CN114078593A - 临床决策支持 - Google Patents
临床决策支持 Download PDFInfo
- Publication number
- CN114078593A CN114078593A CN202110930778.2A CN202110930778A CN114078593A CN 114078593 A CN114078593 A CN 114078593A CN 202110930778 A CN202110930778 A CN 202110930778A CN 114078593 A CN114078593 A CN 114078593A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- probability
- user
- clinical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 117
- 238000009826 distribution Methods 0.000 claims description 67
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 46
- 238000012545 processing Methods 0.000 description 33
- 208000035475 disorder Diseases 0.000 description 27
- 230000007170 pathology Effects 0.000 description 26
- 230000006870 function Effects 0.000 description 20
- 201000010099 disease Diseases 0.000 description 19
- 230000009471 action Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 15
- 238000011282 treatment Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 12
- 230000036541 health Effects 0.000 description 12
- 238000004393 prognosis Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000002059 diagnostic imaging Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000011524 similarity measure Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000001574 biopsy Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 201000009794 Idiopathic Pulmonary Fibrosis Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- IQFVPQOLBLOTPF-HKXUKFGYSA-L congo red Chemical compound [Na+].[Na+].C1=CC=CC2=C(N)C(/N=N/C3=CC=C(C=C3)C3=CC=C(C=C3)/N=N/C3=C(C4=CC=CC=C4C(=C3)S([O-])(=O)=O)N)=CC(S([O-])(=O)=O)=C21 IQFVPQOLBLOTPF-HKXUKFGYSA-L 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 208000036971 interstitial lung disease 2 Diseases 0.000 description 2
- 208000005158 lymphoid interstitial pneumonia Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- OARRHUQTFTUEOS-UHFFFAOYSA-N safranin Chemical compound [Cl-].C=12C=C(N)C(C)=CC2=NC2=CC(C)=C(N)C=C2[N+]=1C1=CC=CC=C1 OARRHUQTFTUEOS-UHFFFAOYSA-N 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 208000035850 clinical syndrome Diseases 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- YQGOJNYOYNNSMM-UHFFFAOYSA-N eosin Chemical compound [Na+].OC(=O)C1=CC=CC=C1C1=C2C=C(Br)C(=O)C(Br)=C2OC2=C(Br)C(O)=C(Br)C=C21 YQGOJNYOYNNSMM-UHFFFAOYSA-N 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000003936 working memory Effects 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
- 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
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了临床决策支持。提供了用于临床决策支持的计算机实现的方法。该方法包括多个步骤。第一步骤涉及接收目标患者的患者数据。另一步骤涉及基于患者数据确定与目标患者相关联的多个潜在的临床结果。又一步骤涉及针对潜在的临床结果中的每一个来计算由患者数据指示的概率。又一步骤涉及基于概率从数据库中存储的预先配置的病症问题的集合中选择一个或更多个病症问题。又一步骤涉及经由用户接口向用户呈现一个或更多个选择的病症问题。又一步骤涉及经由用户接口从用户接收针对一个或更多个选择的病症问题的一个或更多个答案。又一步骤涉及基于答案来调整概率。
Description
技术领域
本发明涉及临床决策支持系统及相关联的方法。
背景技术
患者历程涉及大量的临床决策,这些临床决策中的大量临床决策直接影响患者的健康。临床决策的范围从做出正确的诊断和找到最佳的疗法到在此基础上为患者提供预后。此外,医疗专业人员应该决定进一步的行动,诸如随访、转诊或患者针对临床试验的登记。
所有这些决策都具体取决于患者病例的细节。随着医疗保健提供系统不断地加速和发展,今天的医疗专业人员可以奢侈地访问大量的医学数据。然而,这种丰富的医学数据也是医疗人员的负担,医疗人员可能会因数据过载而不堪重负。为了缓解这种情况,已经开发了临床决策支持系统,该临床决策支持系统被设计成向医师和其他健康专业人员提供针对临床决策制定任务的帮助。典型地,这样的系统依赖于数据的结构化存储和访问,以使用户注意到相关信息、提出建议并影响用户的健康选择以改进医疗保健。
现有系统的一个问题是:现有系统只能处理它们有权访问的数据。如果缺少一条关键信息,则提供给用户的图片可能不完整。这可能导致不适当的建议,不适当的建议可能引起不必要的心理上的和次优的下游诊断和治疗结果。
此外,对于许多临床决策,可能被质疑的结果的数目可能非常多。以根据图像数据得出医学诊断的任务为例,可能存在可以追溯到图像中示出的图案的相当多的可能疾病。因此,临床决策支持系统可以检索到相当大量的可能性,其中每个可能性如果被单独采用则具有低的置信度。如果临床决策系统是对这样的结果进行排序,这就变得甚至更有问题。在此,概率的微小差异可能会打破平衡,从而有利于这样一种结果,这种结果不具有被指出的高可能性或者至少不会比其他不同的结果更有可能。在这样的情况下,自动生成的结果将仍然需要临床医生付出相当大的努力,因为她或他需要追踪类似的病例、询问同事以得到他们的意见等。因此,由诸如此类的临床决策支持系统提供的帮助可能被用户认为是不可靠且是消耗性的。
发明内容
本发明的目的是解决这些问题并提供能够提供改进的临床决策支持的方法和系统。特别地,本发明的目的是提供如下方法和系统,所述方法和系统可以以具有较高置信度和较少不确定性的潜在的临床结果的形式为临床决策提供建议。
通过根据本发明的技术方案中的一个或更多个的用于临床决策支持的方法、相应的系统、相应的计算机程序产品和计算机可读存储介质来实现该目的。替选的实施方式和/或优选的实施方式是本发明的技术方案的主题。
在下文中,关于所要求保护的设备以及关于所要求保护的方法来描述根据本发明的技术解决方案。本文中描述的特征、优点或替选实施方式同样可以被分配给其他要求保护的对象,相反,其他要求保护的对象可以被分配给本文中描述的特征、优点或替选实施方式。换句话说,可以通过关于设备描述或要求保护的特征来改进提出本发明方法的技术方案。在这种情况下,例如,所述方法的功能性特征由设备的目标单元、模块或元件来体现。
根据一个方面,提供了用于临床决策支持的计算机实现的方法。所述方法包括多个步骤。第一步骤涉及接收目标患者的患者数据。另一步骤涉及基于患者数据来确定与目标患者相关联的若干潜在的临床结果。又一步骤涉及针对潜在的临床结果中的每一个来计算由患者数据指示的概率。又一步骤涉及根据概率从数据库中存储的预先配置的病症问题(anamnestic questions)的集合中选择一个或更多个病症问题。又一步骤涉及经由用户接口向用户呈现一个或更多个选择的病症问题。又一步骤涉及经由用户接口从用户接收针对一个或更多个选择的病症问题的一个或更多个答案(或响应)。又一步骤涉及基于答案来调整概率。
换句话说,提供了用于提供针对目标患者的一个或更多个潜在的临床结果的一个或更多个概率的计算机实现的方法。所述方法包括多个步骤。第一步骤涉及接收目标患者的患者数据。又一步骤涉及基于患者数据来确定与目标患者相关联的若干潜在的临床结果。又一步骤涉及针对潜在的临床结果中的每一个来计算由患者数据指示的概率。又一步骤涉及根据概率从数据库中存储的预先配置的病症问题的集合中选择一个或更多个病症问题。又一步骤涉及经由用户接口向用户呈现一个或更多个选择的病症问题。又一步骤涉及经由用户接口从用户接收针对一个或更多个选择的病症问题的一个或更多个答案(或响应)。又一步骤涉及基于答案来调整概率。又一步骤涉及提供经调整的概率。
根据上述方面,目标患者可以被视为当前在用户的考虑中的患者。用户可以是医疗保健专业人员,诸如医师、技术助理、护士、放射科医师、病理学医师等。“考虑中”可能意味着要针对目标患者做出一个或更多个临床决策。根据一些示例,决策可以包括治疗决策或临床诊断。此外,决策可能涉及患者的病例的预后或涉及进一步行动,诸如转诊(referrals)或临床试验的登记。
临床决策应当基于患者数据而做出。通常,患者数据包括可能有助于做出适当的临床决策的潜在任务的任何信息。这样,患者数据可以包括目标患者的个人详细资料(诸如年龄、性别、习惯、保险详情等)。此外,患者数据可以包括目标患者的例如以电子医疗记录(EMR)形式的健康记录。此外,患者数据可以包括来自先前检查的电子报告,所述电子报告包括一个或更多个先前的发现、预后(prognoses)、采取的行动和其他临床决策。此外,患者数据可以包括在一次或更多次医学检查中测量的数据,所述测量的数据可以包括非图像数据和图像数据。非图像数据可以是实验室数据,诸如从活检样本获得的基因序列、血液值、心血管值等。图像数据可以是放射图像数据。放射图像数据可以涉及在空间上提供两个维度的二维图像数据。此外,放射图像数据可以涉及在空间上提供三个维度的三维图像数据。通常,在放射图像数据包含患者的身体部分的二维图像数据或三维图像数据的意义上,放射图像数据描绘了患者的身体部分。放射图像数据例如可以是像素阵列或体素阵列的形式。这样的像素阵列或体素阵列可以表示作为三维位置的函数的强度、吸收或其他参数,并且可以例如通过适当地处理通过医学成像模态获得的测量信号来获得这样的像素阵列或体素阵列。医学成像模态对应于用于生成或产生医学图像的系统。例如,医学成像模态可以是计算机断层扫描系统(CT系统)、磁共振系统(MR系统)、血管造影(或C-臂X-射线)系统、正电子发射断层扫描系统(PET系统)等。除了放射图像数据之外,患者数据还可以包括数字病理图像数据,诸如利用数字病理载玻片扫描仪(slide scanner)获取的组织病理学图像。组织病理学图像可能涉及来自目标患者的活检样本的切片,已经利用一种或更多种色素对该切片进行了染色。组织病理学中最常用的染色剂是苏木精(hematoxylin)与伊红(eosin)的组合(通常缩写为H&E)。用于对组织切片着色的其他化合物包括藏红(safranin)、油红O(Oil Red O)、刚果红(congo red)、银盐和人工染料。最近,抗体也被用于特别地标识数字病理图像中的细胞的类别。
