CN114334176A - 计算机实施的方法、设备和医学系统 - Google Patents
计算机实施的方法、设备和医学系统 Download PDFInfo
- Publication number
- CN114334176A CN114334176A CN202111163943.2A CN202111163943A CN114334176A CN 114334176 A CN114334176 A CN 114334176A CN 202111163943 A CN202111163943 A CN 202111163943A CN 114334176 A CN114334176 A CN 114334176A
- Authority
- CN
- China
- Prior art keywords
- medical
- case
- data set
- training
- priority
- 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 83
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 66
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000011282 treatment Methods 0.000 claims description 25
- 238000012913 prioritisation Methods 0.000 claims description 23
- 206010028980 Neoplasm Diseases 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 13
- 230000007170 pathology Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 8
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 5
- 238000001574 biopsy Methods 0.000 claims description 3
- 210000000746 body region Anatomy 0.000 claims description 3
- 208000023146 Pre-existing disease Diseases 0.000 claims description 2
- 201000010099 disease Diseases 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 238000002560 therapeutic procedure Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012335 pathological evaluation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003936 working memory Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
-
- 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
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen 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
- G16H50/20—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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种用于处理医学病例的计算机实施的方法,所述方法包括以下步骤。在一个步骤中,接收与医学病例相关联的数据集。对于医学病例,通过将已经借助于训练数据集和相关联的已知的训练优先级训练的被训练的函数应用到数据集上来确定用于处理医学病例的优先级。
Description
技术领域
本发明涉及一种用于处理医学病例的方法,并且尤其涉及一种用于通过技术系统优先地处理医学病例的方法。此外提供了对应的设备、医学系统、计算机程序和电子可读的数据载体。
背景技术
在医学专业领域,必须优先化病例来进行评测,因为在一些病例中,治疗开始是对时间要求严格的,并且所述治疗开始与及时的评测相关。例如,在数字病理学中的所面临的评测之前相对于待处理的病例可能已经生成其他数据、诸如放射学评测。如果存在放射学评测,所述放射学评测可以包含可以做出关于病例的评测在病理学中对时间要求多严格的结论的信息。其他信息,如实验室评测、病史、肿瘤联合研讨会记录等也可以用于挑选病例。在此,不仅可以针对肉眼检查的病理学评测而且可以针对显微镜检查的病理学评测将病例优先化。在此,肉眼检查(英文:Gross Imaging)是所提取的整个组织(即例如已分离的整个肿瘤)的摄影记录,而在显微镜检查中,部分区域被染色地以高分辨率被观察。
传统地,基于另一医学专业领域中的转诊医生传递给病理学医师的信息、基于组织病理学的图像信息手动地将病例优先化,或者根据时间上的到达来处理所述病例,然而,在此不能及时识别时间和资源关键的病例,使得可能出现因医学系统的有限资源引起的瓶颈,所述瓶颈引起不能及时处理病例,并且评测不能及时可用。
发明内容
因此,存在对用于处理医学病例的改进的技术的需求,所述改进的技术克服或减轻所述限制和缺点中的至少一些限制和缺点。
所述目的借助于本发明的特征来解决。在下文中描述了本发明的其他有利的实施例。
在下文中,根据本发明的解决方案不仅在所要求保护的方法方面而且也在所要求保护的设备方面予以描述。特征、优点或替选的实施例可以与各另一所要求保护的类别相关联,并且反之亦然。换言之,用于设备的实施例可以通过在方法的范围内描述或要求保护的特征来改进。例如,所述方法的功能特征可以通过医学系统的计算设备来执行。
用于处理病例的计算机实施的方法包括以下步骤。
在一个步骤中,接收一个或多个医学病例的数据,尤其接收与医学病例相关联的数据集。对应地,在一些示例中,可以接收多个数据集,其中多个数据集中的每个数据集可以与多个医学病例中的另外的医学病例相关联。
