CN114342001A - 包含与高血压治疗相关的专业知识在内的人工智能系统 - Google Patents

Abstract

提供了一种过程，包括：获得量化患者的心血管状况的测试数据，以及输出推荐的施用药物的序列。

Description

包含与高血压治疗相关的专业知识在内的人工智能系统

相关申请的交叉引用

本PCT申请要求2019年8月19日提交的题为“ARTIFICIAL INTELLIGENCE SYSTEMSTHAT INCORPORATE EXPERT KNOWLEDGE RELATED TO HYPERTENSION TREATEMENTS”的美国临时专利申请62/888,928的权益，并且本PCT申请是2019年8月20日提交的题为“ARTIFICIAL INTELLIGENCE SYSTEMS THAT INCORPORATE EXPERT KNOWLEDGE RELATED TOHYPERTENSION TREATMENTS”的美国专利申请16/546,156的继续申请。每份前述专利申请的全部内容通过引用并入本文以用于所有目的。

技术领域

本公开总体上涉及人工智能(AI)，并且更具体地，涉及结合与高血压患者的管理和护理相关的专业知识同时保留进行归纳以提供对新型输入的适当响应的能力的AI系统。

背景技术

医师和其他医疗从业人员在治疗患者时面临着巨大的复杂性。这种复杂性的很大一部分涉及选择最能帮助特定患者的药物以及该患者的大量特定变量。通常，医生必须基于患者的相对嘈杂的、高维的数据在不确定的情况下做出决定，而这些信号可能随着时间的推移而演变，并且在有些情况下难以预测。

医疗从业人员接受过培训，并被教导了解和应用大量医学研究来为患者选择适当的干预措施。目前，每年大约有800,000篇新的医学期刊文章被发表。为了获得食品和药物管理局(FDA)的批准，每种药物都必须在FDA监督和批准下在精心构建和执行的研究中进行测试。同一药物的后续研究可以在独立主持下进行或由药物制造商赞助。每项研究都具有包含变量和排除变量的特定集合。对同一药物的不同研究可以而且通常确实具有不同的包含变量和排除变量以及值。当医师开药时，他们不太可能从记忆中回忆起哪些研究调查了该病症或该药物，并且极不可能回忆起任何包含变量和排除变量。因此，确定使用哪种药物非常困难。

为了协助本领域的工作人员，有时在不同国家或国际权威机构如美国心脏病学会、美国心脏协会、医学研究所等的授权下召集专家小组，对与特定疾病状况相关的各种研究进行梳理，并更新关于该疾病状况的可用科学，从而得出高水平的发现。在发表了数十万页的科学论文之后，例如机构可能建立护理标准，该护理标准有时被称为“循证护理标准”(EBS)。在某些领域，EBS或其他标准将最少定义一个标准，例如治疗目标和关于可以用于实现该目标的各种工具的一般评论，通过该标准可以衡量成功的治疗或疗法。但这些标准可能难以实施、过时、或应用较少粒度的启发式方法来支持可管理性而不是精确性。

鉴于这些挑战，直到最近，开发人员和计算机科学研究人员才开始尝试帮助医生为患者选择合适的治疗方案，而迄今为止，这些尝试中的许多仅限于癌症等疾病。然而，这些尝试一般都尚未取得成功。一些方法已经尝试应用专家系统，该专家系统将整个医学知识编码到规则集合中。规则的问题在于，与变量可以相互作用的方式相结合的变量的数量以及解决方案选项的数量可以接近数千万排列，这超出了规则制定的能力。通常，专家系统已经被证明过于脆弱，不能在系统架构师明确考虑的场景之外进行归纳。这种系统通常与呈现新型场景的患者进行斗争。另一方面，一些研究人员已经试图根据治疗和患者反应的历史记录来训练具有相对大量自由度的模型，如深度神经网络。然而，这些系统通常无法从由医学研究产生的知识中受益，并且在许多情况下具有相对较低的培训效率。这些模型与较小的训练集合、以及样本在模型可能稍后被要求执行的区域中稀疏的训练集合进行斗争。还有一个问题是，医疗数据通常非常嘈杂且充满错误。

