技术指令,护理人员将无法上传它们,并且提供以关于需要校正什么才能继续的另外的指令。一旦上传视频,就通知护理人员,将与他们联系以进行后续步骤。
一旦视频上传,经过培训的视频分析师被提示通过视频分析师门户审查上传的视频。视频分析师无法看到模块1中的护理人员响应以及模块3中的HCP响应。视频分析师根据规定的要求和质量控制(模块2)回答相关视频中展示的儿童行为的问题。如果视频分析师认为某个视频不“可评定”,则可能会通知护理人员需要上传另外的视频。
一旦装置被指定,HCP就会被Cognoa提示回答一组关于儿童行为/发育的问题(模块3)。HCP将遵循其标准实践指南来完成模块3的文档。在响应模块3的问题之前,HCP无法看到模块1中的护理人员响应和模块2中的视频分析师响应。
一旦完成所有3个模块,动态机器学习算法就会通过复杂的多级决策树评估和组合模块的输入,以提供输出。通知HCP登录HCP仪表板并审查整个装置的评定结果,以及装置的使用指令,指令指示结果应与患者的临床表现一起使用。
HCP,结合对儿童临床表现的医学评估,审查装置的结果,以在其实践范围内做出明确的诊断。装置的结果将帮助HCP诊断ASD,或确定儿童未患有ASD。
在一些情况下,将通知HCP装置无法提供结果。在这些情况下,HCP必须根据自己的判断为患者做出最佳决定;然而,在此情况下,所述装置没有提出任何建议,也没有为HCP提供其他临床指导或下一步的指导。
最后,在装置呈现输出后,HCP将可以访问护理人员对模块1的响应、原始患者视频以及有关装置的临床表现测试数据。
示例3–ASD阳性评估场景
ASD阳性情景A
在初级护理环境中的患者检查期间,基于观察和护理人员的关注,有执照的医疗保健提供者对2岁儿童的发育有所担忧。患者有言语延迟,并且他的母亲表示,当被叫到时,他对自己的名字没有反应,但他的听力评估是正常的,并且他可能很容易被柔和的声音激怒。初级医疗保健提供者根据装置的标签评定使用Cognoa装置是否合适,并且指导护理人员根据处方使用所述装置。
护理人员离开诊所,下载软件,完成模块1并且上传患者的视频。视频分析师经由分析师门户对提交的视频进行评分来完成模块2。医疗保健提供者经由提供者门户访问模块3并且完成医疗保健提供者问卷。所述装置分析考虑到最能指示自闭症的关键发育行为而提供的信息,并且一旦获得装置结果,就通知医疗保健提供者。医疗保健提供者会收到报告,指示患者“对ASD呈阳性”,并且用于确定结果的支持数据可供医疗保健提供者审查。
医疗保健提供者审查结果并且确定结果与临床表现相匹配,并且在与护理人员的面对面访视中提供ASD的诊断,根据美国儿科学会的建议解释诊断并且开出治疗处方。
ASD阳性情景B
在初级护理环境中的患者检查期间,有执照的医疗保健提供者评估一名3岁半儿童的发育。患者有奇怪的语言使用,但言语没有延迟。父母报告说,她还会发出奇怪的重复噪音。她似乎缺乏危险意识,并且经常闯入陌生人的私人空间。医疗保健提供者根据装置的标签评定使用所述装置是否合适,并且指导护理人员根据处方使用所述装置。
护理人员离开诊所,下载软件,完成模块1并且上传患者的视频。视频分析师经由分析师门户对提交的视频进行评分来完成模块2。医疗保健提供者经由提供者门户访问模块3并且完成医疗保健提供者问卷。所述装置分析考虑到最能指示自闭症的关键发育行为而提供的信息,并且一旦获得装置结果,就通知医疗保健提供者。医疗保健提供者会收到报告,指示患者“对ASD呈阳性”,并且用于确定结果的支持数据可供医疗保健提供者审查。
医疗保健提供者审查装置结果,并且确定结果与ASD最一致。医疗保健提供者在与护理人员的面对面访视中提供ASD的诊断,并且根据美国儿科学会的建议解释诊断和开出治疗处方。
示例4–ASD阴性评定场景
ASD阴性情景A
在初级护理环境中的患者检查期间,有执照的医疗保健提供者评估5岁儿童的发育。患者有过度活跃的行为并且容易分心。他的母亲说,当被叫到时,他不回应他的名字,并且她需要叫他几次,他才会回应。患者也在同伴人际关系中挣扎,很难交到朋友。医疗保健提供者担心可能的自闭症,但最怀疑ADHD。医疗保健提供者根据装置的标签评定使用所述装置是否合适,并且指导护理人员根据处方使用所述装置。医疗保健提供者还要求父母和幼儿园老师完成范德比尔特ADHD评定。
护理人员离开诊所,下载软件,完成模块1并且上传患者的视频。视频分析师经由分析师门户对提交的视频进行评分来完成模块2。医疗保健提供者经由提供者门户访问模块3并且完成医疗保健提供者问卷。所述装置分析考虑到最能指示自闭症的关键发育行为而提供的信息,并且一旦获得装置结果,就通知医疗保健提供者。医疗保健提供者会收到报告,指示患者“对ASD呈阴性”,并且用于确定结果的支持数据可供医疗保健提供者审查。
医疗保健提供者审查装置结果和范德比尔特评定,确定诊断与ADHD最一致。医疗保健提供者在与护理人员的面对面访视中提供ADHD主要为多动型的诊断,并且根据美国儿科学会的建议解释诊断和开出治疗处方。
医疗保健提供者监测患者对行为疗法的响应,并且开出非刺激性ADHD药物,从而在鉴别诊断中保留ASD的可能性。患者对疗法和药物反应良好,不再展示与ASD相关的迹象,从而强化了ADHD的诊断。
ASD阴性情景B
在初级护理环境中的患者检查期间,一位家长报告说,患者18个月大的兄弟姐妹被诊断患有自闭症,并且他的父亲注意到了一些攻击性事件和可能的刻板行为。患者已经达到了他所有的发育里程碑,他在诊所的检查和交互与年龄相适应。父亲向医疗保健提供者出示患者展示与哥哥姐姐类似的刻板行为的视频。医疗保健提供者根据装置的标签评定使用Cognoa装置是否合适,并且指导护理人员根据处方使用所述装置。护理人员离开诊所,下载软件,完成模块1并且上传患者的视频。Cognoa视频分析师经由Cognoa分析师门户对提交的视频进行评分来完成模块2。医疗保健提供者经由Cognoa提供者门户访问模块3并且完成医疗保健提供者问卷。
所述装置分析考虑到最能指示自闭症的关键发育行为而提供的信息,并且一旦获得装置结果,就通知医疗保健提供者。医疗保健提供者会收到报告,指示患者“对ASD呈阴性”,并且用于确定结果的支持数据可供医疗保健提供者审查。医疗保健提供者审查Cognoa装置的结果,并且确定患者很可能在模仿哥哥姐姐。当患者展示攻击性或刻板行为时,医疗保健提供者监测患者的发育,并且提供关于改变方向的养育指导。
示例5–ASD不确定性评估场景
ASD不确定性情景A
在初级护理环境中的患者检查期间,父母报告5岁半的孩子有学习困难,学校建议进行个性化教育计划评定,以便有可能将其纳入特殊教育系统。患者很少与诊所的医疗保健提供者眼神交流,并且回答问题时表情迟钝。没有被忽视或虐待的迹象,也没有报告的幻觉。实验室评估显示出正常的CBC、CMP和TSH。医疗保健提供者根据装置的标签评定使用Cognoa装置是否合适,并且指导护理人员根据处方使用所述装置。护理人员离开诊所,下载软件,完成模块1并且上传患者的视频。
视频分析师经由分析师门户对提交的视频进行评分来完成模块2。医疗保健提供者经由提供者门户访问模块3并且完成医疗保健提供者问卷。所述装置分析考虑到最能指示自闭症的关键发育行为而提供的信息,并且通知医疗保健提供者所述装置不能基于所提供的信息在此刻提供有关ASD的结果。所述装置在此刻停止使用。
在此刻,HCP使用他们的专业决策来确定患者的后续步骤。
ASD不确定性情景B
自从幼儿园开始,一个5岁的孩子出现了言语延迟,但在言语治疗方面取得了进步,他的老师注意到他经常与成年人争吵、容易发脾气、拒绝遵守规则、为自己的错误责备他人、故意惹恼他人,并且会以愤怒、怨恨和报复的方式行为。父母将这些问题告知儿童的初级医疗保健提供者。医疗保健提供者根据装置的标签评定使用所述装置是否合适,并且指导护理人员根据处方使用所述装置。护理人员离开诊所,下载软件,完成模块1并且上传患者的视频。
视频分析师经由分析师门户对提交的视频进行评分来完成模块2。医疗保健提供者经由提供者门户访问模块3并且完成医疗保健提供者问卷。所述装置分析考虑到最能指示自闭症的关键发育行为而提供的信息,并且通知医疗保健提供者所述装置不能基于所提供的信息在此刻提供有关ASD的结果。所述装置在此刻停止使用。
在此刻,HCP使用他们的专业决策来确定患者的后续步骤。
示例6–情感识别数字化治疗
使用前述任一实施方式中描述的装置对患者进行评定,并且确定其为ASD阳性。用于评定的装置和/或不同的装置被配置为具有数字化治疗应用程序,用于通过情感识别训练来治疗患者(“治疗装置”)。在此情况下,所述装置是被配置为具有用于提供数字化治疗的移动应用程序的智能电话。HCP规定了用于治疗患者的装置和/或移动应用程序。患者或父母或护理人员被给予对治疗装置的访问权,并且注册/登录移动应用程序的个人账户。移动应用程序为患者提供可选择的模式,包括活动模式,所述活动模式包含情感激发活动、情感识别活动和非结构化玩耍。
患者或父母或护理人员选择非结构化玩耍,使得装置激活相机并且显示图形用户接口,当患者将面向外的相机指向其他人时,所述图形用户接口实时动态地执行面部识别和情感检测/分类。当患者将相机指向特定个体时,所述个体的图像被分析以识别至少一种情感,并且图形用户接口显示所述情感或其表示(例如,描述或对应于所述情感的表情符号或单词)。这允许患者观察和学习由用相机观察的人显示的(一种或多种)情感。在一些情况下,接口上的情感显示会有延迟以允许患者有时间在给出“答案”之前尝试识别情感。每个阳性识别的情感及其对应的(一个或多个)图像然后被存储在图像库中。
护理人员调节数字化治疗会话,其中儿童使用智能电话在他们的家、办公室或其他熟悉的环境中走动,并且“寻找”或尝试引发由应用程序中音频提示的情感。通常,在家庭环境中,情感会由护理人员生成;给护理人员的指令将是复制所请求的情感或故意提供错误的面孔。在多人区域使用所述装置期间,护理人员的指令将指引护理人员帮助儿童找到具有提示面部表情的个体;如果不存在,护理人员可以选择复制这种情感,或提示附近的另一人复制这种情感,而不提醒儿童。儿童将电话相机指向他们认为正在表达所提示的情感的个体;所述移动应用程序具有增强现实(AR)部件,其中当检测到面部时会向儿童发出警报。然后,屏幕向儿童提供实时的音频和视觉反馈,正确地标记显示在脸上的情感表达(例如,表情符号实时显示在屏幕上,带有对应的情感)。当儿童继续使用产品时,表情符号会保留在增强现实环境中的屏幕上。
在患者已经在图像库中收集了许多图像之后,患者然后切换出非结构化玩耍活动并且选择情感识别活动。然后患者选择情感识别游戏或情感猜谜游戏进行强化学习。
情感猜谜游戏存储了儿童以前评估过的图像,并且与库存面部图像(来自预先审查过的来源)混合在一起。此活动的目标是(a)审查儿童没有正确评估的图像,并且让护理人员校正它,以及(b)强化和提醒儿童他们的正确选择,以提高记忆力。然后,儿童可以尝试正确匹配或标记图像中显示的情感表达。此EGG的目标是在不同的2D环境中强化增强现实非结构化玩耍会话的学习。它还为护理人员和儿童之间提供另外的社交交互机会,以共同审查和讨论情感。
提供各种强化学习游戏供患者选择。这些游戏的示例如下示出的:
(A)游戏显示患者收集的三个图像(可能与库存图像混合),这些图像被分类为显示三种不同的情感:快乐、悲伤和愤怒。游戏提供视觉和听觉提示,要求患者选择显示“快乐”情感的图像。患者选择图像,并且然后基于选择是否正确得到反馈。患者继续使用已收集的各种图像完成这些活动中的若干。
(B)游戏示出患者收集的人的单张图像(或库存图像),并且提示确定图像显示的情感。可以向患者显示情感的多项选择。情感可以是可选择的,或患者可以能够将情感拖到图像或者反之亦然。
(C)混合且匹配的情感识别活动。在此情况下,在图形用户接口屏幕的左侧显示一列3个收集的(或库存的)图像,并且在图形用户接口的右侧显示一列3种情感。所述接口允许用户选择图像,并且然后选择对应的情感将它们“匹配”在一起。一旦图像和情感全部匹配,就基于表现向患者提供反馈。替代地,显示两列图像和情感,并且患者能够拖放以将图像与同一行中的对应情感对准,以便将它们“匹配”在一起。
(D)动态的情感排序游戏。屏幕底部提供两个或更多个桶,每个桶都具有情感标签,而各种收集到的图像在屏幕上浮动。患者被指引将每个图像拖到合适的桶中。一旦所有图像都被排序到桶中,就基于表现向患者提供反馈。
本文所描述的情感识别游戏和活动可以被提供用于各种情感识别和学习目的,而不仅是用于使用用户已经接触过的收集到的图像的强化学习。如果可能的话,可以跟踪或监测患者在活动期间的表现。当患者完成一系列活动中的一个活动时,所提供的下一个活动可以偏向或倾向于选择测试患者表现相对较差的情感的图像。
然后患者切换到情感激发活动。这些活动设计为提供估算为唤起情感的刺激。情感刺激选自图像、图像序列、视频、声音或其任意组合。情感刺激的示例包含设计为引发恐惧(蜘蛛、怪物)和快乐或喜悦(儿歌或表演)的视听内容。可以通过装置的面向内的相机来确定在患者中引发的情感响应。例如,在提供情感刺激的同时相机可以捕获患者面部的一个或多个图像,然后对这些图像进行评估以检测任何情感响应。随着时间的推移,可以监测响应,以跟踪患者对情感刺激响应的任何变化。
示例7–数字化诊断和数字化治疗
根据任一前述示例,使用智能电话装置对患者进行评定,并且确定为ASD阳性。然后,HCP会考虑此阳性的评定,HCP将患者诊断为患有ASD,并且通过相同的智能电话装置向患者开出用于治疗患者的数字化治疗应用程序。患者或父母或护理人员被给予对治疗装置的访问权,并且注册/登录移动应用程序的个人账户。个人账户含有用于评定患者的诊断信息。计算此诊断信息以确定患者在与ASD的各个方面(诸如,例如特定的损伤,如社交互惠降低)相关的多维空间中的位置。然后将这些内部诊断维度用于识别被预测为改善患者参与社交互惠的受损能力的活动。