因此,通常可以获得或存储数据,其中可以包括将数据存储在数据存储器中和从数据存储器中读取数据,并且其中数据存储器可以包括计算设备的任意的、内部的或外部的、永久数据存储器或工作存储器。数据例如可以从分布式数据库或通信网络接收和/或与所述分布式数据库或通信网络交换,其中数据可以与不同的医学专业领域的不同的技术系统相关联、即可以来自所述不同的医学专业领域的不同的技术系统。
在另一步骤中,利用数据集针对医学病例确定优先级,包括:将被训练的函数、换言之被训练的模型应用到数据集上。在此,被训练的函数借助于训练数据集和相关联的已知的训练优先级来训练。因此,通过将被训练的函数应用于作为输入的数据集上,确定作为输出的优先级或优先级值。在所述上下文中,被训练的函数可以包括端到端的被训练的函数,或可以包括包含多个函数参数或模型参数的端到端的被训练的模型,所述被训练的函数基于将模型应用到训练数据集上被训练,以用于确定优先级并且将所确定的优先级与训练优先级进行比较。
因此,在确定优先级中包含有相对于另一医学病例确定较早的处理、即顺序,或包含有为医学病例确定优先级值。可以将一个医学病例的优先级值与另一医学病例的优先级值进行比较,以便确定处理医学病例的顺序,或者换言之,以便选择所述病例之一来处理。
在另一步骤中,提供用于处理医学病例的优先级。因此,在一些示例中,可以从多个医学病例中选择或挑选医学病例,以便例如在具有有限资源的医学技术系统上以优选或优先的方式处理所述医学病例。在一些示例中,可以基于优先级来处理医学病例。
医学病例可以在第一医学专业领域中处理,并且数据集可以包括来自与第一医学专业领域不同的医学专业领域的数据。例如,数据可以来自不同的医学专业领域的至少一个另外的技术系统。在一些示例中,数据可以来自与第一医学专业领域不同的多个医学专业领域,尤其来自不同的医学专业领域的多个技术检查系统。
例如,数据集可以包括医学病例的以下数据和/或参数中的一个或多个或全部数据和/或参数、尤其任意特定子集或任意特定组合,或者由所述医学病例的以下数据和/或参数中的一个或多个或全部数据和/或参数、尤其任意特定子集或任意特定组合构成:
-即将来临的病例研讨会的日期,或直至即将来临的病例研讨会的时段;
-手动确定的参数或转诊医生的评论;
-限定评测的时刻与诊断或治疗的决定是否相关的参数,其中通过将被训练的函数应用到医学病例的数据集上来确定所述参数,其中训练数据集还包含评测训练病例的时刻对于诊断或治疗的决定是否关键的参考信息,尤其包含是否应优先化该训练病例的手动注释;
-限定对于患者而言及时的肿瘤联合研讨会或病例研讨会与治疗的成功是否决定性相关的参数,其中通过将被训练的函数应用到医学病例的数据集上来确定所述参数,其中训练数据集还包含针对训练病例的及时的肿瘤联合研讨会或病例研讨会对于治疗的成功是否决定性的参考信息;
-限定处理与至少一个先前确定的(疑似)诊断是否相关的参数;
-实验室检查的值;
-已有疾病;
-已有疾病的病理学图像;
-一般的患者数据(例如年龄、体重、ICD码、状态,例如可移动的/卧病在床的、私人保险的/法定保险的)。
在一些示例中,被训练的函数可以基于数据集来确定一个或多个参数,一个或多个参数限定:对于患者而言及时的肿瘤联合研讨会或病例研讨会与治疗的成功是否相关,和/或评测的时刻与诊断或治疗的决定是否相关,并且将所述参数用于确定优先级。相关可以理解为该事件对于成功或决定起到作用,例如具有决定性(因果)作用或具有唯一决定性作用。在此,基于多个其他已知的医学病例(训练病例)来训练可训练的函数,其中相应的信息对于训练病例是已知的并且用于训练。对应地,可以将用于提供被训练的函数的方法应用于所描述的参数,其方式为:将通过被训练的函数确定的参数与参考信息进行比较。然而,所描述的参数也可以由特定的其他被训练的函数产生,并且被提供以用于确定优先级。
参数中的至少一个参数可以是另一可训练的模型的输出值,所述另一可训练的模型应用到不同的技术系统、尤其不同的医学专业领域的另一数据集上:
-医学病例的现有图像数据的基于被训练的模型的机器图像评估、尤其放射学图像(CT、MRI、PET/SPECT、尤其由活检涉及的身体区域的CT、MRI、PET/SPECT)的基于被训练的模型的机器图像评估;
-属于医学病例和/或患者的书面文件和/或语音记录的自然语言(英文:NaturalLanguage Processing,NLP)的基于被训练的模型的机器处理;
-基于被训练的模型对在医学系统上进行后续检查和/或处理/治疗的开始/改变/结束的可能的必要性的机器分析。
因此,可以为医学专业领域的特定技术系统确定优先化。
例如,通过另一可训练的模型,可以为通过技术系统待执行的处理确定技术系统的资源的通过待处理的医学病例引起的资源消耗或推测的资源消耗或关于时间的资源消耗。因此,另一模型的输出可以包括技术系统上的医学病例的资源消耗,即在处理可能的病例时的资源消耗。
尤其可以考虑技术系统的资源的现有容量或可用性或关于时间的现有容量或可用性。
因此,用于确定医学病例的优先级的被训练的函数的输入参数例如可以包括被训练的模型的输出,用于确定医学病例的即将面临的处理的资源消耗或通过医学系统确定医学病例的即将面临的处理的资源消耗、即资源特征值或资源特征值的时间序列。例如,可以通过将可训练的模型本身或另一可训练的模型应用到数据集上来确定资源消耗。
应理解的是,对应于本公开的任意技术可能限于包括所述数据和/或参数的一个或多个任意特定组合或子集的任意特定数据集。
可以基于手动设置的优先级或先前以计算机实施的方式确定的优先级的手动改变、尤其基于优先级的先前的手动改变与以计算机实施的方式确定的优先级的比较来训练被训练的函数。因此,在将根据本发明的技术用于医学专业领域期间,可以时间上持续地训练用于确定优先级的被训练的函数。
在另一步骤中,可以向用户显示包括经优先化的医学病例连同其他医学病例的列表。此外,针对经优先化的医学病例可以显示引起优先化医学病例的至少一个参数,即对于优先化决定性的至少一个参数,或显示预测有多大概率必须优先化该病例的概率参数(置信度值)。所显示的病例的顺序可以对应于与优先化该病例相对应的顺序。
优选地,对应于本公开的技术可以使用在(数字)病理学中,其中数据集优选地包含来自放射学的数据。
用于提供用于确定医学病例的优先级的被训练的函数的方法在下文中作为单独的方法被提供,所述方法可以与用于利用被训练的函数确定医学病例的优先级的方法无关地执行。
