CN114007489A - 使用机器学习来预测接触透镜相容性的系统和方法 - Google Patents

使用机器学习来预测接触透镜相容性的系统和方法 Download PDF

Info

Publication number
CN114007489A
CN114007489A CN202080046027.8A CN202080046027A CN114007489A CN 114007489 A CN114007489 A CN 114007489A CN 202080046027 A CN202080046027 A CN 202080046027A CN 114007489 A CN114007489 A CN 114007489A
Authority
CN
China
Prior art keywords
compatibility
ecp
patient
lens
consumer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080046027.8A
Other languages
English (en)
Inventor
R·萨兰加帕尼
K·贝克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alcon Inc
Original Assignee
Alcon Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alcon Inc filed Critical Alcon Inc
Publication of CN114007489A publication Critical patent/CN114007489A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C7/00—Optical parts
    • G02C7/02—Lenses; Lens systems ; Methods of designing lenses
    • G02C7/04—Contact lenses for the eyes
    • G02C7/047—Contact lens fitting; Contact lenses for orthokeratology; Contact lenses for specially shaped corneae
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/02—Subjective types, i.e. testing apparatus requiring the active assistance of the patient
    • A61B3/028—Subjective types, i.e. testing apparatus requiring the active assistance of the patient for testing visual acuity; for determination of refraction, e.g. phoropters
    • A61B3/04—Trial frames; Sets of lenses for use therewith
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C13/00—Assembling; Repairing; Cleaning
    • G02C13/003—Measuring during assembly or fitting of spectacles
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C7/00—Optical parts
    • G02C7/02—Lenses; Lens systems ; Methods of designing lenses
    • G02C7/04—Contact lenses for the eyes
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Eye Examination Apparatus (AREA)
  • Eyeglasses (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

用于确定多焦点接触透镜与寻求老花眼视力矫正的患者之间的相容性的系统和方法包括：从与第一眼科护理专业人员相关联的第一设备接收为消费者选择接触透镜的请求，其中，所述请求包括与所述消费者相关联的生物特征/验光信息；获得与所述第一ECP相关联的表现度量；使用所述机器学习模型并且基于所述表现度量来确定定制的相容性指数，所述定制的相容性指数针对所述第一ECP指示特定接触透镜与所述消费者之间的相容性；以及在所述第一设备上呈现指示所述相容性指数的报告。还提供了附加的系统、方法和非暂态机器可读介质。理念是用自动化系统取代或至少对眼科医生的工作进行补充。