识别的活动是包括用于监测和改善社交互惠的活动的活动模式。用于监测和改善社交互惠的此类活动模式的一个示例是对非结构化玩耍的修改,其中提示用户对在父母或护理人员中检测到的面部表情或情感线索做出响应。
患者或父母或护理人员选择修改后的非结构化玩耍,使得装置激活面向内的相机和面向外的相机,并且显示图形用户接口,当患者将面向外的相机指向其他人并且患者使用面向内的相机(例如自拍相机)时,所述图形用户接口动态地实时执行目标个体(例如父母)的面部识别和情感检测/分类。当患者将相机指向特定个体时,所述个体的一个或多个图像或视频被分析以识别至少一种情感,并且图形用户接口显示所述情感或其表示(例如,描述或对应于所述情感的表情符号或单词)。这允许患者观察和学习由用相机观察的人显示的(一种或多种)情感。在一些情况下,接口上的情感显示会有延迟以允许患者有时间在给出“答案”之前尝试识别情感。每个阳性识别的情感及其对应的(一个或多个)图像然后被存储在图像库中。
除了检测目标个体的情感之外,所述装置同时或在时间上非常接近目标个体的分析来捕获患者面部表情和/或情感的图像或视频。患者和目标个体之间的社交交互可以以此方式被捕获为两个人的组合面部表情和/或情感。检测到的个体表情或情感的时间戳被用于确定一系列社交交互,然后出于患者参与社交互惠的能力而来评估这一系列社交交互。患者的表现受到监测,并且与个人账户关联,以维持持续记录。这允许对患者进行持续评估以生成可以用于更新定制治疗方案的更新的诊断维度。
在一个示例中,患者将电话指向对他微笑的父母。电话显示屏实时显示笑脸表情以帮助患者识别与父母面部表情对应的情感。此外,显示屏可选地为患者提供指令以响应父母。患者不会对他的父母微笑,并且面向内的相机在一个或多个图像或视频中捕获到此响应。图像和/或视频以及社交交互的时间线或时间戳序列然后被保存在装置上(并且可选地被上传或保存在远程网络或云上)。在此情况下,父母的微笑被标记为“微笑”,并且患者缺乏响应被标记为“无响应”或“没有微笑”。因此,此特殊的社交交互被确定为未能进行微笑互惠。还可以基于目标个体(父母)和患者是否表达了“真诚的”微笑而不是“礼貌的微笑”来进一步分割社交交互。例如,本文所描述的用于检测“微笑”或“情感”的算法和分类器可以被训练来区分真实微笑和礼貌微笑,这可以基于对应于真实微笑中眼部肌肉的接合和礼貌微笑中眼部肌肉的缺乏接合的视觉线索来区分。
虽然本文已经示出和描述了本发明的优选实施方式,但对于本领域技术人员而言将会显而易见的是,这样的实施方式只是通过示例的方式提供的。在不偏离本发明的情况下,本领域技术人员将会想到众多变化、改变和替代。应理解,在实践本发明的过程中可以采用本文所述的本发明实施方式的各种替代方案。本文旨在下列权利要求限定了本发明的范围并且从而覆盖这些权利要求的范围内的方法和结构及其等同项。
Claims (40)
1.一种就行为障碍、发育迟缓或神经损伤针对个体进行评估并提供治疗的装置,所述装置包括:
处理器;
非暂时性计算机可读介质,所述非暂时性计算机可读介质存储计算机程序,所述计算机程序被配置为使得所述处理器:
(a)接收与所述行为障碍、所述发育迟缓或所述神经损伤相关的所述个体的输入;
(b)使用所述计算机程序的经训练分类器模块确定所述个体有所述行为障碍、所述发育迟缓或所述神经损伤的迹象,所述计算机程序的所述训练分类器模块使用来自患有所述行为障碍、所述发育迟缓或所述神经损伤的多个个体的数据进行训练;
(c)使用由所述计算机程序生成的机器学习模型确定所述个体有所述迹象的所述行为障碍、所述发育迟缓或所述神经损伤将通过促进社交互惠的数字化治疗得到改善;以及
(d)提供促进社交互惠的数字化治疗。
2.根据权利要求1所述的装置,其中所述机器学习模型确定将由所述数字化治疗实现的改善程度。
3.根据权利要求1所述的装置,其中所述处理器被配置为具有其他指令,以在确定所述行为障碍、所述发育迟缓或所述神经损伤将通过所述数字化治疗得到改善时向所述个体提供所述数字化治疗。
4.根据权利要求3所述的装置,其中所述数字化治疗包括增强现实体验。
5.根据权利要求3所述的装置,其中所述数字化治疗包括虚拟现实体验。
6.根据权利要求4或5所述的装置,其中所述数字化治疗由移动计算装置提供。
7.根据权利要求6所述的装置,其中所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
8.根据权利要求6所述的装置,其中所述处理器被配置为具有其他指令,以利用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
9.根据权利要求8所述的装置,其中所述处理器被配置为具有其他指令,以使用图像分析模块来分析所述视频或所述图像来确定与所述人相关联的情感。
10.根据权利要求5所述的装置,其中所述虚拟现实体验包括显示的虚拟人或角色,并且所述装置还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
11.根据权利要求9或10所述的装置,其中在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来实现。
12.根据权利要求9所述的装置,其中所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
13.根据权利要求12所述的装置,其中所述图像分析模块包括分类器,所述分类器使用机器学习训练以将所述面部归类为展示所述情感。
14.根据权利要求7所述的装置,其中所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
15.根据权利要求14所述的装置,其中所述处理器被配置为具有其他指令,以将来自所述传声器的声音归类为与情感相关联。
16.根据权利要求15所述的装置,其中所述处理器被配置为具有其他指令,来为所述个体提供具有所述数字化治疗的指令以参与活动模式。
17.根据权利要求16所述的装置,其中所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
18.根据权利要求17所述的装置,其中治疗剂与所述数字化治疗一起被提供给所述个体。
19.根据权利要求18所述的装置,其中当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
20.根据权利要求1所述的装置,其中所述装置是可穿戴装置。
21.一种使用数字化治疗就行为障碍、发育迟缓或神经损伤对个体进行治疗的计算机实现方法,所述方法包括:
(a)接收与所述行为障碍、所述发育迟缓或所述神经损伤相关的所述个体的输入;
(b)使用经训练分类器确定所述个体具有患有所述行为障碍、所述发育迟缓或所述神经损伤的迹象;
(c)使用机器学习模型确定所述个体有迹象患有的所述行为障碍、所述发育迟缓或所述神经损伤将通过被配置为促进社交互惠的数字化治疗得到改善。
22.根据权利要求21所述的方法,其中所述机器学习模型确定将由所述数字化治疗实现的改善程度。
23.根据权利要求21所述的方法,其包括当确定所述行为障碍、所述发育迟缓或所述神经损伤是自闭症或自闭症谱系障碍时向所述个体提供所述数字化治疗。
24.根据权利要求23所述的方法,其中所述数字化治疗包括增强现实体验。
25.根据权利要求23所述的方法,其中所述数字化治疗包括虚拟现实体验。
26.根据权利要求24或25所述的方法,其中所述数字化治疗由移动计算装置提供。
27.根据权利要求26所述的方法,其中所述移动计算装置包括智能电话、平板计算机、膝上型计算机、智能手表或其他可穿戴计算装置。
28.根据权利要求26所述的方法,其包括使用所述移动计算装置的相机获得在所述增强现实体验中与所述个体交互的人的视频或图像。
29.根据权利要求28所述的方法,包括使用图像分析模块分析所述视频或所述图像来确定与所述人相关联的情感。
30.根据权利要求25所述的方法,其中所述虚拟现实体验包括显示的虚拟人或角色,并且所述方法还包括确定由所述虚拟现实体验内的所述虚拟人或角色表达的情感。
31.根据权利要求29或30所述的方法,其中在所述增强现实或虚拟现实体验内向所述个体实时显示所述情感的描述,这通过在所述移动计算装置的屏幕上打印所述描述或通过与所述移动计算装置耦合的音频输出来实现。
32.根据权利要求29所述的方法,其中所述分析模块包括面部识别模块,用于在所述视频或图像内检测所述人的面部。
33.根据权利要求32所述的方法,其中所述图像分析模块包括分类器,所述分类器使用机器学习训练以将所述面部归类为展示所述情感。
34.根据权利要求27所述的方法,其中所述计算装置包括传声器,所述传声器被配置为从所述增强现实体验捕获音频。
35.根据权利要求34所述的方法,包括将来自所述传声器的声音归类为与情感相关联。
36.根据权利要求35所述的方法,还包括为所述个体提供具有所述数字化治疗的指令以参与活动模式。
37.根据权利要求36所述的方法,其中所述活动模式包括情感激发活动、情感识别活动或非结构化玩耍。
38.根据权利要求23所述的方法,包括与所述数字化治疗一起提供治疗剂。
39.根据权利要求38所述的方法,其中当所述个体接受所述数字化治疗时,所述治疗剂改善所述个体的认知。
40.根据权利要求21所述的方法,其中所述数字化治疗被配置为促进所述个体的社交互惠。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962822186P | 2019-03-22 | 2019-03-22 | |
US62/822,186 | 2019-03-22 | ||
PCT/US2020/024029 WO2020198065A1 (en) | 2019-03-22 | 2020-03-20 | Personalized digital therapy methods and devices |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113873935A true CN113873935A (zh) | 2021-12-31 |
Family
ID=72611769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080038037.7A Pending CN113873935A (zh) | 2019-03-22 | 2020-03-20 | 个性化数字化治疗方法和装置 |
Country Status (12)
Country | Link |
---|---|
US (2) | US11176444B2 (zh) |
EP (1) | EP3941340A4 (zh) |
JP (1) | JP2022527946A (zh) |
KR (2) | KR102643554B1 (zh) |
CN (1) | CN113873935A (zh) |
AU (1) | AU2020248351A1 (zh) |
BR (1) | BR112021018770A2 (zh) |
CA (1) | CA3134521A1 (zh) |
CO (1) | CO2021013982A2 (zh) |
IL (1) | IL286595A (zh) |
MX (1) | MX2021011493A (zh) |
WO (1) | WO2020198065A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115445047A (zh) * | 2022-08-25 | 2022-12-09 | 石海龙 | 一种注意力训练终端及注意力训练服务器 |
Families Citing this family (72)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210142047A1 (en) * | 2018-09-06 | 2021-05-13 | Every Life Works, LLC | Salient feature extraction using neural networks with temporal modeling for real time incorporation (sentri) autism aide |
WO2020198065A1 (en) | 2019-03-22 | 2020-10-01 | Cognoa, Inc. | Personalized digital therapy methods and devices |
US11904207B2 (en) | 2019-05-10 | 2024-02-20 | Rehab2Fit Technologies, Inc. | Method and system for using artificial intelligence to present a user interface representing a user's progress in various domains |
US11433276B2 (en) | 2019-05-10 | 2022-09-06 | Rehab2Fit Technologies, Inc. | Method and system for using artificial intelligence to independently adjust resistance of pedals based on leg strength |