在一些示例中,所述方法用于提供在用于为医学病例确定优先级的方法中所需的被训练的函数,由此,对应的方法相互补充并且共同作用,即彼此相关联并且彼此相关。
计算机实施的用于提供用于确定医学病例的优先级的被训练的函数的方法包括以下步骤。
在一个步骤中,接收与医学训练病例相关联的至少一个训练数据集。对于医学训练病例,还接收已知的训练优先级(参考优先级)。
在另一步骤中,提供可训练的函数,所述可训练的函数通过应用到训练数据集上来产生优先级。可训练的函数应用到训练数据集上,由此为训练病例确定优先级。
在另一步骤中,将所确定的优先级与参考优先级进行比较,其中比较尤其包括确定所确定的优先级与参考优先级之间的差。
在另一步骤中,基于比较、尤其差来训练可训练的函数,其中调整参数的值,由此被训练的函数的输出对应于已知的训练优先级。通过优化方法,可以使所输出的优先级与参考优先级之间的差最小化。
应理解的是,训练可训练的函数可以有利地利用多个训练病例来执行。其中可以对于多个训练病例中的每个训练病例执行对应的步骤。
在一些示例中,用于提供被训练的函数的方法可以持续地或以反复的时间间隔执行,或者基于数据集的改变或优先级的手动改变来执行。例如,在处理医学病例之后,可以确定是否已执行优先化的手动改变,并且可以基于改变后的手动优先化作为新的已知参考优先级来执行训练。在所述意义上,所处理的医学病例和对应的机器确定的优先级可以作为训练数据集用于模型的持续的训练,所述机器确定的优先级已经通过对应于机器确定的优先级处理病例或通过手动确认被确认或被手动改变。
因此,所公开的技术可以实现高效地利用和规划医学技术系统的资源,由此可以更快和更可靠地提供通过医学系统创建的相关的评测。可以在时间上更好地计划具有不同的资源要求的多个复杂的医学病例,和/或可以更高效地确定病例的顺序,由此可以避免医学系统的资源瓶颈。尤其地,另一医学学科的至少一个另外的医学技术系统的技术参数用于确定病例优先级,这进一步提高了对应于可能的诊断和治疗进行挑选的效率。
因此,对应的医学系统可以设计有更少的资源,由此可以节省成本和工作时间。同时可以改进诊断和治疗的质量,从而改进用于患者的安全性。
设备包括计算单元、存储单元和接口单元。存储单元存储有由计算单元可执行的指令,其中所述设备构成用于,当在计算单元中执行指令时,执行本公开的方法中的一个方法的步骤。
计算机配置用于执行将医学病例优先化。计算机例如可以包括处理器、用于存储程序指令的存储器和用于发送/接收数据的接口(英文:Interface)。在此,存储器存储有由处理器可执行的指令,其中当在处理器中执行指令时,计算机执行根据本公开的任意方法或方法的任意组合的步骤。
技术系统、尤其医学技术系统构成用于执行根据本公开的任意方法的步骤。为此,医学系统可以包括至少一个根据本公开的设备。
计算机程序包括指令,在通过计算机执行程序时,所述指令使所述计算机执行根据本公开的任意方法的步骤。
电子可读的数据载体包括指令,所述指令当通过计算机执行时使所述计算机执行根据本公开的任意方法的步骤。
分布式数据库、尤其云或云应用程序包括数据集和指令,所述指令当通过计算机执行时使所述计算机执行根据本公开的任意方法的步骤。
对于这种设备、医学系统、计算机程序、分布式数据库和电子可读的数据载体,可以获得对应于用于根据本公开的方法的技术效果的技术效果。
虽然在上述概述和以下详细描述中描述的特定特征是结合特定示例所描述的,但应理解的是,所述特征不仅可以在相应的组合中使用,而且也可以单独地或在任意组合中使用,并且只要未明确地另外说明,来自用于方法、设备、医学系统、计算机程序、分布式数据库和电子可读的数据载体的不同的示例中的特征可以彼此组合并且彼此关联。
应提出,当前公开的技术不仅结合用于应用被训练的函数、换言之一个或多个被训练的模型的方法而且结合用于提供对应的被训练的函数的方法彼此相关联地予以描述。特征、优点或替选的实施例可以与其他要求保护的方法相关联,并且反之亦然。换言之,针对用于提供被训练的函数的方法和系统的实施例可以通过结合用于应用被训练的函数的方法和系统所描述的特征来改进,并且反之亦然。
因此,上述概述可以仅提供关于一些实施方式和实现方案的一些特征的简要概览,而不应被理解为限制。其他实施方式可以包括除上述特征之外的特征。
附图说明
下文中参照附图详细阐述本发明。
图1示出根据一些实施例的具有用于通过医学系统处理医学病例的步骤的流程图。
图2示出根据一些实施例的具有用于提供用于为医学病例确定优先级的被训练的函数的步骤的流程图。
图3示意性地示出根据一些实施例的设备,可以借助于所述设备执行根据本发明的方法。
具体实施方式
本公开的上述元件、特征、步骤和构思从以下根据参照附图阐述的示例性的实施例的详细描述中变得清楚。
附图被视为示意图并且在附图中所示出的元件不一定符合比例地示出。更确切地说,不同的元件示出为,使得其功能和其通用目的对于本领域技术人员是清楚的。附图中或在此描述的功能块、设备、部件或其他物理的或功能的单元之间的任何连接或耦合也可以通过间接连接或耦合来实现。部件之间的耦合也可以经由无线连接建立。功能可以在硬件、固件、软件或其组合中实现。
在下文中参照附图详细描述实施例。应注意,不应狭义地理解实施例的以下描述。本发明的范围并不通过以下描述的实施例或附图限制,所述附图仅用于图解说明。
本公开的示例涉及用于处理医学病例的技术、例如用于通过医学技术系统处理医学病例的技术。一些示例涉及用于确定医学病例的优先级或优先级值的技术,例如以用于在医学系统上处理医学病例、确定两个或多个医学病例的顺序、从多个医学病例中确定或挑选待处理的下一病例,或者一般用于处理医学专业领域中的医学病例的方法。
病理学医师期望将其病例优先化以进行评测,因为通常存在处于如下情况的病例:其中治疗开始是对时间要求严格的或所述治疗开始与病理评测相关。然而,基于病理学图像,难以预测哪个病例可以被优先化。在病理学评测之前,已经针对每个病例生成其他数据、如例如放射学评测。如果存在放射学评测,则所述放射学评测可以包含可以做出关于病例的评测对时间要求多严格的结论的信息。其他信息如实验室评测、病史、肿瘤联合研讨会记录等也可以用于优先化。在此,可以不仅对于宏观病理评测而且对于微观病理评测将该病例优先化。在此,肉眼检查(英文:Gross Imaging)是所提取的整个组织(即例如已分离的整个肿瘤)的摄影记录,而在显微镜检查中,部分区域经染色以高分辨率观察。