Description

使用机器学习来预测接触透镜相容性的系统和方法
背景
技术领域
本公开内容涉及根据本公开内容的各种实施例的使用机器学习来预测不同用户的透镜相容性。
背景技术
近年来，制造接触透镜的技术已经大幅改善，使得大多数接触透镜可以容易适合于大多数用户。然而，某些类型的接触透镜(诸如多焦点接触透镜)仍然难以适合用户。常规地，为用户配接触透镜(例如，多焦点接触透镜)是一个持久的过程。眼科护理专业人员(ECP)会向用户推荐某种类型的接触透镜(例如，特定的处方、特定的度数、特定的形状(诸如曲率)、特定的制造商等)以供试用(例如，使用推荐类型的接触透镜持续诸如两周等的一段时间)。用户可以在试用之后进行复诊以确定这种类型的接触透镜是否非常适合用户，和/或再次进行配镜以确定哪种接触透镜更适合。由于配镜上的困难并且由于ECP不能够准确预测寻求视力矫正(例如，老花眼视力矫正)的用户使用接触透镜(例如，多焦点接触透镜)的结果，因此用户可能需要在确定某种类型的接触透镜非常适合用户(或者确定任何类型的接触透镜都不适合用户)之前多次拜访ECP。结果，向用户开接触透镜处方的费用不必要地变高，并且在某些情况下，ECP变得不愿意向可能受益于这样的创新视力矫正解决方案的用户推荐某些类型的接触透镜和/或开这些接触透镜处方。因此，本领域需要用于更好地预测多焦点接触透镜用户的结果的技术。
发明内容
根据一些实施例，一种系统包括一个或多个硬件处理器。所述一个或多个硬件处理器被配置成：从与第一眼科护理专业人员(ECP)相关联的第一设备接收为消费者选择接触透镜的请求，其中，所述请求包括与所述消费者相关联的生物特征信息；获得与所述第一ECP相关联的表现度量；使用所述机器学习模型并且基于所述表现度量来确定定制的相容性指数，所述定制的相容性指数针对所述第一ECP指示特定接触透镜与所述消费者之间的相容性；以及在所述第一设备上呈现指示所述相容性指数的报告。
根据一些实施例，一种方法包括：由一个或多个硬件处理器从与第一眼科护理专业人员(ECP)相关联的第一设备接收确定特定透镜与患者之间的相容性的请求，其中，所述请求包括与所述患者相关联的属性；由所述一个或多个硬件处理器将与所述第一ECP相关联的表现信息同至少与第二ECP相关联的表现信息进行比较；由所述一个或多个硬件处理器基于所述比较来确定与所述第一ECP相关联的表现度量；由所述一个或多个硬件处理器从多个相容性指数中并且基于与所述患者相关联的属性来选择表示所述特定透镜与所述患者之间的相容程度的特定相容性指数，其中，所述相容性指数是至少部分地基于与所述第一ECP相关联的表现度量针对所述第一ECP定制的；以及由所述一个或多个硬件处理器在所述第一设备上呈现指示所述特定相容性指数的报告。
根据一些实施例，一种包括多条机器可读指令的非暂态机器可读介质，所述机器可读指令能够执行以使机器执行操作，所述操作包括：从与第一眼科护理专业人员(ECP)相关联的第一设备接收为消费者选择接触透镜的请求，其中，所述请求包括与所述消费者相关联的生物特征信息；获得与所述第一ECP相关联的表现度量；使用所述机器学习模型并且基于所述表现度量来确定定制的相容性指数，所述定制的相容性指数针对所述第一ECP指示特定接触透镜与所述消费者之间的相容性；以及在所述第一设备上呈现指示所述相容性指数的报告。
附图说明
为了更加全面地理解本技术、其特征及其优点，参考结合附图给出的以下说明。
图1是根据一些实施例的用于透镜相容性确定的系统的图。
图2是根据一些实施例的预测引擎的框图。
图3展示了根据一些实施例的确定透镜与患者之间的相容性的过程。
图4A展示了根据一些实施例的示例性输入界面。
图4B展示了根据一些实施例的示例性报告界面。
图4C展示了根据一些实施例的示例性反馈界面。
图4D展示了根据一些实施例的示例性表现界面。
图4E展示了根据一些实施例的另一个示例性表现界面。
图5展示了根据一些实施例的确定眼科护理专业人员的表现度量的过程。
图6A和图6B是根据一些实施例的处理系统的图。
图7是根据一些实施例的多层神经网络的图。
在附图中，具有相同标号的要素具有相同或相似的功能。
具体实施方式
展示本发明的方面、实施例、实施方式或模块的描述和附图不应被视为限制——是权利要求定义了受保护的发明。在不脱离本说明书和权利要求的精神和范围的情况下，可以进行各种机械的、组成的、结构的、电气的和操作上的改变。在某些情况下，未详细示出或描述公知的电路、结构或技术，以免模糊本发明。在两个或更多个图中的相似的数字表示相同或相似的要素。
在本描述中，阐述了描述与本公开一致的一些实施例的具体细节。为了提供对实施例的透彻理解，阐述了许多具体细节。然而，对于本领域技术人员将清楚的是，一些实施例可以在没有一些或所有这些具体细节的情况下实践。本文公开的具体实施例意在说明而非限制。本领域技术人员可以实现尽管在这里没有具体描述但是在本公开的范围和精神内的其他要素。另外，为了避免不必要的重复，与一个实施例相关联示出和描述的一个或多个特征可以结合到其他实施例中，除非另外特别说明或者如果该一个或多个特征会使实施例不起作用。
下面描述的技术涉及使用机器学习来为用户预测一种或多种类型的透镜(例如，一种或多种类型的接触透镜)的相容性的系统和方法。如上面讨论的，特定类型的透镜(例如，用于特定处方、具有特定透镜度数、与特定制造商相关联、具有特定几何形状(诸如曲率)等)对于不同的用户可能会有不同的适合度，并且对于眼科护理专业人员(ECP)来说，确定特定类型的透镜是否很适合患者是一项挑战。这种类型的透镜可以是接触透镜(例如，多焦点接触透镜等)或由患者使用的任何类型的透镜。这样，在一些实施例中，可以提供透镜相容性系统来协助ECP向患者推荐不同类型的透镜和/或开不同类型的透镜处方。在一些实施例中，透镜相容性系统可以在ECP的设备上提供用户界面(例如，图形用户界面(GUI)等)。用户界面可以被配置成接收来自一个或多个ECP的用于确定某种类型的透镜是否与患者相容的相容性请求。相容性请求可以包括患者的属性，诸如年龄、眼睛干涩指数、计算机使用时长和频率、用户偏好(例如，患者佩戴常规眼镜的舒适程度等)、用户使用该类型的透镜的动机、用户的手臂长度(这指示用户的阅读距离)、患者是否有红眼问题、当前处方数据、眼睛测量值(诸如瞳孔直径)等。透镜相容性系统可以使用患者的属性来确定该类型的透镜是否与患者相容。
在一些实施例中，透镜相容性系统可以使用机器学习模型来确定该类型的透镜与患者之间的相容性。例如，机器学习模型可以被配置成基于经由用户界面接收到的患者的属性和其他数据来提供指示患者适合该类型的透镜的可能性的输出(例如，相容性分数)。可以使用先前被开了与该请求相关联类型的透镜处方的患者历史数据来训练机器学习模型。例如，透镜相容性系统可以从各个ECP的设备检索被各个ECP开了该类型的透镜处方的患者的患者记录，这些患者记录包括患者的属性和用户的结果(例如，经由在透镜的预定试用期之后向患者提供的调查等得到)。然后，可以将检索到的患者记录用作机器学习模型的训练数据。机器学习模型可以使用一种或多种技术来实施，诸如神经网络、回归模型或任何其他类型的机器学习算法。
在经由用户界面接收到患者的属性和其他数据之后，透镜相容性系统可以将患者的属性和其他数据提供给机器学习模型作为输入值。基于患者的属性，机器学习模型可以生成指示该患者适合该类型的透镜的可能性的输出。在一些实施例中，机器模型可以生成相容性分数作为输出。相容性分数可以基于患者的属性在量表上表示出该类型的透镜对于患者的相容程度，其中，量表的一端表示非常相容，而量表的另一端表示非常不相容。
透镜相容性系统的不同实施例可以不同地配置机器学习模型，以生成相容性分数来表示对于患者的相容性的不同方面。例如，在一些实施例中，相容性分数可以表示在佩戴透镜时患者的预测舒适度。在另一个实施例中，相容性分数可以表示患者的预测视觉质量。在又另一个实施例中，相容性分数可以表示所预测的要为患者配的透镜的数量和/或所预测的患者所需的复诊的次数。在再另一个实施例中，相容性分数可以表示上述因素的任何组合。
在一些实施例中，透镜相容性系统可以基于机器学习模型生成的输出在ECP设备的界面上提供相容性报告。例如，相容性报告可以指示由机器学习模型生成的相容性分数，该分数指示患者适合该类型的透镜的可能性。由于机器学习模型是预先使用多个ECP(其中可能包括也可能不包括提交请求的ECP)的患者数据进行训练的，提交请求的ECP现在可以不仅基于过去该类型的透镜对于该ECP的患者的适合程度，还基于该类型的透镜对于其他ECP的患者的适合程度来获得其患者的相容性信息。透镜相容性系统访问来自不同ECP的较大样本量的患者的能力意味着患者相容性的准确度得到提高。此外，由于该(提交请求的)ECP仅被提供由透镜相容性系统生成的相容性报告，而没有被提供任何用于训练机器学习模型的患者记录，因此可以保护患者隐私。
在一些实施例中，相容性报告可以包括由机器学习模型生成的相容性分数。然而，ECP可能难以将相容性分数转化为向患者开该类型的透镜处方的实际推荐程度。因此，为了协助ECP进行推荐和/或开处方，一些实施例的透镜相容性系统可以导出相容性分数的附加数据(例如，含义)。例如，透镜相容性系统可以确定多个相容性指数，这些指数表示向患者开该类型的透镜处方的不同推荐程度。在特定但非限制性的示例中，透镜相容性系统可以确定三个不同的相容性指数，分别表示高度推荐、推荐和不推荐。相容性指数可以与不同的、不重叠的相容性分数范围相关联。例如，如果由机器学习模型在1-100的量表上生成相容性分数，则第一范围71-100可以对应于表示高度推荐的第一相容性指数，第二范围41-70可以对应于表示推荐的第二相容性指数，并且第三范围1-40可以对应于表示不推荐的第三相容性指数。在一些实施例中，这些范围可以基于向先前的患者开该类型的透镜处方的具体结果来确定。在一个示例中，透镜相容性系统可以基于被开了具有在第一范围(该范围包括71-100之间的相容性分数)内的相容性分数的类型的透镜处方且没有再需要找ECP进行复诊的患者的预定百分比(例如，90％)来确定第一范围。透镜相容性系统可以基于被开了具有在第二范围(该范围包括41-70之间的相容性分数)内的相容性分数的类型的透镜处方且只需找ECP复诊一次的患者的预定百分比(例如，90％)来确定第二范围。于是，透镜相容性系统可以基于相容性分数落入哪个范围内来确定患者的相容性指数。