可以从包括一个或更多个数据库和服务器的医疗保健信息系统接收患者数据。医疗保健信息系统可以是医疗保健组织的场所内的本地系统。此外,医疗保健信息系统可以是基于云的。医疗保健信息系统可以包括一个或更多个标准化组件,诸如图片存档和通信系统(PACS)、放射信息系统(RIS)、实验室信息系统(LIS)、医院信息系统(HIS)或电子医疗记录系统(EMR)。可以根据DICOM格式对患者数据中包括的图像数据进行格式化。DICOM(=医学中的数字成像和通信)是医疗保健信息学中医学成像信息和相关数据的通信和管理的开放标准。DICOM可以用于存储和传输医学图像及相关联的信息,使得能够集成诸如扫描仪的医学成像设备、服务器、工作站、打印机、网络硬件以及图像存档和通信系统(PACS)。DICOM被临床团体、医院广泛采用以及用于如医生的办公室或诊所的较小应用。DICOM数据对象包括若干属性,所述属性包括诸如患者的姓名、ID等的项,并且所述属性还包括包含图像像素数据和从图像数据提取的元数据的特殊属性。为了描述数据格式和交换电子健康记录,可以依赖相应的标准,诸如HL7 FHIR标准。此外,除了指定的数据库之外,医疗保健信息系统可以直接涉及医学成像模态,诸如放射学和/或病理学成像系统。
应用的框架中的“接收”可能意味着从医疗保健信息系统获取患者数据。也就是说,可以从医学成像模态或从适当的数据库诸如上述图片存档和通信系统(PACS)或任何其他合适的医学图像存储设施中直接获取患者数据。因此,可以例如基于目标患者的ID或其他合适的标识符来单独查询医疗保健信息系统的资源。此外,协同查询可以被发送到医疗保健信息系统,该医疗保健信息系统可以被配置成内部地管理这样的数据请求。
基于接收到的患者数据,确定若干潜在的临床结果。临床结果可以被认为是可以从患者数据得出的医疗结果、陈述、断言或结论。照此,任何临床结果都可以被视为有助于临床决策。因此,临床结果的自动确定有助于临床决策制定,并帮助用户根据患者数据得出正确结论。因此,潜在的临床结果可以被视为基于患者数据而被讨论的结果的选择。根据一些示例,潜在的临床结果分别指示疾病名称。
基于患者数据来确定临床结果可能涉及从患者数据中提取信息。然后,该信息可以与临床指南cockpits、电子教科书(诸如Thieme eRef)或决策树进行比较,或者与临床本体进行匹配。提取信息可以包括将一个或更多个经训练的函数应用于患者数据,所述一个或更多个经训练的函数被训练成标识患者数据中的相关信息片段。例如,基于自然语言处理(NLP)训练的算法可以被用于挖掘患者数据中包括的用于先前诊断的电子报告——这些在重新检查病例时自然被讨论。此外,从患者数据中提取的信息可以与分布数据进行比较,所述分布数据表示患者群体相对于给定样本空间的一个或更多个临床结果的分布。
除了仅仅提及潜在的临床结果之外,所述方法还预见到基于患者数据提供关于它们各自实际归因于目标患者的可能性或置信度的指示。为此,最后针对每个临床结果来计算概率,该概率是给定临床结果由患者数据指示的可能性的度量。与临床结果本身的确定一样,相应的概率的计算基于患者数据。具体地,可以从患者数据中提取相关信息,并且可以将相关信息与临床指南、cockpits、电子教科书、临床决策树、临床本体或前述分布数据进行比较或匹配。在这点上,上述经训练的函数可以被配置(训练)成:如果上述经训练的函数被应用于患者数据,则上述经训练的函数提供概率作为又一输出。
通常,经训练的函数可以被视为:将输入数据映射到输出数据,从而实现某个学习任务(在这种情况下:根据患者数据来确定潜在的临床结果的集合并估计相应的概率)。输入与输出之间的关系可以由经训练的函数中嵌入的一个或更多个(通常:过多)参数来管控。可以在训练期间根据经训练的函数将必须实现的任务来学习(调整)参数的值。经训练的函数的其他术语可以是经训练的映射规范、具有经训练的参数的映射规范、具有经训练的参数的函数、经训练的机器学习模型、基于人工智能的算法或机器学习算法。应用经训练的函数可能意味着将患者数据输入到经训练的函数中。
一旦针对目标患者的病例确定了潜在的临床结果和相关联的概率,该信息就被用于选择要向用户示出的若干病症问题。基于概率以及可选地基于临床结果和/或患者数据,对要做出临床决策的病例专门地定制选择的病症问题。本发明的构思是:选择(一个或多个)病症问题,使得相应的答案将阐明检索到的潜在的临床结果中的哪些潜在的临床结果对于目标患者是相关的以及哪些潜在的临床结果是不太重要的。因此,选择的病症问题被选择成使得针对这些问题的答案将影响概率。因此,病症问题可能涉及不包含在患者数据中或不能直接从患者数据得出的任何信息。因此,病症问题可能请求目标患者的另外的个人信息、风险因素、病史等。根据一些示例,仅选择一个病症问题,该病症问题将是对概率具有最大影响的一个病症问题(或该病症问题将最大地减少不确定性)。根据其他示例,选择多于一个的病症问题。
根据一些示例,从数据库中存储的预先配置的病症问题的集合中自动挑选(一个或多个)病症问题。预先配置的版本可以以电子格式(诸如以文本串的形式)被存储在数据库中。数据库(在下文中也被称为“查询数据库”)可以是本地数据库,诸如运行执行根据以上方面的方法步骤的程序的计算系统的非易失性存储器。此外,数据库可以是云中的在线数据库或者位于本地服务器上。根据一些示例,预先配置可能意味着数据库中的病症问题的集合是预先生成的。换句话说,病症问题的集合可以被视为问题的概要,该概要因此独立于目前审查的个别情况。可以通过对常见症状、实验室结果或来自关于特定疾病的报告的发现进行统计分析来实现病症问题的集合的生成过程。另外,获得专家意见以收集问题是另一可行的选择。另一选择是查阅教科书和/或临床指南或cockpits。因此,根据一些示例,已经根据经验得出了预先配置的病症问题的集合。
在选择若干病症问题的情况下“基于概率”或“根据概率”可能意味着计算出的概率的分布以及针对选择的病症问题的假设答案对该分布的预计影响被分析。为此,可以评估概率的分布的一个或更多个统计特性以及它们随着通过答案获得的知识而预期的假设变化。这些统计特性可以是熵、方差、偏度、峰度等中的至少一个。本身来讲,为了找到要询问的正确的病症问题,也可以考虑患者数据和/或临床结果本身。特别地,可以考虑其中一个病症问题或其他病症问题已经被记录为对缩小潜在的临床结果的集合的范围有用的先前病例或类似病例。除此之外或者作为替选,可以考虑可能提出某些问题以便验证或排除某些临床结果的在线教科书、临床指南或cockpits。
一旦选择了一个或更多个合适的病症问题,就经由用户接口将所述一个或更多个合适的病症问题呈现给用户。根据一些示例,可能仅呈现最相关的问题。根据其他示例,可以呈现所选择的问题的子集或全部。用户接口可以是在其中显示问题的图形用户界面。因此,如果选择了多于一个的病症问题,则可以每次呈现一个问题或者同时呈现问题。此外,可以使用文本-语音接口经由扬声器向用户朗读病症问题。
用户接口还可以被配置成收集用户对病症问题的答案。例如,用户可以例如通过以下操作在图形用户界面中输入他的答案:激活与所显示的病症问题相关联的复选框或者使用例如键盘或触敏屏幕输入书面文本。此外或作为替选,用户可以经由语音识别模块提供他的答案,该语音识别模块将口头答案转换成适合于由所述方法进一步处理的信息。
最后,在下一个步骤中,由用户提供的答案被评估并且被用于调整由患者数据指示相应的临床结果的概率。例如,由病症问题的答案提供的某些信息可能致使特定的临床结果相当更有可能,而其他临床结果则变得不那么相关。因此,概率的调整反映了通过病症问题获得的信息,并有助于使目标患者的病例的临床图片锐化——这改进了针对用户制定的临床决策的基础。
可以例如经由以上用户接口例如以用户接口上显示的图形用户界面的形式向用户提供经调整的概率。可以直接或间接显示概率。直接可能意味着示出概率本身。间接可能意味着经调整的概率被用于得出适当的图形表示,诸如相关联的临床结果的排序。在这个背景下,进一步的“提供”可能意味着将经调整的概率存档在适当的数据库中以供以后使用或者将经调整的概率存储在系统的工作存储器中。此外或作为替选,“提供经调整的概率”可能意味着使经调整的概率能够用于用户或针对经调整的概率的利用的任何后续方法步骤/计算机实现的模块。
上面介绍的方法步骤协同地有助于如下方法,所述方法促进针对用户的高效且鲁棒的临床决策支持。所述方法不仅自动地检索目标患者的病例的可能的临床结果,还提供进一步缩小潜在的临床结果的范围的概念。这通过自动地选择信息性问题并向用户(即,要针对目标患者做出临床决策的临床医生/医师/技术人员)询问信息性问题来实现。从用户的答案中获得的信息被用于依次增加结果的置信度并排除有差异的结果。因此,所述方法服务于由处理患者数据(其可以包括生理测量)的自动化系统或方法提供临床结果(其可以是例如医学诊断)的技术目的。这借助于持续的和/或引导的人机交互过程来实现,该人机交互过程涉及自动选择的问题和处理用户的答案。因此,所述方法的结果既不是静态的,也不是预先确定的。而是,所述方法的结果适合于目标患者的病例和用户的输入。因此,所述方法能够提供更准确且可靠的结果,以便在提供临床决策方面更好地支持用户。
综上所述,换句话说,所述方法首先标识目标患者的可能的临床结果(根据一些示例,可能的临床结果可以是疾病候选)。为此,所述方法使用与目标患者相关联的可用的患者数据。然后,所述方法根据所标识的临床结果来计算病症问题的集合的预测信息增益。然后,所述方法通过语音或视觉接口向用户询问(一个或多个)最具信息性的病症问题。如果答案是信息性的,则所述方法根据(一个或多个)答案对潜在的临床结果重新排序。在重新排序之后,不太可能的临床结果中的一些可能被消除。
根据实施方式,患者数据包括:描绘目标患者的身体部分的放射图像数据;以及/或者描绘从目标患者取得的样本的至少一部分的病理图像数据;以及/或者目标患者的非图像患者数据。
利用以上数据集,可以提供目标患者的医疗保健数据的整体图片。于是,可以确保充分地考虑了所有可用信息。病理图像数据可以涉及通过活检规程提取的样本。特别地,病理图像可以包括一个或更多个组织病理学图像。此外,病理图像数据可以涉及示出了所提取的肿瘤组织或目标患者的整个身体部分的照片的宏观病理图像。可以利用上述成像模态诸如MR系统、CT系统、PET系统或X射线系统等来获取放射图像数据。非图像数据可以包括实验室数据、个人患者信息、目标患者的电子医疗记录、结构化或非结构化医疗报告、数字转诊信等。
根据实施方式,临床结果各自包括一个或更多个陈述,所述一个或更多个陈述与以下相关:对目标患者进行诊断以及/或者针对目标患者做出治疗决策以及/或者针对目标患者的健康状态做出预测以及/或者针对目标患者定义进一步的行动。
换句话说,临床结果是能够从能够用于目标患者的总体信息中得出的(可执行的)结果。该信息可以包括患者数据本身,也可以包括关于类似病例、教科书知识、在线资源、临床指南和cockpits等的信息。因此,临床结果可以是能够从患者的病例得出的提议。特别地,临床结果可以包括诊断(例如,以一个或更多个疾病名称的形式)、医疗异常的概念、建议的治疗、预测的治疗反应、针对目标患者的一个或更多个临床试验的建议、目标患者的针对一个或更多个临床试验的资格、向一个或更多个专科医师转诊的建议、目标患者的健康轨迹的预后(根据不同的治疗,视情况而定)、进一步检查的建议等。因此,临床结果可以被视为由用户针对目标患者做出的一个或更多个临床决策的贡献因素。通过自动地提供如以上介绍的相关临床结果的选择,临床观察与健康知识自动地链接,以促进更有效且完整的临床决策制定过程。
根据实施方式,在选择的步骤中,根据一个或更多个问题各自对概率的预测影响来选择所述一个或更多个问题。
这意味着病症问题不是被任意选择的,而是根据病症问题对已标识的临床结果的概率的分布的影响而特别选择的。因此,仅向用户呈现(一个或多个)相关的病症问题。该上下文中的“相关”可能与如下病症问题有关,所述病症问题比其他病症问题更能减少不确定性(如通过概率的分布所表达的)。因此,病症问题的选择可以被用户认为是特别富有成效的,这缩短了决策制定过程并增加了对辅助方法的接受。