US11957956B2 (en) | 2019-05-10 | 2024-04-16 | Rehab2Fit Technologies, Inc. | System, method and apparatus for rehabilitation and exercise |
US11957960B2 (en) | 2019-05-10 | 2024-04-16 | Rehab2Fit Technologies Inc. | Method and system for using artificial intelligence to adjust pedal resistance |
US20210042568A1 (en) * | 2019-06-03 | 2021-02-11 | William C. Meysing | Pattern model assembly |
US11896540B2 (en) | 2019-06-24 | 2024-02-13 | Rehab2Fit Technologies, Inc. | Method and system for implementing an exercise protocol for osteogenesis and/or muscular hypertrophy |
US20210043106A1 (en) * | 2019-08-08 | 2021-02-11 | COGNITIVEBOTICS Technologies Pvt. Ltd. | Technology based learning platform for persons having autism |
US11071597B2 (en) | 2019-10-03 | 2021-07-27 | Rom Technologies, Inc. | Telemedicine for orthopedic treatment |
US11887717B2 (en) | 2019-10-03 | 2024-01-30 | Rom Technologies, Inc. | System and method for using AI, machine learning and telemedicine to perform pulmonary rehabilitation via an electromechanical machine |
US11069436B2 (en) | 2019-10-03 | 2021-07-20 | Rom Technologies, Inc. | System and method for use of telemedicine-enabled rehabilitative hardware and for encouraging rehabilitative compliance through patient-based virtual shared sessions with patient-enabled mutual encouragement across simulated social networks |
US11915815B2 (en) | 2019-10-03 | 2024-02-27 | Rom Technologies, Inc. | System and method for using artificial intelligence and machine learning and generic risk factors to improve cardiovascular health such that the need for additional cardiac interventions is mitigated |
US11075000B2 (en) | 2019-10-03 | 2021-07-27 | Rom Technologies, Inc. | Method and system for using virtual avatars associated with medical professionals during exercise sessions |
US11955220B2 (en) | 2019-10-03 | 2024-04-09 | Rom Technologies, Inc. | System and method for using AI/ML and telemedicine for invasive surgical treatment to determine a cardiac treatment plan that uses an electromechanical machine |
US11961603B2 (en) | 2019-10-03 | 2024-04-16 | Rom Technologies, Inc. | System and method for using AI ML and telemedicine to perform bariatric rehabilitation via an electromechanical machine |
US11915816B2 (en) | 2019-10-03 | 2024-02-27 | Rom Technologies, Inc. | Systems and methods of using artificial intelligence and machine learning in a telemedical environment to predict user disease states |
US11955221B2 (en) | 2019-10-03 | 2024-04-09 | Rom Technologies, Inc. | System and method for using AI/ML to generate treatment plans to stimulate preferred angiogenesis |
US11923065B2 (en) | 2019-10-03 | 2024-03-05 | Rom Technologies, Inc. | Systems and methods for using artificial intelligence and machine learning to detect abnormal heart rhythms of a user performing a treatment plan with an electromechanical machine |
US11101028B2 (en) | 2019-10-03 | 2021-08-24 | Rom Technologies, Inc. | Method and system using artificial intelligence to monitor user characteristics during a telemedicine session |
US11955222B2 (en) | 2019-10-03 | 2024-04-09 | Rom Technologies, Inc. | System and method for determining, based on advanced metrics of actual performance of an electromechanical machine, medical procedure eligibility in order to ascertain survivability rates and measures of quality-of-life criteria |
US11955223B2 (en) | 2019-10-03 | 2024-04-09 | Rom Technologies, Inc. | System and method for using artificial intelligence and machine learning to provide an enhanced user interface presenting data pertaining to cardiac health, bariatric health, pulmonary health, and/or cardio-oncologic health for the purpose of performing preventative actions |
US11826613B2 (en) | 2019-10-21 | 2023-11-28 | Rom Technologies, Inc. | Persuasive motivation for orthopedic treatment |
US20210125065A1 (en) * | 2019-10-25 | 2021-04-29 | Affectiva, Inc. | Deep learning in situ retraining |
AU2020398656A1 (en) | 2019-12-04 | 2022-07-21 | WellDoc, Inc. | Digital therapeutic systems and methods |
US11748456B2 (en) * | 2019-12-05 | 2023-09-05 | Sony Interactive Entertainment Inc. | Secure access to shared digital content |
US20210174933A1 (en) * | 2019-12-09 | 2021-06-10 | Social Skills Training Pty Ltd | Social-Emotional Skills Improvement |
US11646106B1 (en) * | 2020-01-15 | 2023-05-09 | Walgreen Co. | Intelligent multi-party remote care system |
US11610079B2 (en) * | 2020-01-31 | 2023-03-21 | Salesforce.Com, Inc. | Test suite for different kinds of biases in data |
US11157823B2 (en) * | 2020-02-04 | 2021-10-26 | Vignet Incorporated | Predicting outcomes of digital therapeutics and other interventions in clinical research |
US11538355B2 (en) * | 2020-03-24 | 2022-12-27 | Panasonic Intellectual Property Management Co., Ltd. | Methods and systems for predicting a condition of living-being in an environment |
US11727209B2 (en) * | 2020-04-27 | 2023-08-15 | Adobe Inc. | Systems for role classification |
US11605038B1 (en) | 2020-05-18 | 2023-03-14 | Vignet Incorporated | Selecting digital health technology to achieve data collection compliance in clinical trials |
US11461216B1 (en) | 2020-05-18 | 2022-10-04 | Vignet Incorporated | Monitoring and improving data collection using digital health technology |
US11102304B1 (en) | 2020-05-22 | 2021-08-24 | Vignet Incorporated | Delivering information and value to participants in digital clinical trials |
JP2022018415A (ja) * | 2020-07-15 | 2022-01-27 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び方法 |
US20220102004A1 (en) * | 2020-09-28 | 2022-03-31 | Susan L. Abend | Patient monitoring, reporting and tracking system |