因此，在一些实施例中，透镜相容性系统可以在界面上呈现相容性指数作为相容性分数的替代或补充，以协助ECP向患者推荐该类型的透镜和/或开该类型的透镜处方。在一些实施例中，透镜相容性系统可以针对每个ECP使用相同的相容性分数范围来确定相容性指数。然而，不同的ECP在如何向其患者推荐透镜或开透镜处方方面可能具有不同的偏好。在某些情景中，偏好的差异可以归因于ECP所服务的患者的人口统计数据、ECP所位于的地理区域、或ECP自己的个人偏好(例如，他们在给患者开该类型的透镜时的激进/保守程度)。由于机器学习模型是利用不同ECP的患者的历史数据训练的，并且该模型并不区分不同的ECP，所以机器学习模型的输出(例如，相容性分数)可能对所有患者都是通用的，而不是特定于一个ECP的患者。这样，在一些实施例中，透镜相容性系统可以针对不同ECP确定不同相容性指数所对应的不同范围。例如，针对第一ECP，透镜相容性系统可以确定第一相容性指数(例如，高度推荐)对应于81-100的范围，第二相容性指数(例如，推荐)对应于51-80的范围，并且第三相容性指数(例如，推荐)对应于1-50的范围。针对第二ECP，透镜相容性系统可以确定第一相容性指数(例如，高度推荐)对应于61-100的范围，第二相容性指数(例如，推荐)对应于31-60的范围，并且第三相容性指数(例如，推荐)对应于1-30的范围。
可以基于各种因素针对不同的ECP确定不同的范围，这些因素诸如是ECP的地理区域、ECP的患者的人口统计数据、或者相对于其他ECP(例如，ECP的同行)的推荐/开处方表现的ECP的表现。这样，在一些实施例中，透镜相容性系统可以基于多个ECP的推荐/开处方表现确定提交请求的ECP相比于其他ECP的位置所处的位置。例如，透镜相容性系统可以针对每个ECP确定向患者推荐该类型的透镜/开该类型的透镜处方的比率(例如，向寻求老花眼视力矫正的患者开多焦点透镜处方的比率)。透镜相容性系统可以将提交请求的ECP的该比率与其他ECP的该比率进行比较，并且可以基于该比较来调整与相容性指数相关联的范围。在特定且非限制性的示例中，如果透镜相容性系统确定提交请求的ECP与其他ECP相比具有低于平均值的该比率，则透镜相容性系统可以扩大与第一(和/或第二)相容性指数(分别表示高度推荐和推荐)的(多个)范围，反之则缩小范围。
在另一个示例中，透镜相容性系统可以针对每个ECP确定为患者配的透镜的数量和/或其患者(例如，被开了该类型的透镜处方的人，一般地说，被该ECP开了透镜处方的人，等等)复诊的次数(例如，平均次数)。透镜相容性系统可以将与提交请求的ECP相关联的为患者配的透镜的数量和/或复诊的次数同与其他ECP相关联的为患者配的透镜的数量和/或复诊的次数进行比较，并且可以基于该比较来调整与相容性指数相关联的范围。在特定且非限制性的示例中，如果透镜相容性系统确定提交请求的ECP与其他ECP相比为患者配的透镜的数量低于平均值和/或复诊的次数低于平均值，则透镜相容性系统可以扩大与第一(和/或第二)相容性指数(分别表示高度推荐和推荐)相对应的(多个)范围，反之则缩小范围。
在一些实施例中，透镜相容性系统可以包括与不同ECP办公室相关联的一个或多个视觉模拟器或与该视觉模拟器通信地耦接。视觉模拟器可以为患者提供佩戴和/或使用该类型的透镜的模拟。例如，视觉模拟器可以包括可穿戴设备(例如，头戴件、护目镜等)，其为患者提供在一种或多种环境下(例如，白天驾驶、夜间驾驶、阅读、使用诸如计算机、移动设备等电子设备)在使用该类型的透镜时患者可以具有的模拟视觉。在一些实施例中，视觉模拟器可以被配置成基于模拟从患者获得反馈(例如，视觉质量、舒适度等)。例如，视觉模拟器可以被配置成在模拟的各个部分期间(例如，在不同的环境模拟期间)提示患者进行反馈，使得患者能够提供针对所模拟的不同环境的反馈。在一些实施例中，透镜相容性系统可以将机器学习模型配置成除了其他属性之外还从患者接收反馈作为输入，并且基于对视觉模拟的患者反馈以及这些属性来确定针对该患者的输出(例如，相容性分数)。在一些实施例中，视觉模拟器还可以包括一个或多个传感器(例如，相机、心率监测器、湿度传感器等)以在模拟期间检测和/或跟踪与患者相关联的生物特征数据(例如，眼动、眨眼频率、眼睛发红、面部表情(诸如皱眉、眯眼等)、心率、流泪等)，并且可以被配置成将检测到的生物特征数据提供给透镜相容性系统。因此，透镜相容性系统还可以将机器学习模型配置成还接收从视觉模拟器获得的生物特征数据作为输入值，并且基于该生物特征数据以及患者的其他属性来确定输出。
因此，根据本公开内容的各种实施例的透镜选择系统能够向ECP提供可定制的界面，以通过使用与不同ECP相关联的患者的经历来协助ECP向患者推荐某种类型的透镜和/或开某种类型的透镜处方，而不泄露患者的敏感和/或私人数据。
图1展示了根据一些实施例的用于确定透镜相容性的系统100，在该系统内可以实施透镜相容性系统。系统100包括经由网络115与一个或多个诊断训练数据源110耦接的透镜选择平台102。在一些示例中，网络115可以包括一个或多个切换设备、路由器、局域网(例如，以太网)、广域网(例如，互联网)等。每一个诊断训练数据源110可以是可通过ECP实践、眼科诊所、医科大学、电子病历(EMR)存储库等获得的数据库、数据存储库等。每一个诊断训练数据源110可以向透镜选择平台105提供训练数据，训练数据的形式为已经被开了一种或多种类型的透镜处方(例如，多焦点透镜等)的患者的患者记录。每个患者记录可以包括：与该类型的透镜相关联的寻求视力矫正的对应患者(例如，寻求老花眼视力矫正的患者等)的属性(诸如，年龄、眼睛干涩指数、计算机使用的时长和频率、用户偏好(例如，患者使用常规眼镜的舒适程度等)、用户使用该类型的透镜的动机、用户的手臂长度(这指示用户的阅读距离)、患者是否有红眼问题、当前处方数据、眼睛测量值(诸如瞳孔直径等))、以及患者的结果(这可以指示患者是否确实被开了该类型的透镜处方(例如，多焦点接触透镜)，并且如果患者确实被开了该类型的透镜处方，则指示在患者被开了该类型的透镜处方之后的处方的质量(例如，舒适度、视觉质量水平、为患者配的透镜的数量、复诊的次数等))。透镜选择平台102可以将训练数据存储在一个或多个数据库104中，该数据库可以被配置成对训练数据进行匿名化、加密和/或以其他方式进行安全保护。
透镜选择平台102包括预测引擎106，其可以(如下文更详细解释的)处理接收到的训练数据，对训练数据执行原始数据分析，基于患者的属性来训练机器学习算法和/或模型以预测该类型的透镜与患者之间的相容性，并且迭代地细化机器学习以优化用于预测某种类型的透镜与患者之间的相容性的各种模型，从而协助ECP向患者推荐该类型的透镜和/或开该类型的透镜处方。
透镜选择平台102进一步经由网络115耦接到一个或多个ECP设备，诸如ECP设备130、140和150。每个ECP设备都可以与ECP相关联。例如，ECP设备130与ECP 170相关联。如图所示，ECP设备130包括用户界面应用132，其可以是由透镜选择平台102提供的网络浏览器、桌面应用或移动应用。用户界面应用132使得ECP设备130能够与透镜选择平台102交互。ECP设备130还可以包括ECP标识符134，其可以被实施为与ECP 170相关联的标识符、与ECP设备130相关联的设备标识符、或者将ECP 170与其他ECP区分开的任何其他类型的标识符。
在一些实施例中，ECP设备130可以与视觉模拟器160通信地耦接。视觉模拟器160可以包括可穿戴设备(例如，头戴件、护目镜等)并且被配置成为ECP 170的患者提供在一种或多种环境(白天驾驶、夜间驾驶、阅读、使用诸如计算机、移动设备等电子设备)下佩戴和/或使用该类型的透镜的模拟。在一些实施例中，视觉模拟器160还可以包括一个或多个传感器(例如，相机、心率监测器、湿度传感器等)，用于在模拟期间获得患者的生物特征数据(例如，眼动、眨眼频率、眼睛发红、面部表情(诸如皱眉、眯眼等)、心率、流泪等)。尽管图中未示出，但是ECP设备140和150中的每一个也可以包括与ECP设备130类似的模块和/或部件。此外，ECP设备140和150中的每一个也可以耦接到类似于视觉模拟器160的对应的视觉模拟器。
图2展示了根据本公开内容的一些实施例的预测引擎106的框图。预测引擎106通信地耦接到各个ECP设备，诸如ECP设备130、140和150。预测引擎106包括预测管理器202、报告生成模块204、表现评估模块206和模型配置模块208。模型配置模块208可以使用存储在数据库104中的训练数据来训练机器学习模型(诸如透镜相容性模型212)，以基于诸如患者的属性、来自视觉模拟的患者反馈以及在视觉模拟期间获得的生物特征信息等信息来预测某种类型的透镜对于患者的相容性。预测管理器202可以提供要在ECP设备130-150上呈现的用户界面(例如，GUI)。在一些实施例中，ECP(例如，ECP 170)可以使用ECP设备(例如，ECP设备130)以经由用户界面提交相容性请求。例如，当用户界面应用132接收到ECP想要提交相容性请求的指示时，用户界面应用132可以呈现与预测引擎106相关联的输入界面。该输入界面可以包括多个输入字段，这些输入字段使得ECP能够提供与请求相关联的信息(例如，透镜的类型、患者的属性等)。
在一些实施例中，在接收到指示时，预测管理器202还可以配置将与ECP设备相关联的视觉模拟器(例如，视觉模拟器160)配置成基于透镜的类型为患者提供视觉模拟。视觉模拟器160可以在模拟期间获得患者的患者反馈和/或生物特征数据，并且可以向ECP设备130提供该患者反馈和/或生物特征数据。
用户界面应用132然后可以通过网络115向预测引擎106发送与相容性请求相关联的数据，诸如经由输入界面获得的信息、患者反馈以及生物特征数据。在接收到相容性请求和数据(例如，数据240)时，预测管理器202可以使用透镜相容性模型212基于数据240确定该类型的透镜对于患者的相容性。透镜相容性模型212可以基于数据240来生成输出(例如，相容性分数)。使用来自透镜相容性模型212的输出，报告生成模块204可以生成要在用户界面应用132的报告界面上呈现的相容性报告。
ECP可以基于在用户界面应用132上呈现的报告向患者推荐该类型的透镜和/或开该类型的透镜处方。在ECP设备上呈现相容性报告之后，预测管理器可以在用户界面应用132上呈现反馈界面，使得ECP可以提供与向患者开该类型的透镜处方的结果相关的信息。例如，ECP可以在反馈界面上提供患者在使用该类型的透镜持续预定试用期之后的信息，诸如舒适度、视觉质量水平等。ECP还可以提供诸如为患者配的透镜的数量和/或患者在被开了该类型的透镜处方之后复诊的次数等信息。预测管理器202可以经由反馈界面接收与向患者开该类型的透镜处方相关联的反馈信息。预测管理器202可以使用反馈信息和患者的属性来更新(例如，训练)透镜相容性模型212。