根据实施方式,在选择的步骤中,从病症问题的集合中选择对概率具有最高预测影响的(当前的,即,基于当前概率)病症问题。
因此,用户的注意力仅集中在一个高度相关的问题上,这进一步减轻了用户的负担,并且可以使所述方法更加用户友好。
根据实施方式,在选择的步骤中,基于概率的分布——特别是基于概率的分布的一个或更多个统计特性——来选择一个或更多个病症问题。
统计特性可以是分布的可量化特性。统计特性可以是熵、偏度、方差等。使选择至少部分地基于概率的分布的统计特性具有如下优点:可以在不考虑诸如类似病例或临床指南的另外的知识的情况下基于概率进行选择。
根据实施方式,在选择的步骤中,基于概率根据各个病症问题的样本空间的预测变化来选择一个或更多个病症问题。
病症问题的样本空间由病症问题的可能的答案来限定。如果病症问题与目标患者的性别有关,则答案可能是男性、女性或不同的。因此,样本空间将跨越男性、女性和不同的。如果答案是男性,则概率可能受到不同于女性目标患者或不同的目标患者的影响,这反映在潜在的概率的分布的统计特性中。根据一些示例,可以通过评估概率的分布的一个或更多个统计特性(诸如熵、方差、偏度等)或其变化来方便地量化概率的变化。因此,可以通过适当的度量——例如通过计算平均值或通过使用最大函数——将回答病症问题的不同可能性作为因素考虑。
根据实施方式,预测影响被定义为与每个病症问题相关联的预测信息增益,其中,特别地,针对若干病症问题中的问题Q的预测信息增益由下式给出:
MAX(P(是)[H(PD|TPD)–H(PD|TPD,Q=是)],P(否)[H(PD|TPD)–H(PD|TPD,Q=否)])
其中:
H(PD|TPD)是计算出的患者数据TPD的概率的概率分布PD的初始熵H;
H(PD|TPD,Q=是)是假设问题Q的答案为“是”时的概率分布PD的熵H;
H(PD|TPD,Q=否)是假设问题Q的答案为“否”时的概率分布PD的熵H;
p(是)是用“是”回答问题Q的概率;以及
p(否)是用“否”回答问题Q的概率。
根据以上实施方式,熵被用作概率的分布的统计特性,最大函数被用作对问题Q的可能的答案进行加权的度量。于是,可以定义标识相关病症问题的可靠且可再现的方式。
根据实施方式,选择一个或更多个病症问题的步骤基于表示患者群体中潜在的临床结果中的一个或更多个的一个或更多个分布的分布数据。因此,分布数据可选地表示患者群体中潜在的临床结果中的一个或更多个根据来自病症问题的集合的一个或更多个病症问题的一个或更多个样本空间的一个或更多个分布。利用分布数据,可以促进针对性地选择适当的病症问题。例如,如果分布数据指示某个临床结果对于特定的年龄窗是普遍的,那么对目标患者的年龄的了解将有助于验证或排除临床结果。因此,询问目标患者的年龄可能是相关的病症问题。
根据实施方式,选择的步骤基于先前目标患者的病症问题的选择频率。
于是,已被证明对先前病例特别有用的病症问题可以被记录并且在未来的选择中受到青睐。
根据实施方式,选择的步骤基于适用于目标患者的一个或更多个临床指南。
临床指南可以根据病例的独特性来限定具体的行动方案。可以通过决策树遵循该行动方案,决策树的节点与关于目标患者的临床结果和/或病症问题相关联。使选择基于一个或更多个临床指南可能意味着从临床指南中自动地提取病症问题,以便在与所提取的病症问题相关联的临床工作流中推进。因此,使用临床指南来选择适当的问题可能有助于将所述方法无缝集成到现有的临床工作流中。
根据实施方式,所述方法还包括以下步骤:挖掘患者数据和/或与目标患者相关联的另外的数据源,以用于在将所选择的病症问题中的一个或更多个呈现给用户之前找到所选择的病症问题中的一个或更多个的答案。
换句话说,能够用于目标患者的信息被自动地搜索以得到所选择的病症问题的答案。这可以减少向用户实际询问所选择的问题的需要,这可以使所述方法更快且更加用户友好。
根据实施方式,所述方法还包括以下步骤:将用户的答案中包括的信息存储在目标患者的患者数据中。
记录用户的答案以供随后使用同样可以提高所述方法的用户友好性和效率,原因是这可以防止反复询问相同的问题。
根据实施方式,调整概率的步骤基于如下分布数据,所述分布数据表示患者群体中潜在的临床结果中的一个或更多个可选地根据来自病症问题的集合的一个或更多个病症问题的一个或更多个样本空间的一个或更多个分布。
特别地,调整概率可能意味着根据从用户的(一个或多个)答案中收集的知识增益以分布数据对目标患者进行排序。例如,如果问题“目标患者是吸烟者”的答案是肯定的,则与如果答案是否定的相比,这可以将目标患者置于分布数据中的不同点处。因此,临床结果中的一些可能变得更有可能,而其他临床结果保持不受影响或变得不太可能。在这点上,分布数据(其可以根据经验被收集)可以提供如何根据用户的(一个或多个)答案来调整概率的客观度量。
根据实施方式,每个潜在的临床结果与多个类别(其可以是临床决策制定的类别)中的至少一个相关联。同样,病症问题的集合中的每个病症问题与多个类别中的至少一个相关联。然后,在选择的步骤中,仅考虑选择如下这样的问题,所述问题的至少一个相关联的类别与潜在的临床结果的类别中的至少一个相匹配。
根据临床结果的类别对病症问题进行分类可以带来以下优点:病症问题可以被有效地预先选择。根据一些示例,类别可以包括诊断、治疗、预后或进一步的行动。如果潜在的临床结果与某个类别有关,则只考虑根据类别相关的这样的问题。不考虑选择此时不相关的问题。以“诊断”作为临床结果的类别的示例,与未来的治疗副作用或健康保险相关的问题可能不具有优先权。然而,如果临床结果的类别与目标患者对临床试验的资格相关,则情况可能会非常不同。因此,将临床结果和病症问题分类为多个预先配置的类别可能对快速地选择用于阐明病例的最小的病症问题的集合有用。
可以使用将特定的临床结果映射到上级类别的适当的本体(ontology)来执行一个或更多个类别的关联。在这个意义上,所述方法还可以包括以下步骤:定义多个类别并将潜在的临床结果和/或病症问题与多个类别中的一个或更多个相关联。
根据实施方式,多个类别中的至少一个类别能够由用户经由用户接口选择为类别选择,并且所述方法包括从用户接口接收用户的类别选择。因此,在确定的步骤中,仅将如下这样的临床结果考虑为潜在的临床结果,所述这样的临床结果的相关联的类别与用户的类别选择相匹配。
通常,对于患者病例,必须作出若干不同的临床决策,这些临床决策被用在不同的方向,因此可能需要不同的考虑。在大多数情况下,用户只对一次做出一个特定的临床决策感兴趣。其他的临床决策可能与特定用户不相关或者在临床决策制定过程的更下游变得相关。例如,病理学家通常会设法基于组织病理学图像来提供诊断。他在大多数情况下将不会对目标患者的进一步治疗做出决定。因此,针对决策制定任务引入类别并使这些类别能够由用户选择可以提供更具体的结果。
根据实施方式,以下步骤被重复直到潜在的临床结果中的至少一个具有高于第一预定阈值的概率为止:选择一个或更多个病症问题,向用户呈现一个或更多个选择的病症问题,接收一个或更多个答案以及基于答案来调整概率。
换句话说,询问病症问题的过程被重复,直到临床结果中的至少一个具有足够的置信度水平。阈值可以由用户自动地或手动地设置。
根据实施方式,所述方法还包括:根据潜在的临床结果各自的概率来建立所述潜在的临床结果的排序,并且基于该排序经由用户接口显示潜在的临床结果。
特别地,基于排序“显示临床结果”可能意味着该显示包括对用户的呈现,该呈现被配置成使得排序可以被用户感知。这具有如下技术效果:临床结果的相关性可以被用户立即访问,使得用户可以在临床决策制定过程中使用该信息。存在可以“如何”将该信息传达给用户的多种可能性。例如,可以根据相关联的概率在对潜在的临床结果进行排序的列表中从上到下布置潜在的临床结果。另一种可能性将是在用户接口中直接指示概率值。作为又一种可能性,可以利用指示其排序的数字来显示潜在的临床结果。例如,可以利用数字“1”来表示最相关的潜在的临床结果(即,具有最高概率的潜在的临床结果),可以利用数字“2”来表示下一个相关的潜在的临床结果等。另一种选择涉及使用颜色编码,从颜色编码可以得出概率。
在所述方法的每次迭代之后,可以根据经调整的概率对潜在的临床结果重新排序,并且可以相应地更新呈现。
根据实施方式,所述方法还包括:检索与临床结果相关联的辅助信息,并且经由用户接口将辅助信息连同相应的潜在的临床结果一起显示。
辅助信息可以包括:取自在线教科书或指南的教科书知识、与相似病例相关的相似病例信息、表示患者群体中潜在的临床结果根据样本空间的分布的分布数据、到在线教科书或cockpits的链接、不同的临床结果、与专科临床医生的联系信息等。对于每个潜在的临床结果,辅助信息可以被专门地编制,使得根据基础的潜在的临床结果来调整所呈现的数据。于是,向用户提供使决策制定过程更加透明且易于说明的相关的另外的信息。这使得用户能够更好地决定是否接受由所述方法提供的结果。
根据一些示例,显示可以被配置成使得任何辅助信息能够可视地分配给相关联的临床结果。例如,可以根据相应的临床结果对辅助信息可视地分组。作为示例,每个临床结果可以设置有框,在该框中示出了相关联的辅助信息。
根据实施方式,确定若干潜在的临床结果的步骤包括:从与目标患者不同的参考患者的集合中并使用患者数据来标识若干相似的患者,其中,每个相似的患者与目标患者具有一定程度的相似性并且与至少一个已知的临床结果相关联;以及根据检索到的相似的患者数据集的已知临床结果来编制潜在的临床结果。
换句话说,基于相似患者的经验证的临床结果来确定目标患者的潜在的临床结果。这可能有助于减少所述方法的收敛时间,并且利用问题和答案的更少的迭代产生更好的结果。
根据实施方式,所述方法还可以包括提供参考患者的集合(用于相似患者搜索)的步骤。“提供”可以是提供存储参考患者的数据集(在下文中也被称为参考患者数据集)的数据库的形式。参考患者数据集通常可以具有与目标患者的患者数据相同的形式。特别地,参考患者数据集可以包括图像患者数据和非图像患者数据。
在与目标患者具有一定程度的相似性的参考患者之中标识相似的患者可以基于涉及目标患者的患者数据与参考患者数据集的比较。具体地,根据实施方式,检索若干相似的患者的步骤可以包括:根据目标患者的患者数据来计算数据描述符;针对参考患者的集合中的每个参考患者接收相应的数据描述符;针对每个参考患者确定表示目标患者的数据描述符与参考患者的数据描述符之间的相似性程度的相似性度量;以及基于一个或更多个参考患者各自的相似性度量来选择所述一个或更多个参考患者作为相似的患者。
可以在相似的患者搜索时在线计算相应的数据描述符,或者可以将相应的数据描述符作为预先生成的数据项存储在数据库中而使其保持可用。特别地,如果目标患者的患者数据和参考患者数据集包括图像数据,则数据描述符可以包括图像特征向量。对于考虑之中的每个参考患者,相似性度量可以表示参考病例与目标患者有多相似。在一些示例中,相似性度量可以是目标患者的数据描述符与参考患者的数据描述符之间的向量空间中的距离。在其他示例中,可以使用另外的相似性度量,诸如数据描述符之间的余弦相似性。根据一些实施方式,可以由一个或更多个经训练的函数来执行根据基础的患者数据计算数据描述符以及/或者整体上标识相似的患者。
根据实施方式,针对潜在的临床结果中的每一个计算由患者数据指示的概率的步骤基于相似性程度。
根据该实施方式,相似病例搜索的结果被双重使用。一方面首先确定潜在的临床结果,另一方面估计潜在的临床结果被患者数据指示的相关联的概率。在这方面,发明人已经认识到,两个患者之间的相似性越高,(一个或多个)相似的患者的经验证的临床结果也适用于目标患者的可能性就越高。利用该原理,可以提供所述方法的更好的起始点,这可以提高所述方法的准确性和感知到的可靠性。
根据实施方式,所述方法还包括以下步骤:针对相似的患者中的全部或一部分,经由用户接口向用户显示数据项(与相应的相似的患者相关)。
根据一些示例,数据项可以涉及参考患者数据集中包括的对象,这些对象与目标患者的患者数据中的相应对象具有高的相似性。这些数据项可以包括:相似的患者的个人信息、分布数据、相似的患者的医疗保健状况等。特别地,数据项可以涉及医学图像数据并且包括放射图像或数字病理图像。
根据实施方式,数据项被显示为使得它们在视觉上能够被分配给相应的潜在的临床结果。例如,数据项可以在显示时根据相应的临床结果被可视地分组。
根据实施方式,所述方法还包括:根据潜在的临床结果各自的概率来建立所述潜在的临床结果的排序,并基于该排序来显示数据项。
特别地,“基于排序显示”可能意味着可视化被配置成使得用户可以感知该排序。通过显示相似的患者的数据项,向用户提供目标患者的病例、潜在的临床结果和具有相同结果的相似病例的整体图片。这样,向用户提供关于所选择的潜在的临床结果为什么可能相关的全面认知。这使得所述方法的结果易得到并有助于将所述方法无缝集成在现有临床工作流中。