发明内容

以下是本技术的一些方面的非详尽列表。这些和其他方面在以下公开中被描述。

一些方面包括一过程，该过程包括：通过计算机系统，根据一个或多个测试获得例如将患者的心血管功能状况量化的数据，该测试数据指定患者的多个心脏、血管和心血管维度上的患者属性，多个心血管维度的第一子集是独立的心血管维度，而多个心血管维度的第二子集是非独立的心血管维度；通过所述计算机系统，确定所述心血管维度中的每个维度上的测试数据与目标标准之间的多个归一化差异，所述多个归一化差异将患者的高血压的不同方面量化；通过计算机系统，确定具有高血压作为指示的多个不同类别药物中的每种类别药物的预测影响向量，其中：预测影响向量各自与不同类别药物中的不同的相应类别药物相对应，预测影响向量各自具有多个值，该多个值量化对应类别药物在患者的心血管维度的第三集合中的对应维度上的相应影响，这些值各自基于第三集合中的对应维度上的对应归一化差异和对应类别药物在对应维度上的影响的相应强度，基于对应类别药物的各自多维模型来确定相应强度影响，以及第三集合至少与第一子集和第二子集重叠；通过所述计算机系统，基于所述对应类别药物的对应预测影响向量的值，确定所述不同类别药物中的每个相应类别药物的总分数；通过计算机系统，基于总分数对不同类别药物进行排名，以形成不同类别药物的排名列表；以及通过所述计算机系统，基于所述排名，输出向患者施用所述类别药物的推荐序列。

一些方面包括有形的非暂时性机器可读介质，该介质存储指令，该指令当被数据处理装置执行时使该数据处理装置执行包括根据上述过程所述的操作。

一些方面包括一种系统，该系统包括：一个或多个处理器；以及存储器，存储指令，该指令当被处理器执行时使处理器实现根据上述过程所述的操作。

附图说明

当参考以下附图阅读本申请时，将更好地理解本技术的上述方面和其他方面，其中相同的标记表示相似或相同的元件：

图1是根据本技术的一些实施例的知识表示的医学推荐AI应用的逻辑架构框图；

图2是根据本技术的一些实施例的可以用图1的逻辑架构实现的针对高血压的医疗干预推荐过程的流程图；以及

图3是根据本技术的一些实施例的可以在其上执行图1的应用和图2的过程的计算设备的示例的框图。

尽管本技术易于具有各种修改和替代形式，但其特定实施例在附图中以示例的方式示出并且将在本文中详细描述。附图可能未按比例绘制。然而，应当理解，附图及其详细描述并非旨在将本技术限制于所公开的特定形式，相反，旨在涵盖落入由所附权利要求限定的本技术的精神和范围内的所有修改、等同形式和替代形式。

具体实施方式

为了减轻本文所述的问题，发明人必须都发明解决方案，并且在一些情况下同样重要的是，要认识到人工智能领域的被其他人忽略(或尚未预见)的问题。实际上，本发明人希望强调，如果工业趋势如本发明人预期的那样继续下去，应认识到那些新生的并将在未来变得更加明显的问题的难度。此外，因为解决了多个问题，应当理解，一些实施例是特定于问题的，并且并非所有实施例都解决了本文所述的传统系统的每个问题或提供了本文所述的每个益处。也就是说，下面描述了解决这些问题的各种排列的改进。

一些实施例通过人工智能应用来缓解上述问题中的一些，该人工智能应用响应于相对高维患者状况空间的相对较大包络中的患者状况将来自医学研究的知识编码在模型集合中。作为结果，这些模型预计不会像专家系统中的规则那样脆弱，同时仍能从该领域的相关文献中获取医学知识。此外，与无法从专业知识中受益的机器学习模型的单纯应用相比，预期这些模型的训练数据的效率更高。这些都不建议放弃使用本技术与专家系统或这种机器学习模型相结合的权利，或者放弃本文中讨论的任何其他主题。

参考推荐对高血压干预来描述本技术，但应该强调的是，本计算技术有望应用于具有与所讨论的用例类似的特性的广泛领域。就在30年前，治疗高血压的药物很少，并且许多患者因血压失控而死亡或遭受严重并发症(例如中风、心脏病发作、短暂性脑缺血发作(TIA)、肾衰竭等)。在那些日子里，医师会尝试几种可用的药物来降低血压。然而，血压通常无法控制。