预测管理器202可以提供针对不同ECP的患者的相容性报告，并且通过不同的ECP设备(例如，ECP设备130-150)接收对应的反馈数据。一些实施例的预测管理器202可以使用表现评估模块206来评估每个ECP的表现。例如，该表现可以基于向患者开该类型的透镜处方的比率、为患者配的透镜的数量和/或在向患者开该类型的透镜处方之后复诊的次数。在一些实施例中，预测管理器202可以经由用户界面向ECP呈现表现评估报告。此外，报告生成模块204可以基于相对于其他ECP的表现的ECP的表现来调整针对每个ECP的相容性报告的配置(例如，修改与相容性指数相对应的相容性分数范围)。
图3展示了根据本公开内容的一个实施例的用于确定某种类型的透镜对于患者的相容性的过程300。在一些实施例中，过程300可以由透镜选择平台102的预测引擎106来执行。过程300开始于接收(在步骤305处)来自ECP设备的相容性请求，以及获得(在步骤310处)与患者相关联的属性。例如，当预测管理器202经由ECP设备130的用户界面应用132接收到ECP 170想要提交相容性请求的指示时，预测管理器202可以提供要在用户界面应用132上显示的输入界面。输入界面可以包括多个输入字段，这些输入字段使得ECP 170能够提供与相容性请求相关的信息。输入字段可以对应于以下信息，诸如ECP 170想要确定是否向患者推荐和/或开其处方的某种类型的透镜、患者的属性(诸如年龄、眼睛干涩指数、计算机使用时长和频率、用户偏好(例如，患者佩戴常规眼镜的舒适程度等)、用户使用该类型的透镜(例如，多焦点接触透镜等)的动机、用户的手臂长度(这指示用户的阅读距离)、患者是否有红眼问题、当前处方数据、眼睛测量值(诸如瞳孔直径)等)。
图4A展示了根据本公开内容的一个实施例的示例输入界面400。如图所示，输入界面400包括指示ECP 170的身份的输入字段402。该身份可以由与ECP 170相关联的ECP标识符、与ECP设备130相关联的设备标识符、或者可以将ECP 170与其他ECP区分开来、的任何其他类型的标识符来表示。在此示例中，标识符‘1471’显示在输入字段402上。该标识符可以由用户界面从ECP设备130自动检索(例如，存储在ECP设备130上的cookie或注册表等)。输入界面400还包括表示患者年龄的字段404。输入界面400还包括表示当前处方数据的字段406-410，当前处方数据诸如是球镜数据、柱镜数据和透镜度数数据。输入界面400还包括表示患者生活方式数据的字段412-418，生活方式数据诸如是每日数字设备使用、每日计算机使用、患者是否是初次佩戴该类型的透镜(例如，多焦点接触透镜等)、以及优选阅读距离。输入界面400还包括表示患者的生物特征信息的字段420和422，生物特征信息诸如是患者是否有充血、以及明视觉瞳孔直径。ECP 170可以在字段402-422中输入患者的对应信息。
在一些实施例中，由于在向患者推荐该类型的透镜和/或开该类型的透镜处方时，不同的ECP可能会重视患者的某些属性，而不重视患者的其他属性，因此ECP可能从属性集合中选择用于确定该类型的透镜对于患者的相容性的属性子集。预测引擎106可以将每个ECP的偏好数据存储在数据库中，诸如数据库104中。因此，预测引擎106可以根据ECP的偏好(例如，基于ECP标识符)配置针对该ECP的输入界面400。例如，在接收到ECP想要提交相容性请求的指示时，基于ECP(例如，ECP 170)的身份，预测引擎106可以将输入界面400配置成仅呈现与ECP选择的属性子集相对应的输入字段。
在一些实施例中，ECP设备(例如，ECP设备130)可以与ECP的办公室中的一个或多个生物特征仪器通信地耦接。在(ECP 170)使用生物特征仪器来确定患者的生物特征信息(例如，瞳孔直径等)时，该生物特征仪器可以自动向输入界面400提供生物特征信息(例如，预先填充输入界面400上的一些输入字段)，而不需要ECP 170手动将生物特征信息从生物特征仪器转移到输入界面400。ECP 170可以通过选择相容性请求按钮424、使用在输入界面400上提供的信息来提交相容性请求。一旦接收到对相容性请求按钮424的选择，输入界面400就可以自动将从输入字段获得的信息传输到预测引擎106。
在一些实施例中，透镜选择平台102和/或ECP设备(例如，ECP设备130)可以与关联于ECP 170的ECP办公室的视觉模拟器(例如，视觉模拟器160)通信地耦接。视觉模拟器160可以为患者提供佩戴和/或使用该类型的透镜的模拟。例如，视觉模拟器160可以包括可穿戴设备(例如，头戴件、护目镜等)，其为患者提供在一种或多种环境下(例如，白天驾驶、夜间驾驶、阅读、使用诸如计算机、移动设备等电子设备)在使用该类型的透镜时患者可以具有的模拟视觉。在一些实施例中，视觉模拟器160可以被配置成基于模拟从患者获得反馈(例如，视觉质量、舒适度等)。例如，视觉模拟器160可以被配置成在模拟的各个部分期间(例如，在不同的环境模拟期间)提示患者进行反馈，使得患者能够提供针对所模拟的不同环境的反馈。在一些实施例中，模型配置模块208可以将透镜相容性模型212配置成除了其他属性之外还从患者接收反馈作为输入，并且基于对视觉模拟的患者反馈以及这些属性来确定针对该患者的输出(例如，相容性分数)。在一些实施例中，视觉模拟器160还可以包括一个或多个传感器(例如，相机、心率监测器、湿度传感器等)，以检测和/或跟踪与患者相关联的生物特征数据(例如，眼动、眨眼频率、眼睛发红、面部表情(诸如皱眉、眯眼等)、心率、流泪等)，并且可以被配置成将检测到的生物特征数据提供给预测引擎106。因此，模型配置模块208还可以将透镜相容性模型212配置成还接收从视觉模拟器160获得的生物特征数据作为输入值，并且基于该生物特征数据以及患者的其他属性来确定输出。
过程300然后获得(在步骤320处)与ECP相关联的表现度量。例如，表现评估模块206可以基于ECP的表现与其他ECP的表现的比较来生成与ECP相关联的表现度量。图5展示了生成针对ECP的表现度量的过程500。在一些实施例中，过程500可以由预测引擎106的表现评估模块206和/或模型配置模型208来执行。过程500开始于获得(在步骤505处)与不同ECP的患者相关联的患者属性和结果数据。例如，表现评估模块206可以获得从(多个)诊断训练数据源110检索到的患者记录，这些患者记录包含患者的属性和结果。在一些实施例中，每个患者记录可以包括：与该类型的透镜相关联的寻求视力矫正的对应患者(例如，寻求老花眼视力矫正的患者等)的属性(诸如，年龄、眼睛干涩指数、计算机使用的时长和频率、用户偏好(例如，患者使用常规眼镜的舒适程度等)、用户的手臂长度(这指示用户的阅读距离)、患者是否有红眼问题、当前处方数据、眼睛测量值(诸如瞳孔直径等))、以及患者的结果(这可以指示患者是否确实被开了该类型的透镜处方(例如，多焦点接触透镜)，并且如果患者确实被开了该类型的透镜处方，则指示在患者被开了该类型的透镜处方之后的处方的质量(例如，舒适度、视觉质量水平、为患者配的透镜的数量、复诊的次数等))。
在一些实施例中，在预测引擎106向ECP提供推荐(例如，呈相容性分数和/或相容性指数等的形式)之后，预测引擎106可以跟踪患者的进展和/或结果。例如，预测引擎106可以从ECP获得指示ECP是否确实给患者开了该类型的透镜处方的信息，并且如果ECP确实给患者开了该类型的透镜处方，则预测引擎106可以获得结果数据，诸如为患者配的透镜的数量、患者复诊的次数、该类型的透镜对于该患者而言的舒适度、患者在使用该类型的透镜之后的视觉质量(例如，整体视觉质量、远距视觉质量、中间视觉质量等)、在预定时间段(例如，6个月)之后患者是否仍在佩戴该类型的透镜等。预测引擎106可以基于患者的属性和结果数据来更新104。
该过程然后使用(在步骤510处)患者的属性和结果数据来训练机器学习模型。在一些实施例中，预测引擎106可以使用通用机器学习模型(例如，透镜相容性模型212)来确定和/或预测患者与该类型的透镜之间的相容性(例如，将相同的机器学习模型用于为每个ECP执行预测)。因此，模型配置模块208可以基于获得的属性和结果数据来训练通用模型(例如，透镜相容性模型212)。然而，如本文所讨论的，当向患者推荐该类型的透镜和/或开该类型的透镜处方时，不同的ECP可能重视患者的某些属性，而不重视患者的其他属性。一些实施例的预测引擎106可以使得ECP能够从属性集合中选择用于确定该类型的透镜对于患者的相容性的属性子集，从而可以针对ECP定制输入界面400以提示并获得仅对应于所选属性子集的信息。因此，一些实施例的模型配置模块208可以针对ECP配置定制的机器学习模型(例如，其中透镜相容性模型212是定制的模型)，使得针对ECP 170定制的透镜相容性模型212被配置成仅将ECP 170选择的属性子集作为输入数据用来确定和/或预测患者与该类型的透镜之间的相容性。
此外，预测引擎106的不同实施例可以不同地配置透镜相容性模型212，以生成相容性分数来表示对于患者相容性的不同方面。例如，在一些实施例中，相容性分数可以表示在佩戴透镜时患者的预测舒适度。在另一个实施例中，相容性分数可以表示患者的预测视觉质量。在又另一个实施例中，相容性分数可以表示所预测的为患者配的透镜的数量和/或所预测的患者所需的复诊的次数。在再另一个实施例中，相容性分数可以表示上述因素的任何组合。下面将参考图7进一步详细描述训练透镜相容性模型212的过程。
过程500然后确定(在步骤515处)与不同ECP相关联的表现信息。例如，表现评估模块206可以基于所获得的与ECP的患者相关联的属性和结果数据来确定与ECP相关联的表现信息。在一些实施例中，由表现评估模块206确定的表现信息可以包括被开了该类型的透镜处方的患者的比率或百分比。例如，表现评估模块206可以确定在与ECP相关联的与该类型的透镜相关联的寻求视力矫正的患者总数之中被ECP开了该类型的透镜处方的患者的数量。表现评估模块206还可以确定多个比率或百分比，每个比率或百分比对应于特定的推荐(例如，特定的相容性指数)。因此，表现评估模块206可以针对每个相容性指数(例如，对应于高度推荐的相容性指数、对应于推荐的相容性指数、对应于不推荐的相容性指数等)确定被开了该类型的透镜处方的患者(针对其的相容性指数已确定)的比率或百分比。