根据一个方面,提供了一种用于临床决策支持的系统。该系统包括接口单元和计算单元。接口单元被配置成与系统的用户、存储病症问题的集合的数据库对接并接收目标患者的患者数据。计算单元被配置成:基于患者数据确定目标患者的若干潜在的临床结果;针对潜在的临床结果中的每一个计算由患者数据指示的概率;基于概率从数据库中存储的预先配置的病症问题的集合中选择一个或更多个病症问题;经由用户接口向用户输出一个或更多个选择的病症问题;经由用户接口从用户接收针对一个或更多个选择的病症问题的一个或更多个答案;以及基于答案来调整概率。
根据实施方式,该系统适于实现向用户提供临床决策支持的发明性方法。
计算单元可以被实现为数据处理系统或数据处理系统的一部分。这样的数据处理系统可以例如包括云计算系统、计算机网络、计算机、平板计算机、智能电话和/或类似的系统。计算单元可以包括硬件和/或软件。硬件可以包括例如一个或更多个处理器、一个或更多个存储器及其组合。一个或更多个存储器可以存储用于执行根据本发明的方法步骤的指令。硬件能够由软件配置以及/或者能够由软件操作。通常,所有的单元、子单元或模块可以至少暂时地例如经由网络连接或各自的接口彼此进行数据交换。因此,各个单元可以彼此分开定位。
接口单元可以包括用于经由互联网连接与本地服务器或中央网络服务器进行数据交换以接收目标患者的患者数据的接口。接口单元还可以适于例如通过向用户显示所选择的病症问题(例如,在图形用户界面中)以及/或者通过允许用户输入相应的答案经由用户接口与系统的一个或更多个用户对接。
根据实施方式,该系统还包括存储预先配置的病症问题的集合的数据库(或查询数据库)。
根据另一方面,本发明还涉及读取系统和医学信息系统,所述读取系统包括用于临床决策支持的系统,所述医学信息系统被配置成获取、存储和/或转发患者数据(包括目标患者的患者数据和要与目标患者进行比较的一个或更多个参考患者的参考患者数据集)。由此,接口单元还被配置成从医学信息系统接收患者数据。
根据实施方式,医学信息系统包括用于存储患者数据的一个或更多个存档站,所述存档站可以被实现为云存储装置或者本地或扩展存储装置,例如,被实现为PACS(图片存档和通信系统)或EHR(电子健康记录)。此外,医学信息系统可以包括诸如医学成像模态的一个或更多个医学数据生成模态,医学信息系统包括计算机断层扫描系统、磁共振系统、血管造影(或C臂X射线)系统、正电子发射断层扫描系统、乳房X线照相术系统和/或用于获取数字病理图像的系统等。
根据另一方面,本发明涉及一种计算机程序产品,所述计算机程序产品包括程序元素,当所述程序元素被加载到用于临床决策支持的系统的计算单元的存储器中时,所述程序元素促使所述计算单元执行根据上述方法的步骤。
根据另一方面,本发明涉及一种计算机可读介质,在所述计算机可读介质上存储有程序元素,所述程序元素能够由用于临床决策支持的系统的计算单元读取和执行,以便当所述程序元素由所述计算单元执行时,所述程序元素执行本发明的方法的步骤。
通过计算机程序产品和/或计算机可读介质实现本发明具有以下优点:已经存在的提供系统可以容易地被软件更新采用,以便如本发明所提出的那样工作。
计算机程序产品可以是例如计算机程序,或者计算机程序产品包括与计算机程序本身类似的另一元素。该另一元素可以是:硬件,例如其上存储有计算机程序的存储装置、用于使用计算机程序的硬件密钥等;和/或软件,例如用于使用计算机程序的文档或软件密钥。计算机程序产品还可以包括开发材料、运行时系统和/或数据库或库。计算机程序产品可以分布在若干计算机实例之中。
附图说明
鉴于下面的描述和实施方式,上面描述的本发明的特性、特征和优点以及实现这些特性、特征和优点的方式变得更清楚且更容易理解,将关于附图详细描述以下这些描述和实施方式。该以下描述并不将本发明限制于所包含的实施方式。在不同的附图中,可以用相同的附图标记来标记相同的部件或部分。通常,这些附图不是按比例绘制的。在下面:
图1描绘了根据实施方式的临床决策支持系统;
图2描绘了示出根据实施方式的计算机实现的临床决策支持方法的流程图;
图3描绘了示出根据实施方式的用于识别目标患者的潜在临床结果的方法的流程图;
图4示意性地示出了根据实施方式的可能性的调整;以及
图5描绘了示出根据实施方式的临床决策支持系统中促进人机交互的工作流的流程图;
图6至图9示意性地示出了根据实施方式的用于促进临床决策支持系统中的用户-机器交互的图形用户界面。
具体实施方式
图1描绘了用于在针对当前处于检查中的患者制定一个或更多个临床决策时对用户进行支持的系统1。随后,当前处于检查中的患者也可以被称为“目标患者”。TPD与每个目标患者数据相关联,系统1和/或其用户可以在随后描述的临床决策制定过程中使用所述目标患者数据。在这点上,系统1适于执行例如如参照图2至图9进一步描述的根据一个或更多个实施方式的方法。根据一些实施方式的临床决策支持包括:基于可用的患者数据将一个或更多个潜在的临床结果或陈述或断言与目标患者相关联;向系统1的用户自动询问关于目标患者的病例的信息性问题,以及可选地询问例如与相似病例或分布数据相关的辅助信息。潜在的临床结果可以被视为有助于针对目标患者的一个或更多个临床决策的自动检索的结果。根据一些示例,用户通常可以涉及诸如医师、临床医生、技师、放射科医师、病理学家等的医疗保健专业人员。根据一些示例,用户组明确地不涉及目标患者。
系统1包括用户接口10(作为接口单元的一部分)和处理系统20(作为计算单元的一部分)。此外,系统1可以包括用于存储多个参考患者数据集RPD的类似病例数据库40、用于存储预先配置的病症问题CAQ的集合的查询数据库60以及用于获取、存储和/或转发患者数据TPD、RPD的医学信息系统50。根据一些示例,查询数据库60和/或类似病例数据库40可以是医学信息系统50的一部分。可替选地,查询数据库60可以由处理系统20内的非易失性存储器来实现。此外,查询数据库60可以是系统1内的在线储存库或本地数据库。
查询数据库60中存储的病症问题CAQ(也被称为“病症问题的集合”)可以被视为候选病症问题CAQ的池(pool),可以从该池中选择与目标患者特别相关的一个或更多个病症问题AQ。可以基于参考患者病例的经验评估来预先配置查询数据库60中的病症问题CQA。具体地,可以通过对常见症状、实验室结果或来自关于特定疾病的报告的发现进行统计分析来得出候选病症问题CQA。另外的或作为替选,评估关于参考患者病例的专家意见是标识候选病症问题CQA的另一种选择。
目标患者的患者数据TPD以及参考患者数据集RPD可以包括图像数据和/或非图像数据。图像数据可以涉及例如使用计算机断层扫描系统或磁共振成像系统获取的三维图像数据集。此外,图像数据可以涉及例如使用X射线设施获取的二维医学图像。通常,可以使用任何成像模态和扫描仪,例如超声、X射线、血管造影术、荧光透视、正电子发射断层扫描、单光子发射计算机断层扫描或其他。这样的图像数据也可以被称为放射图像数据。通常,放射图像数据可以示出患者的身体部分。所描绘的身体部分将包括各种解剖体和器官。考虑到作为身体部分的胸部区域,图像数据可以例如描绘肺叶、胸腔、心脏、淋巴结等。患者数据中包含的医学图像数据的另一示例是数字病理图像。可以使用诸如载玻片扫描仪(slidescanner)的数字病理成像系统来获取数字病理图像。数字病理图像示出了例如从患者的活检样本制备的组织切片,可以用适当的标记对该组织切片染色。
可以根据DICOM格式对患者数据TPD或参考患者数据集RPD中包含的图像数据进行格式化。DICOM(=医学中的数字成像和通信)是医疗保健信息学中的医学成像信息和相关数据的通信和管理的开放标准。DICOM可以用于存储和传输医学图像和相关联的信息,使得能够集成诸如扫描仪的医学成像装置、服务器、工作站、打印机、网络硬件以及图片存档和通信系统(PACS)。DICOM被临床团体(clinical syndicates)、医院广泛采用以及用于如医生的办公室或诊所的较小应用。DICOM数据对象包括包含诸如患者的姓名、ID等的项的若干属性,并且还包括包含图像像素数据和从图像数据中提取的元数据的特殊属性。
除了图像数据之外,患者数据TPD和参考患者数据集RPD可以包含非图像数据。非图像数据可以涉及非图像检查结果,例如实验室数据、生命体征记录(包括例如ECG数据、血压值、通气参数、氧饱和度水平)等。此外,非图像数据包括与患者的先前检查相关的结构化和非结构化报告。此外,非图像数据可以包括患者的个人信息,例如性别、年龄、体重、保险详情等。
用户接口10包括显示单元11和输入单元12。用户接口10可以由诸如智能电话或平板计算机的移动设备来体现。此外,用户接口10可以被体现为以台式PC或膝上型计算机的形式的工作站。输入单元12可以例如以触摸屏的形式被集成在显示单元11中。作为替选或补充,输入单元12可以包括键盘、鼠标或数字笔及其任意组合。显示单元11被配置成用于基于患者数据TPD、所选择的病症问题AQ、从患者数据TPD和用户的答案A得出的潜在的临床结果O1、O2、O3、……、ON(下文中的O1……ON)以及与潜在的临床结果O1……ON相关联的任何辅助信息来显示关于目标患者的信息。用户接口10还被配置成接收由用户提供的对提出的病症问题AQ的答案A。
用户接口10还包括接口计算单元13,该接口计算单元13被配置成执行用于服务显示单元11和输入单元12的至少一个软件组件,以便提供用于允许用户选择要检查的目标患者的病例的图形用户界面(参见图6至图9)。此外,接口计算单元13可以被配置成与医学信息系统50或处理系统20进行通信,以用于接收目标患者的患者数据TPD和/或临床决策支持过程的结果。用户可以经由用户接口10来激活软件组件,并且可以例如通过从互联网应用商店下载软件组件来获取该软件组件。根据示例,软件组件也可以是在web浏览器中运行的以web应用形式的客户端-服务器计算机程序。接口计算单元13可以是通用处理器、中央处理单元、控制处理器、图形处理单元、数字信号处理器、三维渲染处理器、图像处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、它们的组合,或者接口计算单元13可以是用于处理图像数据的其他现在已知的装置。
相似病例数据库40被配置成存储若干参考患者数据集RPD。参考患者数据集RPD涉及具有已知的或经验证的临床结果的参考病例。参考患者数据集RPD可能具有与当前处于检查中的病例的患者数据TPD相同的形式。特别地,参考患者数据集RPD可以各自包括图像数据和非图像数据。
处理系统20可以包括子单元21至24,子单元21至24被配置成处理患者数据TPD,以用于找到由目标患者指示的潜在的临床结果O1……ON并且通过连续且引导的人机交互来缩小该选择的范围。
处理系统20可以是处理器。该处理器可以是通用处理器、中央处理单元、控制处理器、图形处理单元、数字信号处理器、三维渲染处理器、图像处理器、专用集成电路、现场可编程门阵列、数字电路、模拟电路、它们的组合,或者该处理器可以是用于处理图像数据的其他现在已知的装置。处理器可以是单个装置或者串行、并行或独立运行的多个装置。处理器可以是计算机诸如膝上型计算机或台式计算机的主处理器,或者可以是用于在诸如医学信息系统或服务器的较大系统中处理一些任务的处理器。处理器由指令、设计、硬件和/或软件配置成执行本文中讨论的步骤。可替选地,处理系统20可以包括真实或虚拟的计算机组,如所谓的“集群”或“云”。这样的服务器系统可以是中央服务器,例如云服务器;或者这样的服务器系统可以是本地服务器,例如位于医院或放射站点的服务器。此外,处理系统20可以包括诸如RAM的存储器,以用于临时地加载患者数据TPD和/或要向用户询问以缩小潜在的临床结果O1……ON的选择的病症问题AQ。可替选地,这样的存储器也可以被包括在用户接口10中。另外地,处理系统20可以在本地存储装置中包括相似病例数据库40和/或查询数据库60。
子单元21是相似病例检索模块或单元。子单元21被配置成访问相似病例数据库40,并从相似病例数据库40中检索与手头病例具有一定相似性程度的一个或更多个参考病例。为此,子单元21可以被配置成根据目标患者的患者数据TPD生成数据描述符(或特征向量或特征签名)。数据描述符可以被视为数据向量,在该数据向量中,对用于随后与参考病例进行比较的所有相关信息进行编码。可以从非图像数据以及包含在患者数据TPD中的图像数据中提取相关信息。从非图像数据中提取的相关信息可以例如涉及患者的个人信息(诸如年龄或性别)、实验室值(诸如PSA值)和/或生命体征记录。从图像数据得出的相关信息可以例如涉及图像特征(诸如图像模式、损伤的位置和大小等)。为了提取数据描述符,子单元21可以被配置成运行经训练的函数,该经训练的函数已经被训练成从患者数据TPD中提取数据描述符。当从患者数据TPD生成数据描述符时,子单元21将该数据描述符与从相似病例数据库40中存储的参考患者数据集RPD中提取的相应数据描述符进行比较。然后,具有与针对目标患者提取的数据描述符具有一定相似性程度的数据描述符的参考病例可以被标识为目标患者的“相似病例”。