通常,基于转诊医生传递给病理学医师的信息、基于组织病理学的图像信息手动地、例如在执行初始的诊断的情况下将病例优先化,或者根据收到时间来处理完所述病理。在此,不能考虑其他技术系统的、例如其他医学学科的对于医学病例可用的多个技术参数,因为所述参数与病例的优先级之间的关系由于因果关系和相关关系的大数量和高复杂性而未知并且不能手动识别。因此不能有效利用和运行医学系统,例如,如果例如首先处理不那么紧迫的病例而在随后的任意时刻必须处理多个具有更高的优先级的病例,则医学系统的资源可能在任意时刻都不足够。
在此描述的示例中的一些示例涉及数字病理学的医学系统,此外其中有利地使用来自放射学的技术系统的数据和/或参数,然而应理解的是,本发明的技术可以应用于处理任意医学技术系统、即任意医学学科的技术系统上的病例或优先化任意医学技术系统、即任意医学学科的技术系统上的病例,其中至少一个另外的技术系统的数据可以用于相应的医学病例。
图1示出根据一些实施例的具有用于通过医学系统处理医学病例的步骤的流程图。
所述方法以步骤S10开始。在步骤S20中,接收与医学病例相关联的数据集。在步骤S30中,通过将被训练的函数应用到数据集上来为医学病例确定优先级,其中被训练的函数已经借助于训练数据集和相关联的已知训练优先级被训练。在步骤S40中,提供用于处理医学病例的优先级。所述方法以步骤S50结束。
对应于本公开的技术可以基于(即利用)一组规则/控制参数以机器方式即自动化地优先化。
在此,可以提供预先确定的参数(参数的组合),所述参数引起优先化,并且然后也将其明确列为优先化的原因。这种参数的示例例如是肿瘤联合研讨会的日期或在距病例少于两天的时间内进行的其他跨学科病例研讨会的日期、患者的年龄、患者的保险(私人或法定)、转诊医生例如放射科医生的将所述病例优先化的标记/评论。
附加地,可以提供根据如下方式从回顾性数据中学习的参数:
参数可以是针对所述患者来说,及时的肿瘤联合研讨会或病例研讨会与治疗的成功是否决定性相关的参数。所述注释可以以最简单地方式从病理学医师或肿瘤医师获得(例如,其方式为,基于问卷或软件工具收集其中决定性或非决定性的病例)。
替选地,可以尝试从病例研讨会的优先化中学习。在任何情况下,用于算法的输入参数都是这种病例是否会被优先话的注释:是/否(1/0)。所述算法可以获得用于训练的标准化的数据集,以便找出哪些参数与优先化相关的模式。
另一参数可以是评测的时刻是否关键的参数:基于当前训练数据,算法可以识别在数字病理学中评测的时刻对于随后的治疗决策是决定性的(例如,只有分离达到特定肿瘤尺寸的肿瘤是成功的,因为快速的评测,所以才可以在肿瘤扩散之前及时分离所述肿瘤)和/或对于治疗成功是决定性的(例如可以从患者管理的病历/日志文件中读取,可能也可以考虑生存概率))特征。
替选于治疗改变,也可以适用于诊断改变。可以按照比较数字病理学中的评测前后的患者病历中的文件来确定诊断的改变(用于自由文本的NLP、如果存在ICD-10码,则也可能是ICD-10码)。
病理学医师关于时间手动优先化可以用于使算法精细化,例如使病理学医师处理病例的顺序精细化。
原则上,可以使用对于患者可用的所有数据集,以便将个别病例优先化。
用于优先化的相关的输入参数、即输入值可以通过以下方法中的一个方法或组合找出:
原则上可以使用患者的所有结构化数据(年龄、性别、体重、ICD码、其他病例数据),而无需进一步的预先处理。
属于病例和/或患者的(非结构化的)书面文件、如例如报告、医生信函和病例会议、例如肿瘤联合研讨会的记录的自然语言(英文:Natural Language Processing,NLP)的机器处理。在此,尤其可以借助于NLP来确定(疑似)诊断,并且可以有利地确定所面临的评测是否与所述诊断中的至少一个诊断相关。然后,尤其可以从诊断的对时间要求严格性中推断出评测的优先级。
现有的放射学图像(CT、MRI、PET/SPECT、尤其涉及活检的身体区域的CT、MRI、PET/SPECT)可以借助于用于放射学图像的图像评估的算法进行预处理,尤其借助于基于机器学习的算法进行预处理。尤其可以借助于所述算法对组织或结构的特性进行分析和分类。
附加地输出的置信度值也可以有利地用于这种算法。所述置信度值对应于如下可靠性:算法的输出值以所述可靠性实际对应于现实。尤其可以将如下评测更高地优先化:在所述评测中存在关于放射学图像的低置信度(即可以借助于病理学降低的高的不可靠性)。
自动化地分析进一步染色和/或分子病理学的可能的必要性和/或进一步检查以用于确认最终诊断的必要性。由病理学医师做出关于进一步染色的最终决定,但是所述参数可能与优先化仍然相关。
病理学医师被自动地建议经优先化的病例列表,所述病理学医师在需要时可以手动干预所述病例列表。如果可行,可以使为什么将病例优先化可视化。如果引起优先化的参数已知,则这是可行的。对于其他病例,可以示出预测有多大概率必须优先化病例的概率参数。
病例可以显示在从高到低的优先级的列表中。特别关键的病例可以附加地通过符号/颜色等突出。尤其地,可以向病理学医师示出,何时举行涉及相应的病例的肿瘤联合研讨会,如果这被确定的话。
不仅使用来自病理学的信息,而且还使用关于病例的所有可供使用的数据或可供使用的数据的选择,这使得更有可能将正确的病例优先化。因此,在平均上紧迫的诊断可以更快地到达转诊医生处。因为病理评测通常表示评测链的末端处的瓶颈,所以患者可以更快地获得对其时间上要求严格的治疗,由此患者的预后可以变得更好。病例会议可以更频繁地基于必要的评测数据做出所述病例会议的决定。使用图像数据可以确保:在将病理学中的病例优先化时,也考虑放射科医生为了优先化而假定归为不相关的数据。
图2示出根据一些实施例的具有用于提供用于为医学病例确定优先级的被训练的函数的步骤的流程图。
所述方法以步骤T10开始。在步骤T20中,接收至少一个医学训练病例的训练数据集,还接收对于至少一个医学训练病例已知的优先级、例如处理医学训练病例的优先级。在步骤T30中,将可训练的函数应用到训练数据集上,其中通过将可训练的函数应用到训练数据集上来为医学训练病例确定优先级。在步骤T40中,将对于医学训练病例确定的优先级与已知的训练优先级进行比较。基于比较,步骤T50调整包含在可训练的函数中的至少一个参数,换言之,基于训练数据集和训练优先级来训练可训练的函数。所述方法以步骤T60结束。