对于那些被开了该类型的透镜处方的患者，表现信息还可以包括结果数据，该结果数据包括为患者配的透镜的数量、复诊的次数、舒适质量、视觉质量等。然后，该过程(在步骤520处)将特定ECP的表现信息与其他ECP的表现信息进行比较，并且基于该比较(在步骤525处)生成特定ECP的表现度量。例如，表现评估模块206可以将ECP 170的表现信息与其他ECP的表现信息进行比较，并且生成ECP 170的表现度量。在一些实施例中，表现评估模块206可以基于一个或多个标准对ECP进行排名，并且表现度量可以包括ECP 170相对于其他ECP的排名。表现评估模块206还可以针对不同的标准对ECP进行排名。因此，表现评估模块206可以基于被开了该类型的透镜处方的患者的比率来生成ECP的第一排名，可以基于患者的舒适度来生成ECP的第二排名，可以基于患者的视觉质量来生成ECP的第三排名，可以基于为患者配的透镜的数量和/或复诊的次数来生成ECP的第四排名，等等。在一些实施例中，表现信息还可以指示ECP(例如，ECP 170)的表现随时间推移如何变化(例如，改善)。例如，表现信息可以指示在一段时间内ECP 170的患者的舒适质量和/或视觉质量得到改善。表现信息还可以指示在一段时间内ECP 170为患者配的透镜的数量和/或其患者所需复诊的次数减少。
往回参考图3，该过程通过使用机器学习模型来确定(在步骤325处)患者与某种类型的透镜之间的相容性。例如，预测管理器202可以使用透镜相容性模型212(在图5的步骤510处训练的)来确定某种类型的透镜与患者之间的相容性。例如，透镜相容性模型212可以被配置成基于经由用户界面400接收到的患者的属性来提供指示患者适合该类型的透镜的可能性的输出(例如，相容性分数)。
该过程然后针对ECP生成(在步骤330处)指示所确定的相容性的定制的报告，其中，该报告是基于ECP的表现度量定制的。在一些实施例中，预测引擎106的报告生成模块204可以基于由透镜相容性模型212生成的输出而在ECP设备130上显示的界面(例如，报告界面)上提供相容性报告。图4B展示了由报告生成模块204生成的报告界面430的示例性实施方式。在该示例中，报告界面430包括由透镜相容性模型212确定的相容性分数432(例如，90％)。如本文所讨论的，相容性分数432指示患者适合该类型的透镜的可能性。由于透镜相容性模型212是使用多个ECP(其中可能包括也可能不包括提交请求的ECP 170)的患者数据进行训练的(在步骤510处)，提交请求的ECP 170现在可以不仅基于过去该类型的透镜对于该ECP 170的患者的适合程度，还基于该类型的透镜对于其他ECP的患者的适合程度来获得其患者的相容性信息。预测引擎106访问来自不同ECP的较大样本量的患者的能力意味着患者相容性的准确度得到提高。此外，由于ECP 170(其提交了请求)仅被提供由预测引擎106生成的相容性报告，而没有被提供任何用于训练透镜相容性模型212的患者记录(ECP 170无法访问存储在数据库104中的患者记录)，因此可以保护患者隐私。
然而，ECP 170可能难以将相容性分数转化为向患者开该类型的透镜处方的实际推荐程度。因此，为了协助ECP 170进行推荐和/或开处方，一些实施例的预测管理器202可以导出相容性分数的附加数据(例如，含义)。例如，预测管理器202可以确定多个相容性指数，这些指数表示给患者开该类型的透镜处方的不同推荐程度。在特定但非限制性的示例中，预测管理器202可以确定三个不同的相容性指数，分别表示高度推荐、推荐和不推荐。在其他实施例中，可以使用不同的相容性指数来对相容性分数进行分类。相容性指数可以与不同的、不重叠的相容性分数范围相关联。例如，如果由透镜相容性模型212在1-100的量表上生成相容性分数，则第一范围71-100可以对应于表示高度推荐的第一相容性指数，第二范围41-70可以对应于表示推荐的第二相容性指数，并且第三范围1-40可以对应于表示不推荐的第三相容性指数。在一些实施例中，这些范围可以基于ECP向先前的患者开该类型的透镜处方的具体结果来确定。在一个示例中，预测管理器202可以基于被开了具有在第一范围(该范围包括71-100之间的相容性分数)内的相容性分数的类型的透镜处方且没有再需要进行配镜和/或没有再需要找ECP进行复诊的患者的预定百分比(例如，90％或任何其他的预定百分比)来确定第一范围。预测管理器202可以基于被开了具有在第二范围(该范围包括41-70之间的相容性分数)内的相容性分数的类型的透镜处方且只需再进行一次配镜和/或只需找ECP复诊一次的患者的预定百分比(例如，90％或任何其他的预定百分比)来确定第二范围。预测引擎202然后可以基于相容性分数落入哪个范围内来确定患者的相容性指数。
因此，在一些实施例中，报告生成模块204可以将报告界面430配置成在界面上呈现相容性指数作为相容性分数的替代或补充，以协助ECP向患者推荐该类型的透镜和/或开该类型的透镜处方。在一些实施例中，预测引擎106可以针对每个ECP使用相同的相容性分数范围来确定相容性指数。然而，不同的ECP在如何向其患者推荐透镜或开透镜处方方面可能具有不同的偏好。在某些情景中，偏好的差异可以归因于ECP所服务的患者的人口统计数据、ECP所位于的地理区域、或ECP自己的个人偏好(例如，他们在给患者开该类型的透镜时的激进/保守程度)。由于透镜相容性模型212是利用不同ECP的患者的历史数据训练的，并且该模型212并不区分不同的ECP，所以透镜相容性模型212的输出(例如，相容性分数)可能对所有患者都是通用的，而不是特定于一个ECP(例如，ECP 170)的患者。这样，在一些实施例中，预测引擎106可以针对不同ECP确定不同相容性指数所对应的不同范围。例如，针对ECP 170，预测管理器202可以确定第一相容性指数(例如，高度推荐)对应于81-100的范围，第二相容性指数(例如，推荐)对应于51-80的范围，并且第三相容性指数(例如，推荐)对应于1-50的范围。针对第二ECP，透镜相容性系统可以确定第一相容性指数(例如，高度推荐)对应于61-100的范围，第二相容性指数(例如，推荐)对应于31-60的范围，并且第三相容性指数(例如，推荐)对应于1-30的范围。
可以基于各种因素为不同的ECP确定不同的范围，这些因素诸如是ECP的地理区域、ECP的患者的人口统计数据、或者相对于其他ECP(例如，该ECP的同行)的推荐/开处方表现的ECP(例如，ECP 170)的表现。这样，在一些实施例中，预测管理器202可以基于多个ECP的推荐/开处方表现确定提交请求的ECP 170相比于其他ECP的位置的位置。例如，预测管理器202可以使用(在步骤320处确定的)与不同的ECP(包括ECP 170)相关联的表现度量来确定针对不同相容性指数的不同范围。如本文所讨论的，与ECP 170相关联的表现度量可以包括被开了该类型的透镜的患者的比率或百分比、为寻求该类型的透镜的患者配的透镜的数量、被开了该类型的透镜处方的患者复诊的次数、被开了该类型的透镜处方的患者的舒适质量水平、被开了该类型的透镜处方的患者的视觉质量水平、以及本文所述的其他项。表现度量还可以包括基于这些表现度量的ECP 170相对于其他ECP的排名。预测管理器202然后可以基于ECP 170的表现度量和/或排名来确定针对不同相容性指数的不同范围。在特定且非限制性的示例中，如果预测管理器202确定ECP 170与其他ECP相比具有低于平均值的比率(针对表现标准的排名较低)，则预测管理器202可以扩大对应于第一(和/或第二)相容性指数(分别表示高度推荐和推荐)的(多个)范围，反之则缩小范围。在另一个示例中，如果预测管理器202确定ECP 170与其他ECP相比为患者配的透镜的数量更少和/或复诊的次数更少(针对表现标准的排名较低)，则透镜相容性系统可以扩大对应于第一(和/或第二)相容性指数(分别表示高度推荐和推荐)的(多个)范围，反之则缩小范围。
如图4B所示，报告界面430包括针对ECP 170的患者确定的相容性指数的图形表示434。在该示例中，图形表示434以仪表的形式实施，该仪表被分成三个部分436、438和440。部分436-440中的每一个对应于由预测引擎106确定的不同相容性指数。例如，部分436对应于表示“不推荐”推荐程度的第三相容性指数，部分438对应于表示“推荐”推荐程度的第二相容性指数，并且部分440对应于表示“高度推荐”推荐程度的第一相容性指数。由于90％的相容性分数落在对应于第一相容性指数的分数范围(81-100)内，因此图形表示434包括指向仪表的对应于“高度推荐”推荐程度的部分440的指针442。
除了相容性分数和相容性指数之外，一些实施例的报告生成模块204可以将报告界面430配置成包括可以协助ECP 170向患者提供推荐和/或处方的其他分析信息。分析信息可以基于针对不同ECP(其中可以包括或可以不包括ECP 170)的先前患者确定的相容性分数和/或相容性指数来确定。例如，预测管理器202可以确定被分配了第一相容性指数的患者的数量、被分配了第二相容性指数的患者的数量、以及被分配了第三相容性指数的患者的数量。如图4B所示，报告界面430可以被报告生成模块204配置成包括指示患者在三个相容性指数下的分布的表示(例如，图表444)。
在经由报告界面430将相容性报告呈现给ECP 170之后，ECP 170可以基于相容性报告来决定是否向患者推荐该类型的透镜和/或开该类型的透镜处方。在一些实施例中，在向ECP 170提供相容性报告之后，预测管理器202可以生成并且向ECP 170提供反馈界面，以获得关于患者的结果反馈。例如，通过反馈界面，ECP 170可以向预测引擎106指示ECP 170是否向患者推荐了该类型的透镜和/或开了该类型的透镜处方。此外，如果ECP 170指示她已经向患者推荐了该类型的透镜和/或给患者开了该类型的透镜处方，则ECP 170还可以提供表示处方结果的反馈信息。例如，ECP 170可以指示在推荐该类型的透镜和/或开该类型的透镜处方之后实际上为患者配的透镜的数量和/或患者实际上进行的复诊的次数。ECP170还可以指示在使用该类型的透镜时患者的舒适度和视觉质量(例如，通过评估和/或调查)。
图4C展示了根据本公开内容的实施例的反馈界面450的示例性实施方式。如图所示，反馈界面450包括指示患者的身份的输入字段452。当相容性请求经由输入界面400被提交给预测引擎106时，可以为患者生成患者的身份。在此示例中，输入字段452包括患者标识符‘1492’。反馈界面450还包括与为患者配的透镜的数量和/或患者复诊的次数相对应的字段454。反馈界面450还包括表示视觉质量的字段456-462，视觉质量包括远距视觉质量456、近距视觉质量458、中间视觉质量460和整体视觉质量462。此外，反馈界面450还包括表示患者是否打算购买该类型的透镜的字段464。因此，ECP 170可以提供与字段454-464相对应的关于向患者推荐该类型的透镜和/或开该类型的透镜处方的结果的信息。一旦经由反馈界面450从ECP设备130接收到反馈信息，预测引擎106就可以基于(经由输入界面400和视觉模拟器160获得的)患者的属性和(经由反馈界面450获得的)反馈信息来更新数据库106。例如，预测引擎106可以基于患者的属性和反馈信息生成新的患者记录，并且可以将新的患者记录添加到数据库104。在一些实施例中，模型配置模块208可以使用更新的数据库104来训练(或重新训练)透镜相容性模型212，使得可以基于新的病例(例如，新的患者记录)不断地修改和/或更新透镜相容性模型212。在一些实施例中，表现评估模块206也可以使用更新的数据库104，以便确定ECP 170和/或其他ECP的更新的表现度量。