在随后的几年中，对高血压以及大多数其他常见慢性病进行了大量研究，从而对这些疾病、其原因以及与这些疾病相关的各种因素或变量有更深入、更复杂的理解。附加的知识反过来导致了更多疗法的发展。2019年有超过12种药物类别可以用于治疗高血压，并且在这些类别中，每个类别通常有多种不同的药物，每种药物与同一类别中的其他药物略有不同。

如上所述，EBS或其他标准可以定义一标准，例如治疗目标和关于可以用于实现该目标的各种工具的一般评论，通过该标准可以衡量成功的治疗或疗法。例如，在高血压中，≤139/89(也表示为＜140/90)的血压被认为是受控制的，而≥140/90的血压被认为是“不受控制的”，并因此被几个权威机构认为对患者更危险。其他权威机构已经有说服力地主张血压低至＜130/80，因此在一些情况下没有普遍共识。

疾病控制中心(CDC)指出，＜140/90的目标是控制高血压的最低标准。医疗保险和医疗补助中心(CMS)要求提供者必须报告其所有年龄小于85岁且诊断为高血压低于140/90的成年患者的百分比，该百分比是衡量医师作为高血压治疗师成功的指标。CDC还报告，只有大约半的美国高血压患者达到了血压＜140/90的安全水平。

血压读数通常包括收缩血压和舒张血压(即收缩压/舒张压)两者。这些是高阶措施。收缩压和舒张压是一系列“因果”关系的结果。并非所有这些关系都被医学完全理解或知道，但很多被医学完全理解或知道。例如，血压部分地取决于心脏、血管和体液状况的各种性能特征。心脏功能、血管功能或患者的体液状况反过来又被许多神经激素、生化、机械、年龄、种族、遗传和其他变量的影响或确定。

以达到期望的终点血压的方式来治疗患者是可以的，但其他心脏变量、血管变量、体液变量超出范围是不可接受的。在这种情况下，尽管患者的血压“良好”(例如，低于140/90)，但其护理并未得到次优化，因为虽然总体血压符合护理EBS，但基本参数并不理想。例如，当一个变量被过量治疗而另一变量治疗不足导致“平均”血压处于可接受的水平时，就会发生这种情况。在这些情况下，尽管血压在所期望的范围内，但可能会对患者当前或未来的整体健康状况造成持续伤害。

变量的另一集合是特定的高血压患者可能患有大量合并症中的任何一种，这些合并症可以单独或联合确定哪些疗法可以或不能有效或安全地使用。合并症对治疗策略有多种潜在影响，潜在影响包括：

a.合并症可以促进某些药物或疗法的使用；

b.合并症可以改变药剂或疗法的治疗特性，使其或多或少有效；

c.合并症可以消除使用某些疗法的可能性；

d.合并症可以改变使用治疗的优先级或次序；

e.合并症可能导致某些潜在问题，这些问题然后在增加疗法时必须对其进行评估；以及

f.合并症可以改变或完全改变疾病的治疗终点。

在一些情况下，一种合并症的影响将治疗指向一个方向，而第二种合并症的影响将治疗指向相反的方向，并且这种冲突必须基于对各种因素权重的某种评估来解决。

科学知识的发展已经产生了对所有这些驱动血压的患者属性的认识，已经导致疗法的增加，这些疗法包括今天存在但在30年或更少年前不存在的数百种药物。

因此，治疗高血压涉及上述复杂性。值得记住的是，截至2019年，每年发表的科学医学文章超过800,000篇。这是人类行为者需要吸收的大量信息。在血压治疗中，医师或其他有执照的护理提供者的作用是计算所有或尽可能多的上述变量，以便确定对特定患者的有效治疗以及最佳治疗。当考虑所有心血管、人口统计、药理学和合并症状况时，字面上涉及数千万种排列。这种复杂性甚至超过了一非常聪明的人在她的脑海中可以管理的程度。人们认为，这是高血压治疗成功率平均低至50％的根本原因。通常发生的情况是，患有最常见形式的高血压且没有很多并发症或合并症的患者最有可能得到成功治疗，而更复杂的病例往往治疗不成功。

为了管理这种水平的极端复杂性，一些实施例在如下文参考图3描述的一个或多个计算设备上实施如下参考图1和图2描述的AI系统。一些实施例获得每个特定高血压患者的“起点”——例如影响患者的当前血压状况的所有医学上可用的变量——然后确定经由最佳药物治疗到达期望结果(例如，终点血压，调整其他心脏、血管和体液指标并考虑所有合并症)的(通常多步的)路线。