因此,所描述的技术具有更高效地利用技术系统的资源的效果,即可以时间上更精确地分配技术系统的资源,其方式是:通过使用不同的医学学科、即另一医学专业领域中的至少一个另外的技术系统的技术参数和/或输出值和/或信号值和/或测量值,可以实现(持续)确定/选择病例来处理,例如以如下方式:待使用的医学系统的资源的瓶颈在任何以后的时刻都不出现,其中保证根据病例的紧迫性来规划所述病例,使得具有较少资源的对应的技术系统可以准时并且成本有利地实现所面临的处理。
图3示意性地示出根据一些实施例的设备10,根据本发明的方法可以借助于所述设备来执行。
设备10包括计算单元30、存储单元40、接口单元20,其中存储单元40存储有由计算单元30可执行的指令,并且其中设备10构成用于,当在计算单元30中执行指令时,执行根据本公开的方法的以下步骤。
结合本发明,计算单元或处理器例如可以被理解为机器或电子电路。处理器尤其可以是主处理器(英文:Central Processing Unit(中央处理单元),CPU)、微处理器或微控制器,例如专用集成电路或数字信号处理器等、可能结合用于存储程序指令的存储单元。处理器例如也可以是IC(集成电路,英文:Integrated Circuit)、尤其FPGA(英文:Fieldprogrammable Gate Array(现场可编程门阵列))或ASIC(专用集成电路,英文:Application-Specific Integrated Circuit),或可以是DSP(数字信号处理器,英文:Digital Signal Processor)或图形处理器GPU(英文:Graphic Processing Unit)。处理器也可以被理解为虚拟处理器、虚拟机或软CPU。例如也可以涉及可编程处理器,所述可编程处理器配备有用于执行根据本发明所述方法的配置步骤,或者配置有配置步骤,使得可编程处理器实现本发明的方法、部件、模块或其他方面和/或部分方面的根据本发明的特征。
结合本发明,存储器、存储单元或存储模块等例如可以理解为呈工作存储器形式的易失存储器(英文:Random-Access Memory,RAM)或永久存储器、如硬盘或数据载体。
通常,本公开的示例提出多个电路、数据存储器、接口或电处理设备例如处理器。对所述单元和其他电设备及由其提供的功能的所有参照不限于图示和描述的内容。虽然不同的电路或所公开的其他电设备可以与特定的名称相关联,但是所述名称不旨在限制电路和其他电设备的功能范围。所述电路和其他电设备可以根据电学实施方案的期望的类型彼此组合和/或彼此分离。应理解的是,所公开的每个电路或另外的电设备可以包括任意数量的微控制器、图形处理单元(GPU)、集成电路、存储设备,例如FLASH、工作存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或其任意其他合适的实施方式以及软件,它们彼此协作,以便执行在此公开的方法步骤。此外,电设备中的每个电设备可以配置用于执行包含在电子可读的数据载体中的并且配置用于执行根据本公开的方法的任意数量的步骤的程序代码。
从上述内容中可以推断出一些一般性结论:
所述方法可以优选地计算机辅助地实现、即计算机实施和/或自动化实现。
被训练的函数的应用可以由神经网络执行,所述神经网络可以包括多个分类功能。在不同的示例中,被训练的函数可以包括用于机器学习的一个或多个已知的分类器。不受限制地,被训练的函数例如可以基于支持向量机、决策树和/或贝叶斯网络、k平均聚类、Q-学习、遗传算法和/或关联规则中的一项或多项。神经网络例如可以是深度神经网络、卷积神经网络或卷积深度神经网络、对抗网络、深度对抗网络和/或生成式对抗网络或基于模型的机器学习网络架构。
医学系统中的KI引擎或计算模块可以配置用于执行所描述的方法中的一个方法并且可以使用至少一个在该技术中已知的机器学习功能或分类器、如例如SVM和/或神经网络。在不同的示例中,KI引擎使用多个机器学习功能、例如分层网络架构中的七个或更多个机器学习功能。
例如,可以将神经网络和支持向量机用于处理参数。例如,可以将序列资格算法(Sequenzqualifizierungsalgorithmen)、如LSTM用于分析传感器数据。关于SOH的确定,将被训练的函数应用到参数和/或传感器原始数据上、即加载过程的测量数据上可以包括将至少一个分类算法应用到输入数据上,所述至少一个分类算法可以涉及用于机器学习的分类器。被训练的函数例如可以包括机器训练的分类器,所述分类器在神经网络中的多个层中应用到数据集上。
被训练的函数可以包括可训练的算法或可训练的模型,所述可训练的模型可以应用到参数和/或测量数据上。例如,被训练的函数可以包括多个模型参数,所述模型参数限定了如何将被训练的函数应用到参数和测量数据上以及如何从参数和/或测量数据中确定老化状态。在此,可以基于经训练的模型到参数和/或测量数据上的应用来调整、修正或改变模型参数,使得可以使用重新参数化的模型,以便确定更精确的优先化。
因此,可以使用医学病例的优先级值以用于将医学病例优先化或挑选医学病例。例如,可以基于优先级值将医学病例写入有序的数据集中。
数据集可以包括数据、测量数据和从测量数据中确定的参数,数据尤其可以是实时数据、例如实时测量数据,所述实时数据是连续地或持续地或实时地测量的,例如在用于确定优先级的方法之前和/或期间和/或之后以有规律的间隔测量的。通常,参数可以包括两个状态的离散值0或1、即标志,或包括多个离散值或来自连续值域中的一个或多个离散值。
在一些示例中,数据集可以包含2个或3个或4个或5个不同的医学专业领域的数据。专业领域可以包括人类医学和/或牙科或兽医的专业领域。
确定优先级通常可以包括确定比较参数(优先级值)以用于基于比较参数与另一医学病例进行比较,对应地可以基于比较参数从多个病例中选择或挑选病例或将病例优先化。因此,可以相对于第二病例将第一病例优先化,换言之,可以确定相对于第二病例的顺序或处理时刻,使得可以利用比较值来处理病例。
提供医学病例的优先化可以包括列出对应于优先化的顺序的病例。
对应于本公开的技术可以基于触发器来执行,所述触发器可以手动地设置或可以自动化地设置。例如,所述方法可以通过另一医学学科的技术系统的预确定的事件例如数据集中的其他数据的测量时刻触发,以用于再优先化待处理的病例,或者可以分别在预确定的时间间隔之后持续地执行。也可设想,利用经训练的模型基于数据集动态地持续确定用于执行的对应的时间间隔或时刻。
提供优先化还可以包括提供关于优先化的置信度值。
参数可以包括参数的时间序列,即数据集中的至少一个参数可以包括多个测量值连带相关联的时刻。
对于医学病例,数据集可以存储在分布式数据库中,所述分布式数据库在不同的医学专业领域的技术系统的通信网络中实现。