此外，预测管理器202可以向ECP 170提供关于该患者相对于被开了该类型的透镜处方的其他患者的表现信息。图4D展示了表现界面470，该表现界面表示ECP 170的患者相对于被开了该类型的透镜处方的其他患者的表现。例如，表现界面470包括表示患者的整体视觉质量在其他患者当中所处位置的直方图472、表示患者的远距视觉质量在其他患者当中所处位置的直方图474、以及表示患者的中间视觉质量在其他患者当中所处位置的直方图476。表示这些表现标准(或其他表现标准)的其他图形或表示也可以被包括在表现界面470中。
图4E展示了另一个表现界面480的示例性实施方式，该表现界面呈现了可以由预测管理器202提供的关于ECP 170相对于其他ECP的表现信息。如图所示，表现界面480包括表现直方图482，该表现直方图表示在被开了该类型的透镜处方的患者的比率方面ECP 170相对于其他ECP而言所处的位置。表现界面480还包括图表484，该图表表示在一段时间内ECP 170开出的该类型的透镜处方的数量的趋势。
虽然上面的描述内容使用接触透镜、并且更具体地多焦点接触透镜的示例描述了用于确定相容性的过程，但可以设想的是，本文描述的针对ECP确定定制的相容性的过程可以用于确定其他透镜(诸如其他类型的接触透镜等)的相容性。
图6A和图6B是根据一些实施例的处理系统的图。虽然图6A和图46B示出了两个实施例，但是本领域普通技术人员还应容易理解的是，其他系统实施例是可能的。根据一些实施例，图6A和/或图6B的处理系统代表可以包括在以下一者或多者中的计算系统：透镜选择平台102、ECP设备130、140和150、(多个)诊断训练数据源110、视觉模拟器160等。
图6A展示了计算系统600，其中系统600的部件使用总线605彼此电连通。系统600包括处理器610和系统总线605，该系统总线将各个系统部件(包括，呈只读存储器(ROM)620、随机存取存储器(RAM)625等(例如，PROM、EPROM、FLASH-EPROM和/或任何其他存储器芯片或盒)形式的存储器)耦接至处理器610。系统600可以进一步包括与处理器610直接连接、与之紧邻、或集成为其一部分的高速存储器的缓存612。系统600可以通过缓存612来访问存储在ROM 620、RAM 625、和/或一个或多个存储设备630中的数据以供处理器610进行高速访问。在一些示例中，缓存612可以提供性能提升，以避免处理器610从存储器615、ROM 620、RAM 625、和/或该一个或多个存储设备630访问之前存储在缓存612中的数据时的延迟。在一些示例中，该一个或多个存储设备630存储一个或多个软件模块(例如，软件模块632、634、636等)。软件模块462、634和/或636可以控制和/或被配置成控制处理器610执行各种动作，诸如方法300和/或500的过程。并且虽然示出系统600仅具有一个处理器610，但是应理解的是，处理器610可以代表一个或多个中央处理器(CPU)、多核处理器、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、图形处理单元(GPU)、张量处理单元(TPU)等。在一些示例中，系统400可以被实施为独立式子系统、和/或实施为添加至计算设备的板、或实施为虚拟机。
为了使得使用者能够与系统600交互，系统600包括一个或多个通信接口640和/或一个或多个输入/输出(I/O)设备645。在一些示例中，该一个或多个通信接口640可以包括一个或多个网络接口、网络接口卡等，以根据一个或多个网络和/或通信总线标准来提供通信。在一些示例中，该一个或多个通信接口440可以包括用于经由网络(诸如网络115)来与系统600通信的接口。在一些示例中，该一个或多个I/O设备645可以包括一个或多个用户接口设备(例如，键盘、定点/选择设备(例如，鼠标、触摸板、滚轮、轨迹球、触摸屏等)、音频设备(例如，麦克风和/或扬声器)、传感器、致动器、显示设备等)。
该一个或多个存储设备630中的每一个可以包括比如由硬盘、光学介质、固态驱动器等提供的非暂态非易失性存储装置。在一些示例中，该一个或多个存储设备630中的每一个可以与系统600(例如，本地存储设备)位于同一地点、和/或远离系统600(例如，云存储设备)。
图6B展示了基于芯片组架构的计算系统650，该芯片组架构可以用于执行本文描述的任一种方法(例如，方法300和/或510)。系统650可以包括处理器655，其代表能够执行软件、固件和/或其他计算的任何数量的物理和/或逻辑上不同的资源，诸如一个或多个CPU、多核处理器、微处理器、微控制器、DSP、FPGA、ASIC、GPU、TPU等。如图所示，处理器655由一个或多个芯片组660辅助，该芯片组还可以包括一个或多个CPU、多核处理器、微处理器、微控制器、DSP、FPGA、ASIC、GPU、TPU、协处理器、编码器-解码器(CODEC)等。如图所示，该一个或多个芯片组660将处理器655与一个或多个I/O设备665、一个或多个存储设备670、存储器675、桥接器680、和/或一个或多个通信接口690中的一者或多者对接。在一些示例中，该一个或多个I/O设备665、一个或多个存储设备670、存储器、和/或一个或多个通信接口690可以对应于图6A和系统600中类似命名的对应物。
在一些示例中，桥接器680可以提供额外的接口，用于向系统650提供对一个或多个用户接口(UI)部件、比如一个或多个键盘、定点/选择设备(例如，鼠标、触摸板、滚轮、跟踪球、触摸屏等)、音频设备(例如，麦克风和/或扬声器)、显示设备等的访问。根据一些实施例，系统600和/或650可以提供图形用户界面(GUI)，其适合于辅助用户(例如，外科医生和/或其他医务人员)执行方法300和/或500的过程。GUI
图7是根据一些实施例的多层神经网络700的图。在一些实施例中，神经网络700可以代表用于实施预测引擎106所使用的机器学习模型(包括透镜相容性模型212)中的至少一些的神经网络。虽然本文在此示例中展示了用于实施机器学习模型的神经网络700，但也可以使用诸如回归模型等其他机器学习技术来实施这些机器学习模型中的一个或多个。神经网络700使用输入层720来处理输入数据710。在一些示例中，输入数据710可以对应于被提供给该一个或多个模型的输入数据、和/或在用于训练该一个或多个模型的训练过程(例如，过程500的步骤510)期间被提供给该一个或多个模型的训练数据。输入层720包括用于通过缩放、范围限制、和/或类似方式来调节输入数据710的多个神经元。输入层720中的每个神经元生成被馈送至隐藏层731的输入端的输出。隐藏层731包括处理来自输入层720的输出的多个神经元。在一些示例中，隐藏层731中的每个神经元生成输出，所述输出接着被传播经过一个或多个额外的隐藏层(以隐藏层739结束)。隐藏层739包括处理来自前一个隐藏层的输出的多个神经元。隐藏层739的输出被馈送至输出层740。输出层740包括用于通过缩放、范围限制、和/或类似方式来调节来自隐藏层739的输出的一个或多个神经元。应理解的是，神经网络700的架构仅是代表性的，并且其他架构是可能的，包括具有仅一个隐藏层的神经网络、没有输入层和/或输出层的神经网络、具有递归层的神经网络等。
在一些示例中，输入层720、隐藏层731-739、和/或输出层740中的每一者包括一个或多个神经元。在一些示例中，输入层720、隐藏层731-739、和/或输出层740中的每一者可以包括相同数量或不同数量的神经元。在一些示例中，每个神经元将其输入x进行组合(例如，使用可训练加权矩阵W获得的加权和)、加上可选的可训练乖离率b、并且应用激活函数f来生成输出a，如下面的等式1所示。在一些示例中，激活函数f可以是线性激活函数、具有上限和/或下限的激活函数、对数s形(log-sigmoid)函数、双曲正切函数、修正线性单元函数等。在一些示例中，每个神经元可以具有相同或不同的激活函数。
a＝f(Wx+b)…………………………………………等式(1)
在一些示例中，可以使用监督学习来训练神经网络700，其中训练数据的组合包括输入数据和标准真值(ground truth)(例如，预期的)输出数据的组合。神经网络700的使用该输入数据作为输入数据710而生成的输出之间的差异，并将如由神经网络700生成的输出数据750与标准真值输出数据进行比较。然后可以将所生成的输出数据750与标准真值输出数据之间的差异反馈到神经网络700中，以对各个可训练的权重和偏置进行校正。在一些示例中，可以通过使用随机梯度下降算法的反向传播技术等来反馈这些差异。在一些示例中，可以将一大组的训练数据组合多次呈现给神经网络700，直到总损失函数(例如，基于每个训练组合的差异的均方误差)收敛到可接受的水平为止。
根据上述实施例的方法可以实施为存储在非暂态有形机器可读介质上的可执行指令。这些可执行指令在被一个或多个处理器(例如，处理器610和/或处理器655)运行时可以致使该一个或多个处理器执行方法200和/或210的过程中的一个或多个过程。可以包括方法200和/或210的过程的一些常见形式的机器可读介质是例如软磁盘、软盘、硬盘、磁带、任何其他磁性介质、CD-ROM、任何其他光学介质、打孔卡、纸带、任何其他带有孔图案的物理介质、RAM、PROM、EPROM、FLASH-EPROM、任何其他存储芯片或盒、和/或处理器或计算机适合从中读取的任何其他介质。
实施根据这些公开内容的方法的设备可以包括硬件、固件和/或软件，并且可以采用多种形状因子中的任一种。这样的形状因子的典型示例包括膝上型计算机、智能电话、小型个人计算机、个人数字助理等。本文描述的功能的一部分也可以体现在外围设备和/或附加卡中。通过进一步示例，此类功能还可以在单一设备中的不同芯片或在其中执行的不同过程之间、在电路板上实现。
虽然已经示出和描述了展示性实施例，但是在前述公开中设想了各种各样的修改、改变和替换，并且在一些情况下，可以采用实施例的一些特征而不相应地使用其他特征。本领域普通技术人员应认识到许多变型、替代方案和修改。因此，本发明的范围应仅由权利要求来限制，并且恰当的是，应以与本文公开的实施例的范围一致的方式广义地解释权利要求。