子单元22是临床结果预测模块或单元。子单元22被配置成将若干潜在的临床结果O1……ON与目标患者相关联。此外,子单元22被配置成得出每个潜在的临床结果O1……ON的概率PO1、PO2、PO3、……、PON(在下文中被缩写为PO1……PON)。因此,概率PO1……PON指示每个潜在的临床结果O1……ON由目标患者的患者数据TPD指示的可能性。如上所述,临床结果O1……ON通常可能涉及患者病例的检查可能具有的任何结果。根据一些示例,临床结果O1……ON可以被分类为以下四类:诊断、治疗、预后和进一步的行动。子单元22可以被配置成从由子单元21标识的相似病例中得出潜在的临床结果O1……ON和相关联的概率PO1……PON。这遵循以下见解:被证明与相似病例相关的临床结果也可能与目前处于检查中的病例相关。定量地,前述概率PO1……PON可以从相似性程度中得出(如下面将进一步详述的)。另外的或作为替选,子单元22可以被配置成通过将患者数据TPD与经验数据进行比较来得出一个或更多个潜在的临床结果O1……ON。可以根据患者的一个或更多个关键值(诸如年龄、性别等)以临床结果跨患者群组(cohort of patients)的分布数据的形式来提供该经验数据。此外,这样的经验数据可以包括在线教科书或知识数据库。在这点上,根据一些示例,结合相似病例搜索描述的相同数据描述符也可以用于与经验数据进行比较。在任何情况下,子单元22将提供具有与目标患者相关的相应概率PO1……PON的潜在的临床结果O1……ON的选择。该选择可以是初步且广泛的,原因是该选择可能只包括略微相关或甚至冲突的临床结果O1……ON。
子单元23是查询模块或单元,该查询模块或单元被配置成使由子单元22标识的临床结果O1……ON的选择具体化。为了这样做,子单元23被配置成分析与检索到的临床结果O1……ON相关联的概率PO1……PON并选择如下病症问题AQ,该病症问题AQ的答案适合于增加将潜在的临床结果O1……ON分配给目标患者的确定性。在某种程度上,子单元23可以被视为被配置成确定与目标患者相关的“未知因素”,该“未知因素”的知识可以改进潜在的临床结果O1……ON的分配。可以从查询数据库60选择病症问题AQ。如下文将进一步详细描述的,可以根据相应的答案对概率PO1……PON的潜在的影响来评估查询数据库60中包括的候选病症问题CAQ。为了降低计算成本,可以根据正在被分析的患者数据TPD的类型(与数字病理数据相比,放射数据确实带来不同的问题)或者根据正在着眼于的临床结果O1……ON的类型(提供诊断选择可能需要与确定患者是否有资格进行临床试验不同的另外的知识)对候选病症问题CAQ进行分类。子单元23然后可以被配置成仅考虑与患者数据TPD和/或预期的临床决策支持的类别相匹配的特定类别的候选病症问题CAQ。为了选择有意义的病症问题AQ,子单元23可以依赖于示出在考虑作为给定参数的函数的患者群体的情况下临床结果O1……ON的分布的分布数据。例如,如果分布指示某个治疗副作用对某个年龄的患者具有普遍性,则询问该年龄的患者可以明确副作用是否是预期的。一旦一个或更多个病症问题AQ已经被选择,子单元23还可以被配置成针对将答案所选择的病症问题AQ中的一个或更多个的已经存在的信息来挖掘患者数据TPD。在这点上,子单元23还可以被配置成主动地查询另外的数据源,诸如患者的电子健康记录。
子单元23还被配置成促使用户接口10向用户显示所选择的病症问题AQ并经由用户接口10收集用户答案。此外,子单元23被配置成处理用户答案A,并计算答案A如何影响与临床结果O1……ON相关联的概率PO1……PON。为了调整概率PO1……PON,子单元23同样可以被配置成评估正在被考虑的临床结果O1……ON的已知的分布数据。
子单元23可以被配置成经历以下过程:选择病症问题AQ、收集答案A以及重复地调整概率PO1……PON,直到已经达到临床结果O1……ON中的至少一个的足够高的置信度。
子单元24可以被设想为可视化模块,该可视化模块向用户呈现决策支持工作流的结果。也就是说,子单元24可以被配置成根据临床结果O1……ON的对应的概率PO1……PON(初始的或经调整的)来对临床结果O1……ON进行排序。子单元24还可以被配置成根据排序例如以概率PO1……PON从上到下减小的列表的形式来显示临床结果O1……ON。每当概率PO1……PON被调整时,子单元24可以被配置成对临床结果O1……ON重新排序并相应地调整呈现。如果由子单元22基于相似病例搜索来选择潜在的临床结果O1……ON,则子单元24还可以被配置成将从参考患者数据集提取的不同数据项和临床结果O1……ON一起显示。根据一些示例,该显示可以使得数据项根据相应的临床结果O1……ON而被可视地分组。
不同的子单元21至24的指定要以示例而非限制的方式被解释。因此,子单元21至24可以被集成以形成一个单独的单元(例如,以“处理器30”的形式)或者可以由被配置成执行在处理系统20的处理器等上运行的相应的方法步骤的计算机代码段来体现。对于接口计算单元13也是如此。每个子单元21至24和接口计算单元13可以单独地连接到系统1的需要数据交换来执行方法步骤的其他子单元和/或其他组件。例如,子单元21和24可以经由接口26连接到用于检索目标患者的患者数据TPD的医学信息系统50,以及/或者连接到用于查找相似病例的相似病例数据库40,以及/或者连接到用于从预先配置的病症问题CAQ的集合中选择一个或更多个病症问题AQ的查询数据库60。同样地,接口26可以将子单元21至24连接到接口计算单元13,以用于将所选择的病症问题AQ转发给用户并收集用户的答案A。
处理系统20和接口计算单元13一起可以构成计算单元30。值得注意的是,计算单元30的布局——即接口计算单元13和子单元21至24的物理分布——原则上是任意的。例如,子单元24(或其单个要素或特定算法序列)同样可以位于用户接口10中。其他子单元21至23也是如此。具体地,处理系统20也可以集成在用户接口10中。如已经提到的,处理系统20可以替选地被体现为例如位于医院或放射站点的服务器系统,例如云服务器或者本地服务器。根据这样的实现,用户接口10可以被指定为面向用户的“前端”或“客户端”,而处理系统20则可以被设想为“后端”或服务器。例如,可以使用https协议来实现用户接口10与处理系统20之间的通信。系统的计算能力可以分布在服务器与客户端(即,用户接口10)之间。在“瘦客户端”系统中,大部分计算能力存在于服务器处。在“胖客户端”系统中,计算能力的大部分以及可能的数据存在于客户端上。
系统1的各个部件可以至少暂时地彼此连接,以用于数据传送和/或交换。用户接口10经由接口26与处理系统20进行通信,以交换例如患者数据TPD、数据描述符或计算的结果。例如,处理系统20可以基于请求而被激活,其中,该请求由用户接口10发送。此外,处理系统20可以与医学信息系统50进行通信,以便检索目标患者的病例。作为替选或补充,用户接口10可以直接与医学信息系统50进行通信。医学信息系统50同样可以基于请求而被激活,其中,该请求由处理系统20和/或用户接口10发送。用于数据交换的接口26可以被实现为硬件接口或软件接口,例如,PCI总线、USB或火线。可以使用网络连接来实现数据传送。网络可以被实现为局域网(LAN),例如内联网或广域网(WAN)。网络连接最好是无线的,例如作为无线LAN(WLAN或Wi-Fi)。此外,网络可以包括不同网络示例的组合。用于数据交换的接口26与用于与用户11、12对接的部件一起可以被认为构成系统1的接口单元。
图2描绘了用于支持用户针对目标患者做出临床决策的创造性方法。步骤的顺序不一定对应于步骤的编号,但是也可以在本发明的不同实施方式之间变化。在图2中用虚线框示出了可选步骤。
在第一步骤S10中,检索目标患者的患者数据TPD。这可以涉及:由用户利用用户接口10手动地选择患者病例,并从医学信息系统50检索患者数据TPD。可以至少部分地在用户接口10上或在处理系统20上执行步骤S10。在必要时,在该步骤中包括相应的数据交换。
在随后的步骤S20处,基于患者数据TPD自动地确定目标患者的若干潜在的临床结果O1……ON。如所提到的,临床结果O1……ON通常可能与医师对患者病例进行检查的任何可执行的结果相关。临床结果O1……ON包括但不限于医学诊断(例如,通过提供一个或更多个疾病名称)、预测的治疗反应、患者与临床试验的匹配、患者的健康状况的总体预后等。确定的潜在的临床结果O1……ON的数目可以是一个或多于一个。
根据一些示例,可以通过找到具有已经验证的临床结果O1……ON的相似病例来确定潜在的临床结果O1……ON。图3示出了用于查找这样的相似病例的示例性方法。步骤的顺序不一定对应于步骤的编号,但是也可以在本发明的不同实施方式之间变化。
在第一步骤S21中,根据患者数据TPD生成数据描述符。数据描述符可以包括特征向量形式的患者数据TPD的关键特征。因为患者数据TPD通常可以包括图像数据以及非图像数据,所以数据描述符同样可以基于图像特征签名和非图像特征。可以通过图像分析方法生成特征签名,该图像分析方法包括标识、分析和/或测量存在于患者数据TPD中包括的任何图像数据中的对象、局部结构和/或全局结构和/或纹理。所生成的图像特征签名可以包括解剖特征和/或结构,如例如界标的存在或器官的大小或所标识的组织或器官的结构、纹理和/或密度。特征签名同样可以包括表征被分析的图像中存在的颜色和/或灰度等级方案或对比度特性或局部灰度等级梯度的参数。图像特征签名优选地不仅包括一个特征,而且包括多个特征,这些特征的总和表征了所分析的图像。
从患者数据TPD中包括的非图像数据中提取的特征签名可以包括与图像数据相关联的元数据。此外,特征签名可以涉及独立于图像数据的数据,所述独立于图像数据的数据提供关于目标患者的另外的背景信息,诸如从电子健康记录、实验室数据等提取的特征。
在一些示例中,使用经训练的机器学习算法(也被称为经训练的函数)来执行生成数据描述符的步骤S21。优选地,经训练的机器学习算法包括神经网络,最优选地包括卷积神经网络。第一组神经网络层可以应用于从图像中提取特征。在这种情况下,医学图像即图像的每个单独的图像元素的灰度等级和/或颜色值用作神经网络的输入值。如此提取的特征如对比度、梯度、纹理、密度等可以作为输入值被馈送到第二组网络层,该第二组网络层也被称为分类器,其用于进一步将对象和/或特性分配给图像中存在的所提取的特征中的至少一个。类似地,非图像特征可以从非图像数据中被提取并随后被分类。
在图3的步骤S22处,从患者数据TPD提取的数据描述符被用于查询相似病例数据库40。为此,可以将目标患者的数据描述符与参考患者的相应的数据描述符进行比较,参考患者的患者数据RPD被存储在相似病例数据库40中。参考患者的数据描述符可以以与目标患者的数据描述符相同的方式被生成。根据一些示例,参考患者的数据描述符在步骤S22的实际查询之前已经被生成,并且与参考患者数据集RPD一起存储在相似病例数据库40中。
在随后的步骤S23中,该方法包括:确定表示目标患者的数据描述符与相似病例数据库40中的参考病例的至少一部分的数据描述符之间的相似性的相似性度量。在一些示例中,相似性度量可以是目标患者的数据描述符与参考病例的数据描述符之间的向量空间中的距离。例如,该距离可以是向量空间中目标数据描述符和参考数据描述符表示的两个点之间的欧几里德距离。在一些示例中,相似性度量可以是参考数据描述符向量和目标数据描述符向量的L1范数。在一些示例中,可以使用其他相似性度量,诸如数据描述符之间的余弦相似性。对于考虑的每个参考病例,相似性度量可以表示参考病例与目标患者有多么相似。换句话说,相似性度量表达(量化)目标患者与相应的参考患者之间的相似性程度。
接下来,在图3的步骤S24中,在步骤S23中确定的相似性程度可以用于选择与目标患者(目标患者的患者数据TPD)具有最大相似性的那些参考患者(参考患者数据集RPD)。根据一些示例,所有参考病例可以被考虑为与目标患者的相似性程度大于预定阈值。
由于目标患者与所选择的相似病例之间的相似性,存在相似病例的已知临床结果也可以适用于手头的目标患者的一定的可能性。在图3的步骤S25处利用了该概念。在该步骤中,目标患者的潜在的临床结果O1……ON是根据所选择的相似病例的已知临床结果进行编制的。例如,如果几个相似病例决定执行记录在案的活检作为临床结果,则也可以向目标患者建议非常相同的临床结果。同样,相似病例的经验证的诊断结果也可以作为目标患者的潜在的临床结果O1……ON而被讨论。根据一些示例,相似病例的所有已知临床结果都可以成为目标病例的潜在的临床结果O1……ON。可替选地,已知临床结果可以被分组为诸如“治疗”、“预后”、“进一步的行动”或“诊断”的类别,并且只有落入一个或更多个不同类别的已知临床结果可以被认为是目标患者的潜在的临床结果O1……ON。根据一些示例,用户可以经由用户接口10来选择这些不同的类别。