优先化一个或多个病例可以在预确定的时间间隔之后有规律地进行,或者可以针对相关联的数据集中的一个数据集被更新的情况才执行。因此,可以持续确定待处理的病例的被更新的顺序,所述被更新的顺序可以表示当前数据情况、例如紧急病例。
通过将一个或多个医学病例相对于彼此优先化,可以确定医学病例的处理顺序。
在一些示例中,所述方法可以应用到待优先化的所有医学病例上,其中例如可以成对地确定两个病例相对于彼此的优先化。在其他示例中,所述方法仅可以应用到一个病例、新的病例或数据集改变的病例上,其中可以确定改变的优先级值。可以基于优先级值来确定医学病例的处理的优先化或顺序,例如可以将医学病例分类到病例的现有顺序中。因此可以更高效地消耗技术系统的资源,所述资源可以具有时间上可变的可用性。
将被训练的函数应用到数据集上可以包括输出优先级值和相关联的置信度值,其中两个值通过将可训练的函数应用到数据集上产生,或者可以包括从多个病例中确定一个病例的优先级。
数据集可以包括来自另一医学学科的参数和/或检查结果,作为其他数据。任意或所有参数/数据可以优选地设有时间值、例如说明如下时刻或时间范围的时间戳:在所述时刻或时间范围确定或检测数据/参数。
在处理医学病例中例如也可以包括医学病例的病例研讨会。
技术系统例如可以是为了检查患者的样本或创建评测所需的医学系统。
数据集可以包含表征医学病例的过程的患者数据,例如先前的检查、过程数据即关于在时间上变化的参数的时间变化曲线的数据,也可设想关于住院治疗的数据,例如病房护理/重症监护和类似的位置数据。
方法可以包括为多个医学病例中的每个医学病例确定优先级值,其中进一步挑选病例中的一个病例和/或通过技术系统进行处理。
方法还可以包括在显示装置上至少显示经优先化的医学病例,其中将经优先化的病例对应于其经优先化的顺序显示给用户,并且其中在每个病例中附加地显示引起将病例优先化的参数中的至少一个参数和/或用于优先化级的置信度值。
总之,提供了用于通过技术系统处理医学病例的技术,其中例如通过不同的技术系统处理在不同的医学专业领域中的医学病例。已经借助于已知医学病例的数据训练的被训练的模型应用到与医学病例相关联的数据集上。数据集包括目前对于医学病例可用的数据、尤其来自其他医学专业领域的数据。通过应用所述模型,可以自动化地确定用于处理医学病例的优先级,这使得在计算机辅助的方法中可以对应于病例的优先级有选择地并且以时间优化的方式将技术系统的资源分配到所述病例上。由此可以避免资源瓶颈,并且技术系统可以设计有更少的资源。对应地,可以改进通过医学系统的评测的质量和时间可用性,从而改进患者安全性。
虽然已经关于特定优选的实施例示出和描述了本发明,但是通过本领域技术人员在阅读和理解所述描述后实现等效方案和变型方案。本发明包括所有这种等效方案和变型方案,并且仅通过所附权利要求的范围来限制。
Claims (10)
1.一种计算机实施的方法,包括以下步骤:
-接收与医学病例相关联的数据集;
-利用所述数据集为所述医学病例确定优先级,包括:将被训练的函数应用到所述数据集上,其中所述被训练的函数已经借助于训练数据集和相关联的已知的训练优先级被训练;以及
-提供用于处理所述医学病例的优先级。
2.根据权利要求1所述的计算机实施的方法,其中所述数据集包括不同的医学专业领域的至少一个另外的技术系统的与所述医学病例相关联的数据。
3.根据上述权利要求中任一项所述的计算机实施的方法,其中所述数据集包括所述医学病例的以下参数:
-即将面临的病例研讨会的日期,或距离即将面临的病例研讨会的持续时间;
-手动确定的参数或转诊医生的评论;
-限定了评测的时刻与诊断或治疗的决定是否相关的参数,其中所述参数通过将所述被训练的函数应用到所述医学病例的数据集上来确定,其中训练数据集还包含评测所述训练病例的时刻对于诊断或治疗的决定是否关键的参考信息,尤其包含是否应将所述训练病例优先化的手动注释;
-对如下进行限定的参数:对于患者,及时的肿瘤联合研讨会或病例研讨会对于治疗的成功是否决定性相关,其中所述参数通过将所述被训练的函数应用到所述医学病例的数据集上来确定,其中训练数据集还包含对于所述训练病例的及时的肿瘤联合研讨会或病例研讨会对于治疗的成功是否决定性的参考信息;
-限定了所述处理与至少一个先前确定的(疑似)诊断是否相关的参数;
-实验室检查的值;
-已有疾病;
-已有疾病的病理学图像;
-一般性患者数据(例如年龄、体重、ICD码、状态,例如可移动的/卧病在床的、私人保险的/法定保险的)。
4.根据上述权利要求中任一项所述的计算机实施的方法,其中所述被训练的函数已经基于优先级的先前的手动改变与计算机实施的所确定的优先级的比较被训练。
5.根据上述权利要求中任一项所述的计算机实施的方法,其中所述参数中的至少一个参数是另一可训练的模型的输出值,所述另一可训练的模型已被应用到另一技术系统的数据集上,所述另一可训练的模型包括如下的一项或多项:
-所述医学病例的现有图像数据的基于可训练的模型的机器图像评估,尤其放射学图像(CT、MRI、PET/SPECT、尤其涉及活检的身体区域的CT、MRI、PET/SPECT)的基于可训练的模型的机器图像评估;
-属于所述医学病例和/或所述患者的书面文件或语音记录的自然语言的基于可训练的模型的机器处理;以及
-基于可训练的模型对在医学系统上进行后续检查或开始或改变处理或治疗的可能的必要性的机器确定。
6.根据上述权利要求中任一项所述的计算机实施的方法,还包括:
-以对应于优先化的顺序显示包括经优先化的所述病例和其他医学病例的有序的列表,可选地,附加地显示关于所述经优先化的病例的引起优先化的至少一个参数和/或预测有多大概率必须优先化所述病例的概率参数。
7.根据上述权利要求中任一项所述的计算机实施的方法,其中执行在病理学中所述医学病例的处理,并且所述数据集包含来自放射学中的数据。
8.一种用于提供用于确定医学病例的优先级的被训练的函数的计算机实施的方法,所述方法包括以下步骤:
-接收至少一个医学训练病例的训练数据集和对于所述至少一个医学训练病例已知的训练优先级;
-将可训练的函数应用到所述训练数据集上,其中通过将所述可训练的函数应用到所述训练数据集上来为所述医学训练病例确定优先级;
-将所述优先级与已知的训练优先级进行比较;以及
-基于所述优先级与所述已知的训练优先级的比较来调整所述被训练的函数中的至少一个参数。