GB202017793D0 (en) * | 2020-11-11 | 2020-12-23 | Univ Of Huddersfield | Clinical diagnosis of attention deficit hyperactivity disorder (ADHD) in adults |
CN112331337B (zh) * | 2021-01-04 | 2021-04-16 | 中国科学院自动化研究所 | 自动抑郁检测方法、装置、设备 |
WO2022155251A1 (en) * | 2021-01-12 | 2022-07-21 | Rom Technologies, Inc. | Method and system for using artificial intelligence and machine learning to provide recommendations to a healthcare provider in real-time during a telemedicine session |
US20220238205A1 (en) * | 2021-01-27 | 2022-07-28 | Solsten, Inc. | Systems and methods to provide a digital experience adapted based on a subject selection to effect particular attributes |
CN112560811B (zh) * | 2021-02-19 | 2021-07-02 | 中国科学院自动化研究所 | 端到端的音视频抑郁症自动检测研究方法 |
US20220293241A1 (en) * | 2021-03-12 | 2022-09-15 | Facebook Technologies, Llc | Systems and methods for signaling cognitive-state transitions |
CA3113414A1 (en) * | 2021-03-29 | 2022-09-29 | Mind Cure Health Inc. | Psychedelics protocol computer systems and methods |
US20220343065A1 (en) * | 2021-04-27 | 2022-10-27 | Empathy Rocks, Inc. | System and method for increasing effective communication through evaluation of multimodal data, auto-correction and behavioral suggestions based on models from evidence-based counseling, motivational interviewing, and empathy |
CN113269079B (zh) * | 2021-05-20 | 2024-01-05 | 北京阿叟阿巴科技有限公司 | 基于视频层次化比对分析和等级行为范式的儿童孤独症早期评估装置及系统 |
DE102021205548A1 (de) * | 2021-05-31 | 2022-12-01 | VitaFluence.ai GmbH | Softwarebasiertes, sprachbetriebenes und objektives Diagnosewerkzeug zur Verwendung in der Diagnose einer chronischen neurologischen Störung |
WO2022261593A1 (en) * | 2021-06-11 | 2022-12-15 | Hume AI Inc. | Empathic artificial intelligence systems |
US11756671B2 (en) * | 2021-07-01 | 2023-09-12 | Koa Health Digital Solutions S.L.U. | Administering exposure treatments of a cognitive behavioral therapy using a smartphone app |
CN113808698B (zh) * | 2021-08-09 | 2023-06-09 | 北京智精灵科技有限公司 | 计算机化社会适应训练方法及系统 |
CN115705923A (zh) * | 2021-08-09 | 2023-02-17 | 伊莫克有限公司 | 用于改善轻度认识障碍患者症状的训练程序的构建方法及系统 |
CN113571159A (zh) * | 2021-08-11 | 2021-10-29 | 上海市第一人民医院 | 一种基于人工智能的孤独症谱系障碍儿童康复护理系统 |
US11663790B2 (en) * | 2021-08-18 | 2023-05-30 | Optum, Inc. | Dynamic triggering of augmented reality assistance mode functionalities |
US20230063681A1 (en) * | 2021-08-25 | 2023-03-02 | Sony Interactive Entertainment Inc. | Dynamic augmentation of stimuli based on profile of user |
US20230078072A1 (en) * | 2021-08-26 | 2023-03-16 | Kihealthconcepts Llc | System For Treating Neurological Drive Dysfunction |
WO2023042971A1 (ko) * | 2021-09-17 | 2023-03-23 | 월든디티 주식회사 | 월경장애를 예측하고 관리하기 위한 방법 및 디지털 치료제 |
US11544627B1 (en) * | 2021-09-22 | 2023-01-03 | Broadridge Financial Solutions, Inc. | Machine learning-based methods and systems for modeling user-specific, activity specific engagement predicting scores |
KR20230044977A (ko) * | 2021-09-27 | 2023-04-04 | (주)이모티브 | 학습 기반 사용자 맞춤형 인지 모델을 이용하여, 인지검사 태스크를 대체 수행하는 인지모델 기반의 인지 상태 평가 리포팅 제공 방법 및 그 장치 |
US20230123473A1 (en) * | 2021-10-19 | 2023-04-20 | Boston Scientific Neuromodulation Corporation | Deep brain stimulation video programming platform with algorithms |
CN114038552A (zh) * | 2021-11-09 | 2022-02-11 | 北京康安启元科技有限公司 | 一种asd筛查与辅助诊断系统、方法、装置及电子设备 |
WO2023110678A1 (en) * | 2021-12-13 | 2023-06-22 | Essilor International | Method for determining a level of certainty of a patient's response to a stimulus perception of a subjective medical test and a device therefore |
WO2023113553A1 (ko) * | 2021-12-17 | 2023-06-22 | 주식회사 마인드허브 | 클라우드 서버 기반의 인지 또는 언어 재활 훈련을 위한 컨텐츠 제공 방법 |
US20230238114A1 (en) * | 2022-01-25 | 2023-07-27 | Yiftah Frechter | Applied behavioral therapy apparatus and method |
WO2023164292A1 (en) * | 2022-02-28 | 2023-08-31 | Rom Technologies, Inc. | Systems and methods of using artificial intelligence and machine learning in a telemedical environment to predict user disease states |
US20230317246A1 (en) * | 2022-04-01 | 2023-10-05 | BeMe Health, Inc. | System and method for facilitating mental health assessment and enhancing mental health via facial recognition |
US20230356059A1 (en) * | 2022-05-04 | 2023-11-09 | Rom Technologies, Inc. | Systems and methods for using smart exercise devices to perform cardiovascular rehabilitation |
WO2023245252A1 (en) * | 2022-06-22 | 2023-12-28 | Vimbal Enterprises Pty Ltd | Methods and apparatus for enhancing human cognition |
KR102543681B1 (ko) * | 2022-07-26 | 2023-06-16 | 주식회사 에스씨이코리아 | Ai를 이용한 접근성 검증 시스템 |
US20240112810A1 (en) * | 2022-09-30 | 2024-04-04 | SALT LabSystem Limited | System for performing arabic aphasia tests on a patient |
KR102656727B1 (ko) * | 2023-08-04 | 2024-04-12 | 웰트 주식회사 | 모듈식 디지털 치료 프레임워크를 통해 디지털 치료제를 개발하는 방법 및 이러한 방법을 사용하는 장치 |
KR102645476B1 (ko) * | 2023-11-02 | 2024-03-08 | 주식회사 키블 | 발달 수준에 따른 치료 콘텐츠 제공 시스템 |
CN117648572B (zh) * | 2024-01-30 | 2024-04-05 | 西南石油大学 | 基于虚拟现实和集成学习的认知评估方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140099569A (ko) * | 2013-01-31 | 2014-08-13 | 대구가톨릭대학교산학협력단 | 소아정신질환 검사 및 치료 시스템 및 소아정신질환 검사 및 치료 방법 |
US20170319123A1 (en) * | 2016-05-06 | 2017-11-09 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Using Mobile and Wearable Video Capture and Feedback Plat-Forms for Therapy of Mental Disorders |
US20190019581A1 (en) * | 2015-12-18 | 2019-01-17 | Cognoa, Inc. | Platform and system for digital personalized medicine |
US20190043618A1 (en) * | 2016-11-14 | 2019-02-07 | Cognoa, Inc. | Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability |
US20190043610A1 (en) * | 2017-02-09 | 2019-02-07 | Cognoa, Inc. | Platform and system for digital personalized medicine |
Family Cites Families (145)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4860214A (en) | 1987-01-22 | 1989-08-22 | Ricoh Company, Ltd. | Inference system |