本身来讲,还存在编制针对目标患者的潜在的临床结果O1……ON的其他方法。例如,前述的目标患者的数据描述符可以用于查询知识数据库,该知识数据库包括但不限于在线教科书或cockpits,诸如Thieme的eRef或Radiopedia。另外的或作为替选,潜在的临床结果O1……ON可以取自针对某个病例建议某些诊断或行动计划的临床工作流或指南。
一旦已经确定了潜在的临床结果O1……ON,就要对这些潜在的临床结果O1……ON与目标患者的相关性进行评估。为此,在图2的步骤S30处计算概率PO1……PON。对于每个潜在的临床结果O1……ON,计算概率PO1……PON。概率PO1……PON可以被视为某个临床结果O1……ON适用于目标患者的可能性的衡量。
根据一些示例,可以基于在步骤S21至S25中可选地计算的相似性程度来计算概率PO1……PON。基本的推论是:如果可以确定目标患者的患者数据TPD与参考病例的患者数据RPD之间相当高的相似性程度,则自然存在参考病例的临床结果也可适用于目标患者的相当高的可能性。
另外的或作为替选,通过将患者数据TPD与表示患者群体中某些临床结果的发生的分布数据进行比较,概率PO1……PON可能与潜在的临床结果O1……ON一致。推论是目标患者的某些参数可能指示某些临床结果比其他临床结果更有可能。例如,这样的参数可以是患者的年龄、性别或体重。例如,如果目标患者是男性,则与女性患者相比,具有某种疾病的可能性可能非常不同。作为又一示例,给定的诊断或治疗建议适用的概率可能在很大程度上取决于目标患者的体重指数。这样的统计效应可以通过分布数据来量化,该分布数据示出了临床结果相对于从患者数据中得到的参数(诸如年龄、体重、性别等)的发生概率。在一些示例中,分布数据可以是二项式的,诸如针对吸烟状况(即吸烟者和非吸烟者)。在一些示例中,分布数据可以是连续的或准连续的,诸如针对年龄。在一些示例中,分布数据可以从例如存储在相似病例数据库40中的参考患者数据集RPD的群组中得出。对于多个临床结果中的每一个,可以提取已经记录临床结果的参考患者数据,并且可以确定临床结果的分布。在一些示例中,可以根据例如在医学期刊或教科书中刊登的经验研究来确定分布数据。在一些示例中,可以通过对来自多个来源(例如来自医学文章)的经验分布信息进行合并来确定分布数据。
值得注意的是,与分布数据的比较还可以用于修改和/或过滤例如如使用根据步骤S21至S25的相似的患者搜索得出的所确定的潜在的临床结果O1……ON。例如,如果高的相似性程度表明某一临床结果也可以由目标患者的患者数据TPD指示,但是用于排除的标准适用于该临床结果(例如,如果临床结果是特定于性别的),则这可以通过与所质疑的临床结果的适当的分布数据进行比较而被补偿。
在任何情况下,步骤S30都产生与目标患者或多或少相关的若干自动得出的临床结果O1……ON。通过相应的概率PO1……PON来衡量相关性。换句话说,如图4中所示,概率分布PD导致潜在的临床结果O1……ON。
特别地,如果许多潜在的临床结果O1……ON存在争议,或者如果一些——可能有冲突——临床结果O1……ON具有相当的概率,则用户可能很难从所提供的临床结果O1……ON的选择中挑选最相关的临床结果O1……ON。为了缓解该问题,该方法预见到缩小潜在的临床结果O1……ON的选择的范围以及/或者使临床结果O1……ON的选择在概率PO1……PON(即,概率分布PD)方面更加明确。为此,设想向用户“询问”将有助于缩小选择的范围以及/或者锐化临床结果O1……ON的概率分布PD的一个或更多个病症问题AQ。
这些病症问题AQ的选择发生在步骤S40处。为此,步骤S40预见到:访问存储预先配置的候选病症问题CAQ的集合的数据库30并选择与目标患者相关的一个或更多个病症问题AQ(也参见图4)。根据一些示例,系统可以被配置成针对手头的病例选择(一个或多个)“最佳的”病症问题AQ。根据这样的情境,“最佳的”病症问题AQ最多地减少不确定性。根据一些示例,可以基于在步骤S30处确定的概率分布PD来确定(一个或多个)“最佳的”病症问题AQ。具体地,可以针对候选病症问题CAQ的答案将具有的预测到的影响来分析概率分布PD。换句话说,这样的分析可以被认为是确定尚未反映在患者数据TPD中(并因此在搜索相关临床结果O1……ON期间未使用)的哪些另外的知识将有助于排除或验证潜在的临床结果O1……ON。
步骤S40可以依赖于患者群体中临床结果O1……ON中的一个或更多个的前述分布数据,该分布数据根据患者的特性或变量来衡量临床结果O1……ON的发生或指示。例如,如果一直到步骤S30的分析提示针对淋巴细胞间质性肺炎和特发性肺纤维化的高概率PO1……PON,则这些疾病的各自的性别分布的比较可能有助于进一步明确诊断。虽然女性中淋巴细胞间质性肺炎的患病率是男性的患病率的三倍,但特发性肺纤维化在男性中具有略微更高的患病率。因此,系统1将从预先配置的候选病症问题CAQ中自动地选择针对患者的性别的病症问题AQ(如果尚未从患者数据TPD获知)。
在数学上,可以通过计算病症问题AQ的假设答案将为概率分布PD带来的熵减少(即,信息增益)来量化找到最多地降低不确定性的病症问题AQ的原理。因为答案不是先验已知的,所以可以在步骤S40中计算熵减少的上限。具体地,建议计算加权最大可能熵减少来作为用于选择合适的病症问题的度量,该加权最大可能熵减少可以被表示为:MAX(P(是)[H(PD|TPD)–H(PD|TPD,A=是)],P(否)[H(PD|TPD)–H(PD|TPD,A=否)])。
由此,H(PD|TPD)是患者数据TPD的计算的概率PO1……PON的概率分布PD的初始熵,H(PD|TPD,Q=是)是假设对问题AQ的答案A为“是”的概率分布PD的熵,H(PD|TPD,Q=否)是假设对问题AQ的答案为“否”的概率分布PD的熵,P(是)是利用“是”答案AQ的概率,P(否)是利用“否”答案AQ的概率。“是”响应的熵和“否”响应的熵通过它们在响应之后获得加权的信息增益的可能性被加权。先验熵与相关熵(joint entropy)之间的差异是公式中给出的信息增益。
根据一些示例,系统还可以被配置成根据适用于目标患者的一个或更多个相关医学指南以及/或者根据临床结果O1……ON的前述类别来选择固定的问题集合。
一旦在步骤S40中选择了一个或更多个合适的病症问题AQ,就在步骤S50处将这些病症问题AQ呈现给用户。根据一些示例,可以使用连续的对话界面来询问病症问题AQ。病症问题AQ的呈现可以是通过在用户接口10中运行的图形用户界面GUI中显示病症问题AQ的视觉呈现。除此之外或者作为替选,可以向用户朗读病症问题AQ。为此,可以使用现有的语音API或通过训练新的text2speech模型将问题文本转换为语音。另外,如果需要,可视化弹出窗口可以帮助用户重新阅读。根据一些示例,仅向用户示出最佳的病症问题AQ(最多地减少不确定性的一个病症问题AQ)。根据其他示例,向用户呈现包括多于一个病症问题AQ的列表。
在随后的步骤S60处,经由用户接口10收集用户的答案A。可以通过以下操作来提供答案A:将文本输入到用户接口10中,点击在用户接口10中运行的图形用户界面GUI中的按钮,通过由适当的语言处理模块转换成文本的语音,或者在系统1中输入数据的任何其他合适的方式。原则上,用户可以通过输入“是”或“否”进行答案。此外,用户可以输入更具体的数据(诸如年龄)。此外,当用户无法访问所请求的信息时,用户可以被给予利用“未知”进行答案的可能性。
在随后的步骤S70处,用户的答案对概率PO1……PON的影响被评估。换句话说,概率PO1……PON及其概率分布PD被调整(参见图4)。
随后,在可选步骤S80中,可以向用户显示计算的结果特别是临床结果O1……ON。优选地,输出使得用户能够感知各个临床结果O1……ON的置信度。此外,可以利用辅助信息(该辅助信息可以例如与相似病例有关)或者从一个或更多个知识数据库中提取的信息来丰富临床结果O1……ON向用户的呈现。将在下面结合图5至图9来给出关于机器-用户-交互的另外的细节。
步骤S90是重复步骤,其指示步骤S40至S80——即选择一个或更多个病症问题AQ(S40),向用户呈现所选择的病症问题AQ(S50),接收用户的相应答案A(S60),调整概率PO1……PON(S70)以及可选地显示结果(S80)——可以被重复多次。在每一轮中,可以基于先前迭代的经调整的概率PO1……PON来选择病症问题AQ。这可能具有以下效果:临床结果O1……ON的概率分布PD的熵越来越多地减小,并且该过程收敛于最可能的临床结果O1……ON。可以重复步骤S40至S80,直到达到可接受的置信水平为止。一旦潜在的临床结果O1……ON中的至少一个的相对概率PO1……PON高于预定阈值,就可以实现这一点。
图5描绘了根据实施方式的用于促进连续的人机交互的可选的方法步骤。步骤的顺序不一定对应于步骤的编号,但是也可以在本发明的不同实施方式之间变化。图6至图9中示出了相应的图形用户界面GUI的表示。
在图5所示的步骤D01处,用户可以例如从工作列表或患者浏览器选择要检查的目标患者。
在随后的步骤D10处,可以显示目标患者的相关信息。该信息可以从所选择的目标患者的患者数据TPD得出。如图6至图9所示,显示的相关信息可以包括图像数据110(其可以以缩略图的形式被呈现)和非图像数据120(其可以作为文本信息或以一个或更多个图形的形式被呈现)。根据一些示例,关于目标患者的信息被显示在图形用户界面GUI的第一显示区域100中。
此外,图形用户界面GUI可以包括与第一区域100不同的第二显示区域200,在步骤D20处,可以在该第二显示区域200中示出目标患者的潜在的临床结果O1……ON。如结合图3所说明的,可以通过相似病例搜索来检索潜在的临床结果O1……ON,以找到与目标患者的患者数据TPD具有一定相似性程度的参考患者数据集RPD。相似病例中的每一个可以指示可能与目标患者相关的已知的临床结果。通常,可以显示确定的潜在的临床结果O1……ON的全部或仅一部分。如果在第二显示区域200中仅显示潜在的临床结果O1……ON的一部分,则该呈现可以使得至少最初仅示出最相关的临床结果O1……ON(即,具有最高概率PO1……PON的那些临床结果)。可选地,图形用户界面GUI可以包括用于显示另外的临床结果O1……ON的按钮201。
在图5至图9所示的示例中,潜在的临床结果O1……ON与诊断相关。根据图5至图9的示例,对于目标患者作为潜在的临床结果O1……ON而被讨论的诊断在图形用户界面GUI中被示出为疾病名称。然而,这将通过示例的方式来解释而不是作为限制,原因是图形用户界面GUI还可以指示其他临床结果O1……ON,诸如预测的治疗反应、进一步的行动或预后等。一旦目标患者的病例已经被打开,就可以自动地发起潜在的临床结果O1……ON的检索(例如,通过相似病例搜索的方式)。作为替选,例如,通过点击图形用户界面GUI中的适当的动作按钮310,用户可以发起潜在的临床结果O1……ON的检索。此外,作为又一选项,图形用户接界面可以包括用于选择要检索的潜在的临床结果O1……ON的类别的按钮312。
可以向显示的潜在的临床结果O1……ON中的每一个提供指定的显示区域或框230、231、230’、231’、232’,所述指定的显示区域或框230、231、230’、231’、232’提供用于显示与相应的临床结果O1……ON相关联的辅助信息的空间。
如上所述,可以根据基础概率PO1……PON来对潜在的临床结果O1……ON进行排序,所述基础概率PO1……PON由目标患者的患者数据TPD指示。为了使该排序可访问,在图形用户界面GUI中显示的信息的布置可以被配置成使得该排序对于用户变得可感知。在图5至图8中提供的示例中,这通过潜在的临床结果O1……ON的竖直有序列表来实现。潜在的临床结果O1……ON的概率PO1……PON越高,相应的框230和框231在图形用户界面GUI的第二显示区域200中被示出得越靠上。因此在图5和图6中所示的示例中,与“疾病名称B”相比,“疾病名称A”被目标患者指出的概率PO1更高。
根据图9中所示的另一示例图形用户界面GUI,潜在的临床结果O1……ON也可以被水平地布置在第二显示区域200’中。如在图6至图8所示的示例中,所显示的潜在的临床结果O1……ON中的每一个被示出在专用框230’、231’、232’中。为了进一步向用户突出排序,潜在的临床结果O1……ON可以另外在显示字段240’、241’、242’中被设置有指示它们在潜在的临床结果O1……ON中的当前排序的数字。根据一些示例,代替排序数字,显示字段240’、241’、242’还可以指示概率PO1……PON(或一些得出的置信度得分)。