9.一种设备(10),包括计算单元(30)、存储单元(40)、接口单元(20),其中所述存储单元(40)存储有由所述计算单元(30)可执行的指令,并且其中所述设备(10)构成用于,当在所述计算单元(30)中执行所述指令时,执行以下步骤:
-接收与要通过医学系统处理的医学病例相关联的数据集;
-利用所述数据集为所述医学病例确定优先级,包括:将被训练的函数应用到所述数据集上,其中所述被训练的函数已经借助于训练数据集和相关联的已知训练优先级被训练;以及
-提供用于处理所述医学病例的所述优先级。
10.一种医学系统,包括至少一个根据权利要求9所述的设备。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020212318.7A DE102020212318A1 (de) | 2020-09-30 | 2020-09-30 | Fallpriorisierung für ein medizinisches System |
DE102020212318.7 | 2020-09-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114334176A true CN114334176A (zh) | 2022-04-12 |
Family
ID=80624352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111163943.2A Pending CN114334176A (zh) | 2020-09-30 | 2021-09-30 | 计算机实施的方法、设备和医学系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220102003A1 (zh) |
CN (1) | CN114334176A (zh) |
DE (1) | DE102020212318A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117936055B (zh) * | 2024-03-25 | 2024-05-24 | 四川互慧软件有限公司 | 一种基于工作负载的医疗项目分配方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070226008A1 (en) * | 2005-03-23 | 2007-09-27 | Halsted Mark J | Automated system and method for prioritization of waiting patients |
US20160350288A1 (en) * | 2015-05-29 | 2016-12-01 | Oracle International Corporation | Multilingual embeddings for natural language processing |
CN106462662A (zh) * | 2014-05-12 | 2017-02-22 | 皇家飞利浦有限公司 | 用于基于病例难度的计算机辅助患者分层的方法和系统 |
US20170053215A1 (en) * | 2012-04-18 | 2017-02-23 | Tagasauris, Inc. | Task-agnostic integration of human and machine intelligence |
CN109411082A (zh) * | 2018-11-08 | 2019-03-01 | 西华大学 | 一种医疗质量评价及就诊推荐方法 |
CN110349652A (zh) * | 2019-07-12 | 2019-10-18 | 之江实验室 | 一种融合结构化影像数据的医疗数据分析系统 |
WO2020144645A1 (en) * | 2019-01-10 | 2020-07-16 | 3M Innovative Properties Company | Document improvement prioritization using automated generated codes |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6678669B2 (en) * | 1996-02-09 | 2004-01-13 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
US10825167B2 (en) | 2017-04-28 | 2020-11-03 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
US11011257B2 (en) | 2018-11-21 | 2021-05-18 | Enlitic, Inc. | Multi-label heat map display system |
CN109686444A (zh) | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的系统和方法 |
US20200411171A1 (en) * | 2019-06-25 | 2020-12-31 | Ezdi Inc | Computer system and method for worklist prioritization for clinical documentation improvement (cdi) in medical coding |
-
2020
- 2020-09-30 DE DE102020212318.7A patent/DE102020212318A1/de active Pending
-
2021
- 2021-09-21 US US17/480,289 patent/US20220102003A1/en active Pending
- 2021-09-30 CN CN202111163943.2A patent/CN114334176A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070226008A1 (en) * | 2005-03-23 | 2007-09-27 | Halsted Mark J | Automated system and method for prioritization of waiting patients |