实施例以不同于以前应用AI来推荐医疗干预的方式确定该路线。单独的规则引擎被认为不适合这项任务。患者状况排列的多样性实在是太大了，使得专家系统对于预期通常遇到的新型输入变得脆弱。此外，商业上可行的规则引擎将无法考虑还会出现的各种组合或交互影响。

实施例通过被认为是人类将如何进行分析的根本不同的方法来确定该路线。通用AI不可用，并且没有医师普遍实施的书面算法。人们认为，人类做出这些决定的方式是基于贝叶斯分析和粗略启发式方法的某种组合，作为解释该领域可用知识的捷径。作为经验问题，结果是次优的，并且不如使用本技术获得的结果。因此，本技术必然是不同的，部分原因是它的性能更高，部分原因是它更全面，以及部分原因是该领域的知识由模型进行系统化以使该知识可用于跨广泛范围的高维新型(从某种意义上说，状况之前尚未输入到系统或者不是训练集合的一部分)患者状况输入的AI系统。

在一些实施例中，可以确定包括心脏功能、血管功能、血管顺应性和体液水平在内的生理状况。这些变量中的许多可以作为彼此的函数进行评估和测量。因此，一些变量不是绝对测量值，对所有患者都是通用的，并且当评估所有医学上有用的变量时，可能的患者状况会出现组合爆炸式增长。

一些实施例实施心血管模型以定义彼此相关的心脏力、血管力和体液力，并且作为结果。通过这种模型，在一些情况下基于已测量的患者属性、患者人口统计属性和合并症的相互作用，已测量的患者属性可以转换为其他估计的或以其他方式推断的患者属性。

一些实施例实施药物功效模型，该模型根据由在第一步骤中生成的心血管模型生成的各种模式中的每一种来量化每种药物或药物组合的有效性和其他性能特征。

一些实施例实施合并症模型以量化超过25种合并症的影响、以及可以以各种方式改变推荐的其他因素。

这些模型中的一些可以实现一个或多个性能曲线来量化特定给定变量的影响、以及实现交互性能曲线，该交互性能曲线共同或一对一地量化一个或多个变量的影响。

在一些实施例中，计算机系统使用诸如诊断测试数据的测试数据来量化患者的心血管状况。可以根据多个心血管测量标度来绘制数据。在许多情况下，这些测量标度可以在数学上相互关联。子集可以是独立的。在一些实施例中，四个独立的变量是药物类别评分的唯一输入：收缩血压(S)、脉搏压(p)、心脏指数(x)和心率(z)。

可以计算患者数据(或共同表示患者状况的其他属性集合)与多个目标标准之间的相对距离，以量化高血压的不同方面。各种标准可以是异质的度量单位，并且具有显著不同的标度。即，一个度量值通常在0.25与0.95之间，而另一度量值在1500与6000之间。标度合理化(或其他形式的归一化)技术可以用于量化距离的相对比较量级，从而导致所有度量在一共享的标度上(例如，-3.0至+3.0)。在一些实施例中，共享的标度可以是相对于目标的标准偏差的数量，例如确定标准偏差所根据的人口平均值，例如z分数。负距离表示低于或小于目标，而正距离表示高于或大于目标。

可以处理测试数据以提供患者的状况，其指示其高血压的最重要方面以及哪些变量最需要移动并且朝哪个方向(增加/减少)。

在一些实施例中，可以构建药物功效模型以适应以下情况：不同药剂或类别影响不同心血管参数。文献分析和咨询药理学专家关于解释差异的最佳方法可以用于构建加权评分系统，该系统可以应用于反映药物类别对特定参数的功效。示例权重可以存储在矩阵中，其中，列对应于药物类别，而行对应于各种心血管参数，如V、C、z和Si。不同的药物类别对于不同的心血管参数可以具有不同的权重。在下表中呈现了这种矩阵的示例：

特定高血压药物类别的所得分数可以是累积净有益影响的量化，该分数可以用多种方法来计算，例如影响的强度的加权之和乘以每个心血管参数的距离。这种方法可以用于在可能的患者数据的几乎正交阵列中对各种高血压药物类别进行评分。通过这种方法，在一些实施例中，可以为每个药物类别实施模型。在一些情况下，模型可以对应于四维或五维或更高维的非平面表面，其中一个输出维度和几个输入维度对应于患者属性。