JPH0820284B2 (ja) | 1989-10-23 | 1996-03-04 | 株式会社小松製作所 | 故障診断装置 |
US6186145B1 (en) * | 1994-05-23 | 2001-02-13 | Health Hero Network, Inc. | Method for diagnosis and treatment of psychological and emotional conditions using a microprocessor-based virtual reality simulator |
US5377258A (en) | 1993-08-30 | 1994-12-27 | National Medical Research Council | Method and apparatus for an automated and interactive behavioral guidance system |
AU1837295A (en) | 1994-02-01 | 1995-08-21 | Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations, The | An expert system intervention for smoking cessation |
EP0842475B1 (en) | 1995-07-25 | 2000-11-08 | Horus Therapeutics, Inc. | Computer assisted methods and apparatus for diagnosing diseases |
CA2275889C (en) | 1996-12-30 | 2008-03-18 | Battelle Memorial Institute | Formulation and method for treating neoplasms by inhalation |
US6425764B1 (en) * | 1997-06-09 | 2002-07-30 | Ralph J. Lamson | Virtual reality immersion therapy for treating psychological, psychiatric, medical, educational and self-help problems |
JP3226097B2 (ja) | 1999-07-21 | 2001-11-05 | 尚哉 宮野 | 処置データ推定方法及び処置データ推定システム |
UA73967C2 (en) | 2000-02-14 | 2005-10-17 | First Opinion Corp | Structure-based automatic processing for diagnostics (variants) |
WO2001069515A1 (en) | 2000-03-15 | 2001-09-20 | Help4Life, Inc. | Apparatus for and method of assessing, monitoring, and reporting on behavioral health disorders |
US7043439B2 (en) | 2000-03-29 | 2006-05-09 | Canon Kabushiki Kaisha | Machine interface |
NZ523260A (en) | 2000-06-02 | 2005-10-28 | Quality Metric | Method and system for health assessment and monitoring |
WO2001097083A1 (en) | 2000-06-12 | 2001-12-20 | Epredix.Com | Computer-implemented system for human resources management |
AU2001277947A1 (en) | 2000-07-21 | 2002-02-05 | Surromed, Inc. | Computerized clinical questionnaire with dynamically presented questions |
CA2417863A1 (en) | 2000-08-03 | 2002-02-14 | Unicru, Inc. | Electronic employee selection systems and methods |
US7095979B2 (en) | 2001-04-20 | 2006-08-22 | Educational Testing Service | Method of evaluation fit of raw data to model data |
US6957202B2 (en) | 2001-05-26 | 2005-10-18 | Hewlett-Packard Development Company L.P. | Model selection for decision support systems |
WO2003003162A2 (en) | 2001-06-29 | 2003-01-09 | Clinomics Biosciences, Inc. | Evaluating neuropsychiatric diseases using a specimen-linked database |
ATE433163T1 (de) | 2001-07-11 | 2009-06-15 | Cns Response Inc | Verfahren zur vorhersage der behandlungsresultate |
JP4334793B2 (ja) | 2001-09-28 | 2009-09-30 | 太田 美津枝 | 選択支援演算装置 |
US7052277B2 (en) | 2001-12-14 | 2006-05-30 | Kellman A.C.T. Services, Inc. | System and method for adaptive learning |
EP1492439A2 (en) | 2002-01-04 | 2005-01-05 | Canswers LLC | Systems and methods for predicting disease behavior |
US20120245211A1 (en) | 2002-06-04 | 2012-09-27 | Children's Hospital Medical Center | Methods of Treating Cognitive Dysfunction by Modulating Brain Energy Metabolism |
US7155421B1 (en) | 2002-10-16 | 2006-12-26 | Sprint Spectrum L.P. | Method and system for dynamic variation of decision tree architecture |
US7244230B2 (en) | 2002-11-08 | 2007-07-17 | Siemens Medical Solutions Usa, Inc. | Computer aided diagnostic assistance for medical imaging |
US20040103001A1 (en) | 2002-11-26 | 2004-05-27 | Mazar Scott Thomas | System and method for automatic diagnosis of patient health |
US20040197750A1 (en) * | 2003-04-01 | 2004-10-07 | Donaher Joseph G. | Methods for computer-assisted role-playing of life skills simulations |
US20050176057A1 (en) | 2003-09-26 | 2005-08-11 | Troy Bremer | Diagnostic markers of mood disorders and methods of use thereof |
US7289958B2 (en) | 2003-10-07 | 2007-10-30 | Texas Instruments Incorporated | Automatic language independent triphone training using a phonetic table |
US20050142524A1 (en) | 2003-11-10 | 2005-06-30 | Simon Ely S. | Standardized cognitive and behavioral screening tool |
US6973375B2 (en) | 2004-02-12 | 2005-12-06 | Mykrolis Corporation | System and method for flow monitoring and control |
AR047800A1 (es) | 2004-02-13 | 2006-02-22 | Citibank Na | Metodo y disposicion para llevar a cabo el analisis de las necesidades de clientes, desarrollo del personal y del seguimiento de los clientes basado en sus caracteristicas personales |
US20050197988A1 (en) | 2004-02-17 | 2005-09-08 | Bublitz Scott T. | Adaptive survey and assessment administration using Bayesian belief networks |
US20050209785A1 (en) | 2004-02-27 | 2005-09-22 | Wells Martin D | Systems and methods for disease diagnosis |
US20050216243A1 (en) | 2004-03-02 | 2005-09-29 | Simon Graham | Computer-simulated virtual reality environments for evaluation of neurobehavioral performance |
US20050260549A1 (en) | 2004-05-19 | 2005-11-24 | Feierstein Roslyn E | Method of analyzing question responses to select among defined possibilities and means of accomplishing same |
US7835922B2 (en) | 2004-07-08 | 2010-11-16 | Astrazeneca Ab | Diagnostic system and method |
US7311666B2 (en) | 2004-07-10 | 2007-12-25 | Trigeminal Solutions, Inc. | Apparatus for collecting information |
US20060059145A1 (en) | 2004-09-02 | 2006-03-16 | Claudia Henschke | System and method for analyzing medical data to determine diagnosis and treatment |
US20090083075A1 (en) | 2004-09-02 | 2009-03-26 | Cornell University | System and method for analyzing medical data to determine diagnosis and treatment |
US20070207449A1 (en) | 2005-05-19 | 2007-09-06 | Feierstein Roslyn E | Method of analyzing question responses to select among defined possibilities and means of accomplishing same |
US7624030B2 (en) | 2005-05-20 | 2009-11-24 | Carlos Feder | Computer-implemented medical analytics method and system employing a modified mini-max procedure |