为了向用户提供进一步的帮助,可以利用与相应的临床结果O1……ON相关的辅助信息来丰富潜在的临床结果O1……ON的呈现。该辅助信息可以被显示为数据项210a至210c、211a至211c、210′a至210′c、211′a至211′c、212′a至212′c。如图6至图8所示,数据项210a至210c、211a至211c可以包括以缩略图的形式显示的图像数据。具体地,该图像数据可能与类似于目标患者的患者有关,并且缩略图可以示出与可用于目标患者的图像数据110形态相似的图像。这将通过示例的方式被解释但并不作为限制,原因是相似患者数据的呈现可以包括不同的或另外的信息。这通过图9被举例说明,在图9中,一些数据项210′b、211′b、212′b还包括分布数据以及从在线教科书或cockpits提取的其他数据项210′c、211′c、212′c信息。数据项210′a、211′a、212′a可以涉及从相似患者处获得的数据(诸如相似图像)或者涉及从诸如像Thieme的eRef的在线教科书的概要中摘录的参考数据(具体地:参考图像)。
如图6至图9中所示,辅助数据项210a至210c、211a至211c、210'a至210'c、211'a至211'c、212'a至212'c被布置在它们相应的临床结果O1……ON的相应显示区域或框230、231、232、230'、231'中。于是,根据辅助数据项的相应的临床结果O1……ON对这些辅助数据项进行可视地分组,从而根据针对临床结果O1……ON建立的排序对这些辅助数据项进行隐式地布置。
根据一些示例,图形用户界面GUI可以包括按钮313、按钮314,按钮313、按钮314用于在图6至图8的或多或少地集中于相似患者搜索(“SPS”)的呈现或者图9的提供了更全面的图片(“cockpit”)的呈现之间切换。
一旦潜在的临床结果O1……ON和相应的概率PO1……PON已经被计算(并且被显示),本发明的系统和方法就设想向用户呈现可能有助于进一步阐明目标患者的临床图片的一个或更多个病症问题AQ。可以由系统和方法自动地启动用于检索和呈现这些病症问题AQ的例程,或者在用户例如通过点击图形用户界面GUI中设置的可选动作按钮320而请求时启动用于检索和呈现这些病症问题AQ的例程。
然后在步骤D30处将这样检索的一个或更多个病症问题AQ呈现给用户,并且在步骤D40处收集答案A。根据图7中所示的示例性实施方式,可以通过对话窗口DW的方式来呈现一个或更多个病症问题AQ,对话窗口DW可以叠加在第一显示区域100和/或第二显示区域200上。对话窗口可以包括病症问题AQ和针对用户以便答案问题的输入字段IF。输入字段IF可以包括自由文本字段或单选按钮。作为替选,一个或更多个病症问题AQ也可以被呈现在图形用户界面GUI的单独的显示区域中(而不是以叠加的对话窗口DW的形式)。除此之外或作为替选,可以向用户朗读问题,并且可以使用语音识别模块来记录和评估用户的口头答案A。
一旦在步骤D40中接收到用户的答案A,如结合图2至图5所描述的,该方法就计算答案A对潜在的临床结果O1……ON的概率PO1……PON的影响。这可能导致目标患者的潜在的临床结果O1……ON的相关性的变化。在步骤D50中,相应地调整图形用户界面。现在排序较高的临床结果O1……ON向上移动(“疾病名称B”和相应的缩略图被示出在图8中的结果区域200的顶部处)。此外,不再可能的临床结果O1……ON甚至可以被移除(“疾病名称A”和相应的缩略图210a至210c已经从图7中的呈现被移除)。作为其替代,可以将其他临床结果O1……ON添加到呈现(“疾病名称C”和缩略图212a、212b)。步骤D50中的呈现的调整可以在步骤S40至S70的每次迭代之后发生。作为替选,只有在病症问题AQ和答案A的若干迭代之后达到关于潜在的临床结果O1……ON的足够的确定性水平时,才更新该呈现。后者具有如下优点:由于该呈现更加稳定,因此在用户侧上可能存在较少的困惑。此外,可以降低用于更新图形用户界面GUI的计算成本。
一旦根据经调整的概率PO1……PON对图形用户界面GUI进行了更新,用户就可以接受结果并使其临床决定基于到目前为止得出的潜在的临床结果O1……ON,或者如果用户觉得需要进一步减少不确定性,那么用户可以请求病症问题AQ的另外的集合。在这种情况下,用户可以通过点击可选的动作按钮311来再次激活该过程。
只要有意义,在不限制或不扩大本发明的范围的情况下,可以使各个实施方式或它们的各个方面和特征彼此进行组合或彼此进行交换。在适用的情况下,关于本发明的一个实施方式描述的优点对于本发明的其他实施方式也是有利的。
以下点也是本公开内容的一部分:
1.一种用于临床决策支持的计算机实现的方法,所述方法包括以下步骤:
接收目标患者的患者数据;
基于所述患者数据来确定与所述目标患者相关联的若干潜在的临床结果;
针对所述潜在的临床结果中的每一个来计算由所述患者数据指示的概率;
基于所述概率,从数据库中存储的预先配置的病症问题的集合中选择一个或更多个病症问题;
经由用户接口向用户呈现所述一个或更多个选择的病症问题;
经由所述用户接口从所述用户接收针对所述一个或更多个选择的病症问题的一个或更多个答案;
基于所述答案来调整所述概率。
2.根据1所述的方法,其中,
确定的步骤包括:
从与所述目标患者不同的参考患者的集合中并基于所述患者数据来标识若干相似患者,其中,每个相似患者与所述目标患者具有一定程度的相似性并且与至少一个已知的临床结果相关联;
根据所标识的相似患者的已知的临床结果来编制所述潜在的临床结果。
3.根据2所述的方法,其中,标识若干相似患者的步骤包括:
根据所述目标患者的患者数据来计算数据描述符;
针对所述参考患者的集合中的每个参考患者接收相应的数据描述符;
针对每个参考患者确定表示所述目标患者的数据描述符与所述参考患者的数据描述符之间的相似性程度的相似性度量;以及
基于各个相似性度量来选择一个或更多个参考患者作为相似患者。
4.根据2或3所述的方法,还具有以下步骤:
针对所述相似患者的全部或一部分,检索形成所述相似患者的患者数据的数据项;
经由所述用户接口在呈现区域中向所述用户显示所述数据项的一部分或全部连同所述临床结果的全部或一部分,所述呈现区域被配置成使得所述数据项与相应的潜在的临床结果的关联对于所述用户变得能够感知;
其中,所述数据项优选地包括与相应的相似患者有关的医学图像数据。
5.根据4所述的方法,还具有以下步骤:
根据所述潜在的临床结果各自的概率来建立所述潜在的临床结果的排序,以及
经由所述用户接口在所述呈现区域中向所述用户显示所述潜在的临床结果,所述呈现区域另外被配置成使得所述排序对于所述用户变得能够感知。
6.根据前述点中的任一个所述的方法,其中,
选择一个或更多个病症问题的步骤以及/或者针对所述潜在的临床结果中的每一个计算由所述患者数据指示的概率的步骤以及/或者调整所述概率的步骤基于如下分布数据,所述分布数据表示所述潜在的临床结果中的一个或更多个根据患者群体的一个或更多个样本参数的分布。
7.根据6所述的方法,其中,
所选择的病症问题中的一个或更多个涉及所述样本参数中的至少一个。
8.根据前述点中的任一个所述的方法,其中,所述患者数据包括:
描绘所述目标患者的身体部分的图像数据,
描绘取自所述目标患者的样本的图像数据,以及/或者
所述目标患者的非图像数据。
9.根据前述点中的任一个所述的方法,其中,
所述潜在的临床结果包括与关于所述目标患者的诊断和/或治疗决策和/或预后和/或进一步行动相关的陈述。
10.根据前述点中的任一个所述的方法,其中,
所述潜在的临床结果是与所述目标患者潜在地联系的疾病和/或损伤。
11.根据前述点中的任一个所述的方法,其中,
每个潜在的临床结果与多个预先确定的类别中的至少一个相关联;
所述病症问题的集合中的每个病症问题与所述类别中的至少一个相关联;以及
在选择的步骤中,仅考虑选择如下这样的问题,所述问题的至少一个相关联的类别与所述潜在的临床结果的类别中的至少一个相匹配。
12.根据11所述的方法,其中,所述用户能够经由所述用户接口从所述多个预先确定的类别中选择所述类别,并且在确定若干潜在的临床结果的步骤中仅考虑如下这样的临床结果,所述临床结果的相关联的类别与所述用户的选择相匹配。
13.根据11或12所述的方法,其中,所述多个预先确定的类别包括作为类别的诊断、治疗、预后和进一步行动中的至少一个。
14.根据前述点中的任一个所述的方法,其中,已经根据经验导出了预先配置的病症问题的集合。
15.一种提供针对患者的潜在的临床结果的概率的计算机实现方法,所述方法包括以下步骤:
接收目标患者的患者数据;
基于所述患者数据来确定与所述目标患者相关联的若干潜在的临床结果;
针对所述潜在的临床结果中的每一个来计算由所述患者数据指示的概率;
基于所述概率,从数据库中存储的预先配置的病症问题的集合中选择一个或更多个病症问题;
经由用户接口向用户呈现所述一个或更多个选择的病症问题;
经由所述用户接口从所述用户接收针对所述一个或更多个选择的病症问题的一个或更多个答案;
基于所述答案来调整所述概率;
提供经调整的概率。
Claims (15)
1.一种用于临床决策支持的计算机实现的方法,所述方法包括以下步骤:
接收(S10)目标患者的患者数据(TPD);
基于所述患者数据(TPD)来确定(S20)与所述目标患者相关联的若干潜在的临床结果(O1……ON);
针对所述潜在的临床结果(O1……ON)中的每一个计算(S30)由所述患者数据(TPD)指示的概率(PO1……PON);
基于所述概率(PO1……PON),从数据库(60)中存储的预先配置的病症问题(CAQ)的集合中选择(S40)一个或更多个病症问题(AQ);
经由用户接口(10)向用户呈现(S50)所述一个或更多个选择的病症问题(AQ);
经由所述用户接口(10)从所述用户接收(S60)针对所述一个或更多个选择的病症问题(AQ)的一个或更多个答案(A);
基于所述答案(A)调整(S70)所述概率(PO1……PON)。
2.根据权利要求1所述的方法,其中,
确定的步骤(S20)包括:
基于所述患者数据(TPD)从与所述目标患者不同的参考患者的集合中标识(S21至S24)若干相似患者,其中,每个相似患者与所述目标患者具有一定程度的相似性并且与至少一个已知的临床结果相关联;
根据所标识的相似患者的已知的临床结果来编制(S25)所述潜在的临床结果(O1……ON)。
3.根据权利要求2所述的方法,其中,
在计算(S30)的步骤中,所述概率(PO1……PON)的计算基于相似性程度。
4.根据前述权利要求中任一项所述的方法,其中:
在选择(S40)的步骤中,
根据所述一个或更多个病症问题(AQ)各自对所述概率(PO1……PON)的预测影响来选择所述一个或更多个病症问题(AQ),或者
从病症问题(AQ)的集合中选择对所述概率(PO1……PON)具有最高预测影响的病症问题(AQ)。
5.根据权利要求4所述的方法,其中,
所述预测影响被量化为从所述概率(PO1……PON)的分布(PD)中提取的可观测量的变化,
所述可观测量优选地被定义为所述概率(PO1……PON)的分布(PD)的熵(H)。
6.根据前述权利要求中任一项所述的方法,其中,
在选择(S40)的步骤中,所述一个或更多个病症问题(AQ)的选择另外地基于针对先前的目标患者对所述病症问题(AQ)的集合中的病症问题(AQ)的选择频率。
7.根据前述权利要求中任一项所述的方法,还具有以下步骤:
在向所述用户呈现所述一个或更多个选择的病症问题(AQ)之前,挖掘与所述目标患者相关联的患者数据(TPD)和/或另外的数据源,以找到针对所选择的病症问题(AQ)中的一个或更多个的答案(A)。
8.根据前述权利要求中任一项所述的方法,还具有以下步骤:
将所述用户的答案(A)中包括的信息存储在所述目标患者的患者数据(TPD)中。
9.根据前述权利要求中任一项所述的方法,还具有以下步骤:
根据所述潜在的临床结果(O1……ON)各自的概率(PO1……PON)来建立所述潜在的临床结果(O1……ON)的排序,以及
经由所述用户接口(10)在呈现区域(GUI,200)中向所述用户显示(S80)所述潜在的临床结果(O1……ON),所述呈现区域(GUI,200)被配置成使得所述排序对于所述用户变得能够感知。
10.根据权利要求9所述的方法,还具有以下步骤:
检索潜在的临床结果(O1……ON)辅助信息中的至少一个,以及
将所述辅助信息作为数据项(210a至210c,211a至211c,212a,212b,210'a至210'c,211'a至211'c,212'a至212'c)连同相应的潜在的临床结果(O1……ON)一起显示在所述呈现区域(GUI,200)中。