Claims (20)

1.一种系统，包括：
非暂态存储器；以及
一个或多个硬件处理器，所述一个或多个硬件处理器与所述非暂态存储器耦接，并且被配置成从所述非暂态存储器读取指令以使所述系统执行操作，所述操作包括：
从与第一眼科护理专业人员ECP相关联的第一设备接收为消费者选择接触透镜的请求，其中，所述请求包括与所述消费者相关联的生物特征信息；
获得与所述第一ECP相关联的表现度量；
使用机器学习模型并且基于所述表现度量来确定定制的相容性指数，所述定制的相容性指数针对所述第一ECP指示特定接触透镜与所述消费者之间的相容性；以及
在所述第一设备上呈现指示所述相容性指数的报告。
2.如权利要求1所述的系统，其中，所述表现度量表示相对于接触透镜和至少与第二ECP相关联的第二消费者之间的相容性的、接触透镜和与所述第一ECP相关联的第一消费者之间的相对相容性。
3.如权利要求1所述的系统，其中，所述确定相容性指数包括：
使用所述机器学习模型，基于所述生物特征信息来生成相容性分数；以及
基于所述相容性分数和与所述第一ECP相关联的所述表现度量，从多个相容性指数中标识针对所述第一ECP的定制的相容性指数。
4.如权利要求3所述的系统，其中，所述多个相容性指数对应于不同的相容性分数范围，其中，所述确定相容性指数进一步包括：
基于所述表现度量调整所述不同的相容性分数范围，以针对所述第一ECP生成定制的相容性分数范围，其中，所述标识进一步基于与所述多个相容性指数相对应的定制的相容性分数范围。
5.如权利要求3所述的系统，其中，所述相容性分数最终表示所述消费者使用所述接触透镜的预测视觉质量。
6.如权利要求5所述的系统，其中，所述预测视觉质量包括预测远距视觉质量、预测近距视觉质量和预测中间视觉质量。
7.如权利要求1所述的系统，其中，所述生物特征信息包括所述消费者的手臂长度。
8.如权利要求1所述的系统，其中，所述报告包括消费者使用所述接触透镜的视觉质量的统计数据。
9.一种方法，包括：
由一个或多个硬件处理器从与第一眼科护理专业人员ECP相关联的第一设备接收确定特定透镜与患者之间的相容性的请求，其中，所述请求包括与所述患者相关联的属性；
由所述一个或多个硬件处理器将与所述第一ECP相关联的表现信息同至少与第二ECP相关联的表现信息进行比较；
由所述一个或多个硬件处理器基于所述比较来确定与所述第一ECP相关联的表现度量；
由所述一个或多个硬件处理器从多个相容性指数中并且基于与所述患者相关联的属性来选择表示所述特定透镜与所述患者之间的相容程度的特定相容性指数，其中，所述相容性指数是至少部分地基于与所述第一ECP相关联的表现度量针对所述第一ECP定制的；以及
由所述一个或多个硬件处理器在所述第一设备上呈现指示所述特定相容性指数的报告。
10.如权利要求9所述的方法，进一步包括向所述患者提供视觉模拟，其中，所述视觉模拟对使用所述特定透镜的视觉进行模拟。
11.如权利要求10所述的方法，进一步包括在向所述患者提供所述视觉模拟的同时获得所述患者的生物特征数据，其中，进一步基于从所述患者获得的生物特征数据来选择所述特定相容性指数。
12.如权利要求9所述的方法，其中，与所述第一ECP相关联的表现信息包括被所述第一ECP开了所述特定透镜处方的患者的视觉质量数据。
13.如权利要求9所述的方法，其中，与所述患者相关联的属性包括以下各项中的至少一项：年龄、眼睛干涩指数、计算机使用频率、所述用户的手臂长度、所述患者的动机、所述患者是否有红眼问题、当前处方数据或眼睛测量数据。
14.一种其上存储有机器可读指令的非暂态机器可读介质，所述机器可读指令能够执行以使机器执行操作，所述操作包括：
从与第一眼科护理专业人员ECP相关联的第一设备接收为消费者选择接触透镜的请求，其中，所述请求包括与所述消费者相关联的生物特征信息；
获得与所述第一ECP相关联的表现度量；
使用机器学习模型并且基于所述表现度量来确定定制的相容性指数，所述定制的相容性指数针对所述第一ECP指示特定接触透镜与所述消费者之间的相容性；以及
在所述第一设备上呈现指示所述相容性指数的报告。
15.如权利要求14所述的非暂态机器可读介质，其中，所述操作进一步包括：
获得使用所述特定接触透镜的患者的视觉质量数据；以及
使用所述生物特征信息和所述视觉质量数据来进一步训练所述机器学习模型。
16.如权利要求14所述的非暂态机器可读介质，其中，所述操作进一步包括：
至少从与第二ECP相关联的第二设备获得与多个消费者相关联的生物特征数据和视觉质量数据；以及
使用所获得的生物特征数据和视觉质量数据来训练所述机器学习模型。
17.如权利要求14所述的非暂态机器可读介质，其中，所述表现度量表示接触透镜和与所述第一ECP相关联的第一消费者之间的相容性与接触透镜和至少与第二ECP相关联的第二消费者之间的相容性之间的比较。
18.如权利要求14所述的非暂态机器可读介质，其中，所述确定相容性指数包括：
使用所述机器学习模型，基于所述生物特征信息来生成相容性分数；以及
基于所述相容性分数和与所述第一ECP相关联的所述表现度量，从多个相容性指数中标识针对所述第一ECP的定制的相容性指数。
19.如权利要求18所述的非暂态机器可读介质，其中，所述多个相容性指数对应于不同的相容性分数范围，其中，所述确定相容性指数进一步包括：
基于所述表现度量调整所述不同的相容性分数范围，以针对所述第一ECP生成定制的相容性分数范围，其中，所述标识进一步基于与所述多个相容性指数相对应的定制的相容性分数范围。
20.如权利要求18所述的非暂态机器可读介质，其中，所述相容性分数表示所述消费者使用所述接触透镜的预测舒适度。
CN202080046027.8A 2019-06-27 2020-06-08 使用机器学习来预测接触透镜相容性的系统和方法 Pending CN114007489A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962867362P 2019-06-27 2019-06-27
US62/867,362 2019-06-27
PCT/IB2020/055389 WO2020261010A1 (en) 2019-06-27 2020-06-08 Systems and methods for using machine learning to predict contact lens compatibility