WO2006128279A2 (en) | 2005-06-02 | 2006-12-07 | Sam Ozerksy | A system and method for mental health disease management |
CA2544324A1 (en) | 2005-06-10 | 2006-12-10 | Unicru, Inc. | Employee selection via adaptive assessment |
US20070118399A1 (en) | 2005-11-22 | 2007-05-24 | Avinash Gopal B | System and method for integrated learning and understanding of healthcare informatics |
JP4931447B2 (ja) | 2006-03-17 | 2012-05-16 | 株式会社マザー&チャイルド | 診断及び保育支援システム |
GB0613832D0 (en) * | 2006-07-12 | 2006-08-23 | Univ Keele | Virtual human interaction system |
JP2008021212A (ja) | 2006-07-14 | 2008-01-31 | Fuji Xerox Co Ltd | アンケート装置及びプログラム |
US20090062624A1 (en) | 2007-04-26 | 2009-03-05 | Thomas Neville | Methods and systems of delivering a probability of a medical condition |
BRPI0809875A2 (pt) | 2007-04-30 | 2014-09-30 | Clinical Decision Support Llc | "sistema e método computadorizado de tomada decisão para diagnóstico médico" |
US8712748B2 (en) | 2007-06-27 | 2014-04-29 | Roche Diagnostics Operations, Inc. | Medical diagnosis, therapy, and prognosis system for invoked events and methods thereof |
US20090016559A1 (en) | 2007-07-12 | 2009-01-15 | Renee Michelle Cleary | Telecommunication and electronic devices holding apparatus and methods |
US8666909B2 (en) | 2007-11-02 | 2014-03-04 | Ebay, Inc. | Interestingness recommendations in a computing advice facility |
EP2218019A4 (en) | 2007-11-02 | 2012-04-18 | Hunch Inc | INTERACTIVE AUTOMATIC LEARNING ADVICE INSTALLATION |
CN101499078A (zh) | 2008-02-03 | 2009-08-05 | 黄林 | 用于查询个性化医药保健信息的人机对话系统及方案 |
EP2245568A4 (en) | 2008-02-20 | 2012-12-05 | Univ Mcmaster | EXPERT SYSTEM FOR DETERMINING A PATIENT'S RESPONSE TO A TREATMENT |
US8385812B2 (en) | 2008-03-18 | 2013-02-26 | Jones International, Ltd. | Assessment-driven cognition system |
WO2009120991A2 (en) | 2008-03-27 | 2009-10-01 | Medtronic, Inc. | Pharmacokinetic and pharmacodynamic tools to define patient specific therapeutic regimens |
US8380531B2 (en) | 2008-07-25 | 2013-02-19 | Invivodata, Inc. | Clinical trial endpoint development process |
WO2010011356A2 (en) | 2008-07-25 | 2010-01-28 | Aureon Laboratories, Inc. | Systems and methods of treating, diagnosing and predicting the occurrence of a medical condition |
US9779213B2 (en) | 2008-07-25 | 2017-10-03 | Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud | System for evaluating a pathological stage of prostate cancer |
US8024332B2 (en) | 2008-08-04 | 2011-09-20 | Microsoft Corporation | Clustering question search results based on topic and focus |
US8423492B2 (en) | 2009-01-12 | 2013-04-16 | Alphatrac, Inc. | Predictive prompting and decision outcome |
CA2750028C (en) | 2009-01-20 | 2019-05-07 | Guochuan Emil Tsai | Sorbic and benzoic acid and derivatives thereof enhance the activity of a neuropharmaceutical |
US9629543B2 (en) | 2009-03-17 | 2017-04-25 | Emory University | Internet-based cognitive diagnostics using visual paired comparison task |
US10512769B2 (en) * | 2009-03-20 | 2019-12-24 | Electrocore, Inc. | Non-invasive magnetic or electrical nerve stimulation to treat or prevent autism spectrum disorders and other disorders of psychological development |
CN102483398A (zh) | 2009-04-01 | 2012-05-30 | 里奇诊断学股份有限公司 | 监控神经精神疾病治疗的生物标记 |
US20110202486A1 (en) | 2009-07-21 | 2011-08-18 | Glenn Fung | Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions |
US11562323B2 (en) | 2009-10-01 | 2023-01-24 | DecisionQ Corporation | Application of bayesian networks to patient screening and treatment |
CN102971755A (zh) | 2010-01-21 | 2013-03-13 | 阿斯玛西格诺斯公司 | 用于慢性病管理的早期告警方法和系统 |
US20120004925A1 (en) | 2010-06-30 | 2012-01-05 | Microsoft Corporation | Health care policy development and execution |
WO2012021789A1 (en) | 2010-08-13 | 2012-02-16 | Children's Medical Center Corporation | Methods and apparatus for risk assessment of developmental disorders during early cognitive development |
US20120101852A1 (en) | 2010-10-25 | 2012-04-26 | Hartford Fire Insurance Company | System and method for determining insurance adjustments based on a life event |
US20120102405A1 (en) | 2010-10-25 | 2012-04-26 | Evidence-Based Solutions, Inc. | System and method for matching person-specific data with evidence resulting in recommended actions |
US20120108909A1 (en) * | 2010-11-03 | 2012-05-03 | HeadRehab, LLC | Assessment and Rehabilitation of Cognitive and Motor Functions Using Virtual Reality |
WO2012082056A1 (en) | 2010-12-16 | 2012-06-21 | Autism Biodiagnosis Ltd. | Novel biomarker and uses thereof in diagnosis, treatment of autism |
EP2667715B1 (en) * | 2011-01-27 | 2017-07-19 | Neuren Pharmaceuticals Limited | Treatment of autism spectrum disorders using glycyl-l-2-methylprolyl-l-glutamic acid |
US8834174B2 (en) | 2011-02-24 | 2014-09-16 | Patient Tools, Inc. | Methods and systems for assessing latent traits using probabilistic scoring |
AU2012229330B2 (en) | 2011-03-11 | 2016-04-21 | Amicus Therapeutics, Inc. | Dosing regimens for the treatment of Fabry disease |
CN110544517A (zh) | 2011-05-10 | 2019-12-06 | 雀巢产品有限公司 | 用于个体化治疗管理的疾病活动性表征方法 |
WO2012156569A1 (en) | 2011-05-13 | 2012-11-22 | Reflect Career Partners Oy | Dynamic framework for psychometric testing |
US9305059B1 (en) | 2011-06-21 | 2016-04-05 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for dynamically selecting questions to be presented in a survey |
CN110111882B (zh) | 2011-10-24 | 2024-03-15 | 哈佛大学校长及研究员协会 | 通过人工智能和移动健康技术、在不损害准确性的情况下对病症进行增强诊断 |
US9536052B2 (en) | 2011-10-28 | 2017-01-03 | Parkland Center For Clinical Innovation | Clinical predictive and monitoring system and method |
WO2013071285A1 (en) | 2011-11-11 | 2013-05-16 | Rutgers, The State University Of New Jersey | Methods for the diagnosis and treatment of neurological disorders |