11.根据前述权利要求中任一项所述的方法,其中,
以下步骤被重复(S90)直到所述潜在的临床结果(O1……ON)中的至少一个表现出高于预定阈值的概率(PO1……PON):
选择(S40)一个或更多个病症问题(AQ),
向所述用户呈现(S50)所述一个或更多个选择的病症问题(AQ),
从所述用户接收(S60)针对所选择的病症问题(AQ)的一个或更多个答案(A),以及
基于所述答案(A)来调整(S70)所述概率(PO1……PON)。
12.根据权利要求11结合权利要求9或10所述的方法,其中,
显示(S80)的步骤被重复(S90),其中基于经调整的概率(PO1,PON)来更新排序和呈现区域(GUI,200)。
13.一种用于临床决策支持的系统(1),所述系统包括:
接口单元(26),其被配置成与所述系统(1)的用户和存储预先配置的病症问题(CAQ)的集合的数据库(60)进行对接并且接收(S10)目标患者的患者数据(TPD);以及
计算单元(30),其被配置成:
基于所述患者数据(TPD)来确定(S20)针对所述目标患者的若干潜在的临床结果(O1……ON);
针对所述潜在的临床结果(O1……ON)中的每一个计算(S30)由所述患者数据(TPD)指示的概率(PO1……PON);
基于所述概率(PO1……PON),从所述数据库(60)中存储的预先配置的病症问题(CAQ)的集合中选择(S40)一个或更多个病症问题(AQ);
经由所述接口单元(26)向用户呈现(S50)所述一个或更多个选择的病症问题(AQ);
经由所述接口单元(26)接收(S60)针对所述一个或更多个选择的病症问题(AQ)的一个或更多个答案(A);以及
基于所述答案(A)来调整(S70)所述概率(PO1……PON)。
14.一种计算机程序产品,所述计算机程序产品包括程序元素,当所述程序元素被加载到用于临床决策支持的系统(1)的计算单元(30)的存储器中时,所述程序元素促使所述计算单元(30)执行根据权利要求1至12中任一项所述的方法的步骤。
15.一种计算机可读介质,在所述计算机可读介质上存储有程序元素,所述程序元素能够由用于临床决策支持的系统(1)的计算单元(30)读取和执行,以便当所述程序元素由所述计算单元(30)执行时,所述程序元素执行根据权利要求1至12中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20190929.8 | 2020-08-13 | ||
EP20190929.8A EP3955260A1 (en) | 2020-08-13 | 2020-08-13 | Clinical decision support |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114078593A true CN114078593A (zh) | 2022-02-22 |
Family
ID=72086770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110930778.2A Pending CN114078593A (zh) | 2020-08-13 | 2021-08-13 | 临床决策支持 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220051805A1 (zh) |
EP (1) | EP3955260A1 (zh) |
CN (1) | CN114078593A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220399086A1 (en) * | 2021-06-09 | 2022-12-15 | Surescripts, Llc | Classifying and answering medical inquiries based on machine-generated data resources and machine learning models |
CN114864051B (zh) * | 2022-07-06 | 2022-10-04 | 北京智精灵科技有限公司 | 一种基于神经网络的认知提升方法及系统 |
CA3174732A1 (en) | 2022-09-17 | 2024-03-17 | TapType Limited | System and method of facilitating medical appointment record creation with a minimum of user input actions |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002008941A1 (en) * | 2000-07-20 | 2002-01-31 | Marchosky J Alexander | Patient-controlled automated medical record, diagnosis, and treatment system and method |
US9153142B2 (en) * | 2011-05-26 | 2015-10-06 | International Business Machines Corporation | User interface for an evidence-based, hypothesis-generating decision support system |
US10957449B1 (en) * | 2013-08-12 | 2021-03-23 | Cerner Innovation, Inc. | Determining new knowledge for clinical decision support |
CN110192252A (zh) * | 2016-11-14 | 2019-08-30 | 科格诺亚公司 | 用于评估发育状况并提供覆盖度和可靠性控制的方法和装置 |
WO2018106481A1 (en) * | 2016-12-09 | 2018-06-14 | Basil Leaf Technologies, Llc | Computer-implemented methods, systems, and computer-readable media for diagnosing a condition |
US20180211007A1 (en) * | 2017-01-25 | 2018-07-26 | International Business Machines Corporation | Assist Selection of Provider/Facility for Surgical Procedures Based on Frequency of Procedure, History of Complications, and Cost |
-
2020
- 2020-08-13 EP EP20190929.8A patent/EP3955260A1/en active Pending
-
2021
- 2021-07-29 US US17/388,128 patent/US20220051805A1/en active Pending
- 2021-08-13 CN CN202110930778.2A patent/CN114078593A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220051805A1 (en) | 2022-02-17 |
EP3955260A1 (en) | 2022-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984905B2 (en) | Artificial intelligence for physiological quantification in medical imaging | |
US10825167B2 (en) | Rapid assessment and outcome analysis for medical patients | |
CN108784655B (zh) | 针对医疗患者的快速评估和后果分析 | |
US20220114213A1 (en) | System and method for clinical decision support for therapy planning using case-based reasoning | |
US10192640B2 (en) | Fractional flow reserve decision support system | |
US20170193660A1 (en) | Identifying a Successful Therapy for a Cancer Patient Using Image Analysis of Tissue from Similar Patients | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
US20170053064A1 (en) | Personalized content-based patient retrieval system | |
JP6542664B2 (ja) | 患者情報を臨床基準にマッチングするシステム及び方法 | |
RU2543563C2 (ru) | Системы и способы поддержки клинических решений | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
JP2019153250A (ja) | 医療文書作成支援装置、方法およびプログラム | |
EP3955260A1 (en) | Clinical decision support | |
US10282516B2 (en) | Medical imaging reference retrieval | |
JP2018206082A (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
US20200294682A1 (en) | Medical interview apparatus | |
CN112447287A (zh) | 自动化的临床工作流程 | |
EP3667674A1 (en) | Method and system for evaluating images of different patients, computer program and electronically readable storage medium | |
EP4339961A1 (en) | Methods and systems for providing a template data structure for a medical report | |
EP4379672A1 (en) | Methods and systems for classifying a medical image dataset | |
US20230063247A1 (en) | Personalized recommendation system | |
US20240127917A1 (en) | Method and system for providing a document model structure for producing a medical findings report | |
US20240221877A1 (en) | Systems and methods for ranking clinical context documents |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240902 Address after: German Phu F Haim Applicant after: Siemens Medical AG Country or region after: Germany Address before: Erlangen Applicant before: Siemens Healthineers AG Country or region before: Germany |