通过这些模型，一些实施例针对给定患者在独立输入的独特集合的情况下确定每种药物类别的总得分。然后可以将这些分数彼此比较以确定最佳的高血压药物治疗方案。

一些实施例可以应用两个附加的过程来生成药物类别的“阶梯(ladder)”。阶梯的概念基于如下证据：通常需要超过一种药物类别来有效控制高血压。此外，通常患者已经在服用推荐的药物类别。然后提供者将决定增加最高推荐药物类别的剂量或添加下一个最高推荐药物类别。在一些情况下，阶梯可以表示为序列，该序列可以指定一个或多个阶段，其中，在每个阶段中，将向患者施用一种或多种药物类别。

大多数高血压药物类别可以安全地一起服用。但是，某些药物类别的组合不应一起服用。例如，药物类别Cd和Cn不应一起服用；同样，药物类别B1和B3不应一起服用。可以过滤结果列表以跳过不应组合服用的药物类别。得分较高的药物类别可以是一对冲突药物类别中唯一允许保留在阶梯上的药物类别。

在一些实施例中，考虑到高血压患者的某些合并症或人口统计信息的存在，可以修改心血管分数。某些高血压药物类别对于特定的医疗状况是禁忌的。例如，给定的药物类别A可能禁止怀孕。在其他情况下，药物类别可能对给定的合并症产生非常有益的影响。例如，当存在肾功能或糖尿病时，A药物类别可能产生积极影响。响应于指示潜在合并症或相关属性的输入，可以相应地调整对应药物类别的药物类别分数。在一些情况下，可能存在多种临床情况，并且所有情况都对最终药物类别分数及其在阶梯中的相关排名进行附加调整。

在一些实施例中，上述技术和相关技术可以在图1所示的计算环境中实现。知识表示医学推荐AI应用10可以在以下参考图3描述的计算设备之一上执行，例如在其操作系统中、或在这种计算设备的集合上执行，例如，其中各种组件在面向服务的架构中实现为服务。或者在一些情况下，应用10可以作为单片应用在单个计算设备上执行，例如，作为单个处理在单个处理器核上运行。

在一些实施例中，应用10可以被配置为经由用户输入16从医生12接收关于患者14的输入。在一些实施例中，应用10可以被配置为响应于显示器18上的输入而呈现信息，例如监视器、头戴式显示器等上的图形用户界面，或经由音频显示、经由将语音到文本转换输出为经由扬声器传送的音频。或者在一些实施例中，显示器18用打印机来实现，该打印机打印带有输出的打印页面。

输入16可以包括键盘、与语音到文本转换器耦合的麦克风、触摸屏、鼠标、或向应用10提供输入的集合的另一应用的应用程序接口，例如患者记录数据库，其被配置为响应于来自应用10的查询或来自医疗从业者的其他指令而将患者医疗记录导出到应用10。

在一些实施例中，应用10可以在医生办公室或医院中的计算设备上执行，并且可以接收和提供输入和输出而无需出于安全目的通过网络传送信息，或者在一些情况下，应用可以远程托管并且信息可以在传输过程中加密传输。

在一些实施例中，应用包括测试数据摄取模块20，其被配置为接收指示患者在给定时间点的医疗状况的患者记录。在一些实施例中，摄取模块20可以被配置为接收与患者状况历史相对应的多条这样的记录，每条记录具有指示患者表现出状况的时间的时间戳。在一些实施例中，记录可以包括患者的与各种心血管维度中的高血压相关的多个属性。维度中的一些可以是独立维度，如上面列出的那些，并且维度中的一些可以依赖于至少部分地由独立维度并且在一些情况下通过它们的相互作用引起的维度。此类维度的示例包括：

S＝收缩血压(SBP)

D＝舒张血压(DBP)

p＝脉搏压(SBP-DBP)

y＝平均动脉压(MAP＝DBP+？p)

x＝心脏指数(CI)

z＝心率(HR/pulse{bpm})

V＝总外围阻力指数(TPRI＝80*MAP/CI)

C＝心功率指数(CPI＝0.0022*MAP*CI)

Si＝中风指数(SI＝1000*CI/HR)

在一些实施例中，可以将患者的属性和这些维度中的每一个输入到显示器18上呈现的用户界面中，例如在已经测量了患者的各种属性之后，由医疗技术人员输入到表格的字段中。或者在一些情况下，可以经由应用程序接口例如以分层数据序列化格式从另一应用接收属性。