US8792974B2 (en) | 2012-01-18 | 2014-07-29 | Brainscope Company, Inc. | Method and device for multimodal neurological evaluation |
US10039777B2 (en) | 2012-03-20 | 2018-08-07 | Neuro-Lm Sas | Methods and pharmaceutical compositions of the treatment of autistic syndrome disorders |
US9471872B2 (en) | 2012-06-29 | 2016-10-18 | International Business Machines Corporation | Extension to the expert conversation builder |
CN109785972B (zh) | 2012-08-16 | 2023-09-26 | 橙点公司 | 用于对行为和健康变化进行建模的方法 |
US9600711B2 (en) | 2012-08-29 | 2017-03-21 | Conduent Business Services, Llc | Method and system for automatically recognizing facial expressions via algorithmic periocular localization |
EP2896015A4 (en) | 2012-09-13 | 2016-04-20 | Parkland Ct For Clinical Innovation | SYSTEM AND METHOD OF USER INTERFACE FOR CLINICAL DASHBOARD |
CA2887310A1 (en) | 2012-10-04 | 2014-04-10 | Lineagen, Inc. | Genetic markers associated with asd and other childhood developmental delay disorders |
US20140122109A1 (en) | 2012-10-29 | 2014-05-01 | Consuli, Inc. | Clinical diagnosis objects interaction |
CN104918919A (zh) | 2012-11-21 | 2015-09-16 | Ptc医疗公司 | 取代的反向嘧啶Bmi-1抑制剂 |
US11961624B2 (en) * | 2013-03-15 | 2024-04-16 | James Paul Smurro | Augmenting clinical intelligence with federated learning, imaging analytics and outcomes decision support |
US20150080671A1 (en) | 2013-05-29 | 2015-03-19 | Technical University Of Denmark | Sleep Spindles as Biomarker for Early Detection of Neurodegenerative Disorders |
US9536053B2 (en) | 2013-06-26 | 2017-01-03 | WellDoc, Inc. | Systems and methods for managing medication adherence |
US20150004588A1 (en) | 2013-06-28 | 2015-01-01 | William Marsh Rice University | Test Size Reduction via Sparse Factor Analysis |
US20160209428A1 (en) | 2013-08-21 | 2016-07-21 | The Regents Of The University Of California | Diagnostic and predictive metabolite patterns for disorders affecting the brain and nervous system |
CN103473631B (zh) | 2013-08-26 | 2017-09-26 | 无锡同仁(国际)康复医院 | 康复治疗管理系统 |
US10405786B2 (en) | 2013-10-09 | 2019-09-10 | Nedim T. SAHIN | Systems, environment and methods for evaluation and management of autism spectrum disorder using a wearable data collection device |
US11315694B2 (en) | 2013-12-02 | 2022-04-26 | Ceresti Health, Inc. | System and method for reducing acute incident risk |
CN103714261B (zh) | 2014-01-14 | 2017-02-15 | 吉林大学 | 二阶段混合模型的智能辅助医疗决策支持方法 |
KR20150087447A (ko) * | 2014-01-20 | 2015-07-30 | 한국전자통신연구원 | 발달장애 아동을 위한 지능형 케어 시스템 및 그 방법 |
US10254785B2 (en) | 2014-06-30 | 2019-04-09 | Cerora, Inc. | System and methods for the synchronization of a non-real time operating system PC to a remote real-time data collecting microcontroller |
US20160180248A1 (en) | 2014-08-21 | 2016-06-23 | Peder Regan | Context based learning |
EP3892198B1 (en) | 2014-11-14 | 2024-03-06 | ZOLL Medical Corporation | Medical premonitory event estimation |
US10510265B2 (en) | 2014-11-14 | 2019-12-17 | Hi.Q, Inc. | System and method for determining and using knowledge about human health |
JP2015228202A (ja) | 2015-01-06 | 2015-12-17 | 株式会社Ubic | 判断システム、判断方法、及び判断プログラム |
CN104504297A (zh) | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
US10646155B2 (en) | 2015-04-14 | 2020-05-12 | Ohio State Innovative Foundation | Method of generating an adaptive partial report and apparatus for implementing the same |
US10791987B2 (en) | 2015-06-02 | 2020-10-06 | Barry L. Jenkins | Methods and systems for managing a risk of medication dependence |
JP7001593B2 (ja) | 2015-08-11 | 2022-01-19 | コグノア, インコーポレイテッド | 人工知能およびユーザ入力を用いて発達進度を判定するための方法および装置 |
US20170091423A1 (en) | 2015-09-30 | 2017-03-30 | International Business Machines Corporation | Personalized Health Care Plan Creation Based on Historical Analysis of Health Care Plan Performance |
JP6562355B2 (ja) | 2015-12-02 | 2019-08-21 | パナソニックIpマネジメント株式会社 | 探索支援方法、探索支援装置、及び、プログラム |
US20170262609A1 (en) | 2016-03-08 | 2017-09-14 | Lyra Health, Inc. | Personalized adaptive risk assessment service |
WO2018005814A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utilizing functional connectivity brain imaging for diagnosis of a neurobehavioral disorder |
KR102520143B1 (ko) * | 2016-07-25 | 2023-04-11 | 매직 립, 인코포레이티드 | 광 필드 프로세서 시스템 |
EP3497695A4 (en) * | 2016-08-12 | 2019-12-25 | Magic Leap, Inc. | WORD STREAM ANNOTATION |
US10311645B1 (en) | 2016-10-14 | 2019-06-04 | Floreo, Inc. | Methods and systems for treating autism |
KR20180065709A (ko) * | 2016-12-08 | 2018-06-18 | 정은지 | 발달 장애 기능 개선을 위한 뉴로피드백 장치와 영상 콘텐츠를 이용하는 훈련 시스템 및 그 방법 |
US20220254461A1 (en) * | 2017-02-09 | 2022-08-11 | Cognoa, Inc. | Machine learning algorithms for data analysis and classification |
US10276190B2 (en) | 2017-06-19 | 2019-04-30 | International Business Machines Corporation | Sentiment analysis of mental health disorder symptoms |
JP6722845B2 (ja) * | 2017-10-03 | 2020-07-15 | 株式会社国際電気通信基礎技術研究所 | 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置 |
CN107833611A (zh) * | 2017-11-06 | 2018-03-23 | 广州优涵信息技术有限公司 | 一种基于虚拟现实的自闭症康复训练方法 |
US20190244127A1 (en) * | 2018-02-08 | 2019-08-08 | Progrentis Corp. | Adaptive teaching system for generating gamified training content and integrating machine learning |
WO2019213221A1 (en) * | 2018-05-01 | 2019-11-07 | Blackthorn Therapeutics, Inc. | Machine learning-based diagnostic classifier |
KR102257291B1 (ko) * | 2018-09-14 | 2021-05-28 | 주식회사 아이메디신 | 인지 장애 판별 방법 및 컴퓨터 프로그램 |
JP2022512829A (ja) * | 2018-10-25 | 2022-02-07 | クアドラント、バイオサイエンシズ、インコーポレイテッド | 疾患診断のための方法及び機械学習 |
US11348665B2 (en) * | 2018-11-08 | 2022-05-31 | International Business Machines Corporation | Diagnosing and treating neurological impairments |
WO2020198065A1 (en) | 2019-03-22 | 2020-10-01 | Cognoa, Inc. | Personalized digital therapy methods and devices |