Publications (1)

Publication Number Publication Date
CN114007489A true CN114007489A (zh) 2022-02-01

Family

ID=71092580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080046027.8A Pending CN114007489A (zh) 2019-06-27 2020-06-08 使用机器学习来预测接触透镜相容性的系统和方法

Country Status (5)

Country Link
US (1) US11944379B2 (zh)
EP (1) EP3990978A1 (zh)
JP (1) JP2022537702A (zh)
CN (1) CN114007489A (zh)
WO (1) WO2020261010A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11587656B2 (en) 2019-12-19 2023-02-21 Alcon Inc. Personalized assistance system for user of vision correction device
KR102648754B1 (ko) * 2022-09-21 2024-03-18 주식회사 인시스 각막 굴절 교정 렌즈 추천 장치, 각막 굴절 교정 렌즈 추천 방법 및 기록 매체에 저장된 프로그램

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7023594B2 (en) * 2000-06-23 2006-04-04 E-Vision, Llc Electro-optic lens with integrated components
WO2003087755A1 (fr) 2002-04-12 2003-10-23 Menicon Co., Ltd. Systeme et procede d'assistance destine a des lentilles de contact
AU2005215056B2 (en) * 2004-02-20 2011-06-09 Essilor International (Compagnie Generale D'optique) System and method for analyzing wavefront aberrations
JP5138123B1 (ja) 2011-12-20 2013-02-06 株式会社メニコン セルフ検眼装置、管理サーバ及びコンタクトレンズ選定システム
US9397769B2 (en) * 2014-11-28 2016-07-19 Qualcomm Incorporated Interference mitigation for positioning reference signals
US20160321691A1 (en) * 2015-04-29 2016-11-03 American Express Travel Related Services Company, Inc. System and method for refreshing targeted emails
US10018854B2 (en) * 2016-06-22 2018-07-10 Indizen Optical Technologies of America, LLC Custom ophthalmic lens design derived from multiple data sources
US10595332B2 (en) * 2016-09-30 2020-03-17 Qualcomm Incorporated Aligning slots allocated to extended cyclic prefix symbols with slots allocated to normal cyclic prefix symbols

Also Published As

Publication number Publication date
EP3990978A1 (en) 2022-05-04
US20200405145A1 (en) 2020-12-31
WO2020261010A1 (en) 2020-12-30
US11944379B2 (en) 2024-04-02
JP2022537702A (ja) 2022-08-29

Similar Documents

Publication Publication Date Title
US20190355271A1 (en) Differentially weighted modifiable prescribed history reporting apparatus, systems, and methods for decision support and health
JP2020126684A (ja) 才能のデータ駆動型識別のシステム及び方法
US7849115B2 (en) Method and apparatus for adapting computer-based systems to end-user profiles
CN111565677A (zh) 用于眼内透镜选择的系统和方法
KR20170042286A (ko) 인재의 데이터 기반 식별을 위한 시스템 및 방법
US11068285B2 (en) Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments
US20210134444A1 (en) Correlating Patient Health Characteristics with Relevant Treating Clinicians
CN102171718A (zh) 用于确定患者遵从药物处方的倾向性的设备和方法
US20180122517A1 (en) Methods and apparatus related to electronic display of a human avatar with display properties particularized to health risks of a patient
Patil et al. A proposed model for lifestyle disease prediction using support vector machine
Holzwarth et al. Towards estimating affective states in Virtual Reality based on behavioral data
Kashyap et al. Objective assessment of cerebellar ataxia: A comprehensive and refined approach
US11944379B2 (en) Systems and methods for using machine learning to predict contact lens compatibility
US20180032674A1 (en) Diagnostic system, diagnostic method, and storage medium
US20210257067A1 (en) State transition prediction device, and device, method, and program for learning predictive model
US20200234829A1 (en) Systems and methods for facilitating response prediction for a condition
WO2020206172A1 (en) Confidence evaluation to measure trust in behavioral health survey results
CN111681765A (zh) 一种医学问答系统的多模型融合方法
Utianski et al. A longitudinal evaluation of speech rate in primary progressive apraxia of speech
US11551817B2 (en) Assessing unreliability of clinical risk prediction
US20210093446A1 (en) Systems and methods for providing a graphical user interface for intraocular lens implantation planning
Sol et al. Acceptance model in designing for extreme users: extreme athletes using activity trackers
US20240120071A1 (en) Quantifying and visualizing changes over time to health and wellness
US20220342956A1 (en) Systems and methods for removing systemic bias
Muller Generation Y students’ wearable activity-tracker usage intentions: model validation

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