US20170053215A1 (en) * | 2012-04-18 | 2017-02-23 | Tagasauris, Inc. | Task-agnostic integration of human and machine intelligence |
CN106462662A (zh) * | 2014-05-12 | 2017-02-22 | 皇家飞利浦有限公司 | 用于基于病例难度的计算机辅助患者分层的方法和系统 |
US20160350288A1 (en) * | 2015-05-29 | 2016-12-01 | Oracle International Corporation | Multilingual embeddings for natural language processing |
CN109411082A (zh) * | 2018-11-08 | 2019-03-01 | 西华大学 | 一种医疗质量评价及就诊推荐方法 |
WO2020144645A1 (en) * | 2019-01-10 | 2020-07-16 | 3M Innovative Properties Company | Document improvement prioritization using automated generated codes |
US20200227147A1 (en) * | 2019-01-10 | 2020-07-16 | 3M Innovative Properties Company | Automated generation of codes |
CN110349652A (zh) * | 2019-07-12 | 2019-10-18 | 之江实验室 | 一种融合结构化影像数据的医疗数据分析系统 |
Non-Patent Citations (1)
Title |
---|
IVO M BALTRUSCHAT ET AL: "Intelligent chest X-ray worklist prioritization by CNNs: a clinical workflow simulation", PROCEEDINGS OF MECHINE LEARNING RESEARCH, 23 January 2020 (2020-01-23), pages 1 - 13 * |
Also Published As
Publication number | Publication date |
---|---|
DE102020212318A1 (de) | 2022-03-31 |
US20220102003A1 (en) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10825167B2 (en) | Rapid assessment and outcome analysis for medical patients | |
CN107004043B (zh) | 优化检测和标记感兴趣解剖结构的系统和方法 | |
EP3404666A2 (en) | Rapid assessment and outcome analysis for medical patients | |
JP5523342B2 (ja) | 類似事例検索を精密化するための方法及び装置 | |
KR102488986B1 (ko) | 디지털 병리학을 위한 슬라이드들의 처리된 이미지들을 자동으로 우선순위화하기 위해 슬라이드들의 이미지들을 처리하기 위한 시스템들 및 방법들 | |
US20210035680A1 (en) | Systems and methods for automating clinical workflow decisions and generating a priority read indicator | |
US20190189264A1 (en) | Triage of patient medical condition based on cognitive classification of medical images | |
US20220238225A1 (en) | Systems and Methods for AI-Enabled Instant Diagnostic Follow-Up | |
US20190189266A1 (en) | Automated worklist prioritization of patient care based on cognitive classification of medical images | |
EP3745416A1 (en) | Clinical decision support | |
US20190189265A1 (en) | Automated medical case routing based on discrepancies between human and machine diagnoses | |
US20150019232A1 (en) | Identifying target patients for new drugs by mining real-world evidence | |
CN114334176A (zh) | 计算机实施的方法、设备和医学系统 | |
US20240046468A1 (en) | Computer-assisted medical diagnosis system and method | |
US20240021320A1 (en) | Worklist prioritization using non-patient data for urgency estimation | |
EP3920190A1 (en) | Bias detection in sensor signals | |
KR20240032920A (ko) | 치료 옵션 및 결과 추적을 제공하기 위한 진행 이정표에 대응하는 정확한 환자 데이터를 제공하기 위한 시스템 및 방법 |
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 |