US11161011B2 (en) * | 2019-04-29 | 2021-11-02 | Kpn Innovations, Llc | Methods and systems for an artificial intelligence fitness professional support network for vibrant constitutional guidance |
US10846622B2 (en) * | 2019-04-29 | 2020-11-24 | Kenneth Neumann | Methods and systems for an artificial intelligence support network for behavior modification |
US11688505B2 (en) * | 2019-07-03 | 2023-06-27 | Kpn Innovations, Llc. | Methods and systems for generating a supplement instruction set using artificial intelligence |
WO2021046412A1 (en) * | 2019-09-06 | 2021-03-11 | Cognoa, Inc. | Methods, systems, and devices for the diagnosis of behavioral disorders, developmental delays, and neurologic impairments |
US20220369999A1 (en) * | 2019-09-30 | 2022-11-24 | Massachusetts Eye And Ear Infirmary | Objective evaluation of neurological movement disorders from medical imaging |
US11113890B2 (en) * | 2019-11-04 | 2021-09-07 | Cognizant Technology Solutions India Pvt. Ltd. | Artificial intelligence enabled mixed reality system and method |
US20210236032A1 (en) * | 2020-01-30 | 2021-08-05 | The George Washington University | Robot-aided system and method for diagnosis of autism spectrum disorder |
WO2021214553A1 (en) * | 2020-04-24 | 2021-10-28 | The Joan and Irwin Jacobs Technion-Cornell Institute | Treating mental health disorders using machine learning |
AU2021277202A1 (en) * | 2020-05-16 | 2022-12-22 | Insurance Services Office, Inc. | Machine learning systems and methods for multiscale alzheimer's dementia recognition through spontaneous speech |
KR102496834B1 (ko) * | 2020-11-20 | 2023-02-08 | 한국과학기술원 | 정신 질환 진단 프로토콜 자동 탐색을 위한 컴퓨터 시스템 및 그의 방법 |
US20220262514A1 (en) * | 2021-02-17 | 2022-08-18 | MS Technologies | System and method for diagnostics and prognostics of mild cognitive impairment using machine learning |
US20230042243A1 (en) * | 2020-12-09 | 2023-02-09 | MS Technologies | System and method for early diagnostics and prognostics of mild cognitive impairment using hybrid machine learning |
US20220344046A1 (en) * | 2021-04-26 | 2022-10-27 | New Pill Technologies, Inc. | Methods, systems, apparatuses, and devices for facilitating managing administering of psychedelic drugs to users |
-
2020
- 2020-03-20 WO PCT/US2020/024029 patent/WO2020198065A1/en active Application Filing
- 2020-03-20 EP EP20779099.9A patent/EP3941340A4/en active Pending
- 2020-03-20 AU AU2020248351A patent/AU2020248351A1/en active Pending
- 2020-03-20 CN CN202080038037.7A patent/CN113873935A/zh active Pending
- 2020-03-20 KR KR1020217034098A patent/KR102643554B1/ko active IP Right Grant
- 2020-03-20 BR BR112021018770A patent/BR112021018770A2/pt not_active Application Discontinuation
- 2020-03-20 MX MX2021011493A patent/MX2021011493A/es unknown
- 2020-03-20 JP JP2021558497A patent/JP2022527946A/ja active Pending
- 2020-03-20 KR KR1020247006691A patent/KR20240031439A/ko not_active Application Discontinuation
- 2020-03-20 CA CA3134521A patent/CA3134521A1/en active Pending
- 2020-11-03 US US17/088,428 patent/US11176444B2/en active Active
-
2021
- 2021-09-22 IL IL286595A patent/IL286595A/en unknown
- 2021-10-19 CO CONC2021/0013982A patent/CO2021013982A2/es unknown
- 2021-11-01 US US17/516,001 patent/US11862339B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140099569A (ko) * | 2013-01-31 | 2014-08-13 | 대구가톨릭대학교산학협력단 | 소아정신질환 검사 및 치료 시스템 및 소아정신질환 검사 및 치료 방법 |
US20190019581A1 (en) * | 2015-12-18 | 2019-01-17 | Cognoa, Inc. | Platform and system for digital personalized medicine |
US20170319123A1 (en) * | 2016-05-06 | 2017-11-09 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Using Mobile and Wearable Video Capture and Feedback Plat-Forms for Therapy of Mental Disorders |
US20190043618A1 (en) * | 2016-11-14 | 2019-02-07 | Cognoa, Inc. | Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability |
US20190043610A1 (en) * | 2017-02-09 | 2019-02-07 | Cognoa, Inc. | Platform and system for digital personalized medicine |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115445047A (zh) * | 2022-08-25 | 2022-12-09 | 石海龙 | 一种注意力训练终端及注意力训练服务器 |
Also Published As
Publication number | Publication date |
---|---|
WO2020198065A1 (en) | 2020-10-01 |
KR20220004639A (ko) | 2022-01-11 |
EP3941340A1 (en) | 2022-01-26 |
CA3134521A1 (en) | 2020-10-01 |
MX2021011493A (es) | 2022-01-04 |
BR112021018770A2 (pt) | 2022-02-15 |
KR102643554B1 (ko) | 2024-03-04 |
US20210133509A1 (en) | 2021-05-06 |
US11176444B2 (en) | 2021-11-16 |
AU2020248351A1 (en) | 2021-11-11 |
KR20240031439A (ko) | 2024-03-07 |
US11862339B2 (en) | 2024-01-02 |
EP3941340A4 (en) | 2022-11-30 |
CO2021013982A2 (es) | 2022-01-17 |
IL286595A (en) | 2021-12-01 |
JP2022527946A (ja) | 2022-06-07 |
US20220300787A1 (en) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11862339B2 (en) | Model optimization and data analysis using machine learning techniques | |
US20220157466A1 (en) | Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability | |
CN108780663B (zh) | 数字个性化医学平台和系统 | |
US10984899B2 (en) | Platform and system for digital personalized medicine | |
US20180096738A1 (en) | Method for providing health therapeutic interventions to a user | |
US10515631B2 (en) | System and method for assessing the cognitive style of a person | |
US11621090B2 (en) | Platform for assessing and treating individuals by sourcing information from groups of resources | |
US20210391083A1 (en) | Method for providing health therapeutic interventions to a user | |
US20220254461A1 (en) | Machine learning algorithms for data analysis and classification | |
US11972336B2 (en) | Machine learning platform and system for data analysis | |
US20230092866A1 (en) | Machine learning platform and system for data analysis | |
JP2024059912A (ja) | デジタル個別化医療のためのプラットフォームおよびシステム |
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 |