在一些情况下，基于病人模型如上面讨论的病人模型，接收到的属性的集合可以被转换为更大的推断的病人属性的集合。例如，一些这样的模型可以用因果图对患者进行建模，其中输入节点对应于可观察属性和边缘并且下游因果节点指定转换，通过该转换，在一些情况下，基于所观察或所计算的患者属性的交互，可以推断出其他患者属性。

一些实施例可以通过验证器22来验证患者记录。在一些实施例中，这可以包括确定如下：所有需要的属性(即，维度上的值)都存在，接收到的属性大于最小可能值，以及接收到的属性小于相应维度上的最大可能值。在确定给定患者属性在这些范围之一之外时，一些实施例可以发出错误消息并经由显示器18呈现输入，从而邀请医疗专业人员确认该值是正确的或经由输入16改变输入。一些实施例可以确定：患者记录中的属性是否大于与先前记录中的相同维度上的先前属性不同的阈值量，其中异常值差异潜在地指示错误输入。同样，一些实施例可以响应于检测到这样的事件而用信号通知并发出警报以及邀请校正。

在一些实施例中，在验证所有患者记录属性之后，可以将结果推进到应用10的所示流水线(pipeline)中的归一化器24。在一些实施例中，归一化器24可以计算每个患者属性与属性维度上的该属性的目标值之间的归一化差异。在一些实施例中，这些差异可以相对于人口模型26中所反映的相应人口属性的人口统计来量化。例如，归一化属性可以表示为z分数，该z分数指示在人口模型26中被编码的人口的属性的平均值之上或之下的标准偏差量。一些实施例可以针对其他类型的非高斯分布来计算类似的统计数据。一些实施例可以计算高于在给定维度中测量的患者属性的人口的百分比并减去50个百分点以使结果居中于零附近。在一些实施例中，每个属性的归一化值可以具有指示患者属性低于期望值的负值和指示患者属性高于期望值的正值。在一些实施例中，归一化值可以全部在相同的标度上，尽管已经在不同的标度上测量了患者记录中的属性。在一些情况下，可以在下文描述的后续变换之后对这些值进行归一化，例如，可以将下文描述的类别模型28校准为非归一化值，并且可以对其输出进行归一化以有助于跨各种属性的值与异质单位测量和范围的组合。

在一些实施例中，人口模型26可以表征患者记录的维度中的每个维度上的属性的人口统计。表征可以采用多种形式，包括直方图、集中趋势度量(如均值、中位数和众数)和变化度量(如标准偏差或方差)。在一些实施例中，集中趋势的度量可以是针对患者心血管健康的相应维度的目标值。在一些实施例中，人口可以是已知的健康人口或参考人口。在一些情况下，可以根据上述EBS确定目标值。

归一化器24的输出可以是具有多个不同心血管维度中的多个归一化属性的归一化患者记录。例如，归一化器24可以输出多于四个、多于六个或多于八个的归一化值，该归一化值范围从-3至+3并且每个归一化值与患者的不同心血管维度相对应。

归一化器24的输出可以提供给预测器26，该预测器26可以预测各种类别药物的影响的大小和方向，其指示高血压对患者心血管健康的相应维度中的相应属性的影响。例如，预测器可以预测为第一类别药物在归一化标度上将第一归一化属性减少第一量、并在归一化标度上将第二归一化属性增加第二量，而第二类别药物可以被预测为将第一归一化属性在归一化标度上减少第三量、对第二归一化属性没有影响、以及在归一化标度上将第三归一化属性减少第四量。

在一些实施例中，预测器26可以针对多种不同类别药物中的每一种确定指示高血压的预测的集合。例如，可以针对第一类别药物确定针对九个不同心血管维度的九个不同预测，并且可以针对第二类别药物确定针对相同的九个不同心血管维度的九个不同预测。在一些实施例中，预测的每个集合可以被表征为预测影响向量，该预测影响向量可以指定与患者心血管维度相对应的连续向量空间或离散向量空间中的位置。程序状态不需要在程序代码中被标记为向量来构成向量，只要对向量的信息进行编码即可。在一些实施例中，进行预测的维度可以与由摄取模块20获得的数据的维度相同，或者在一些情况下，可以仅针对这些维度的子集进行预测，例如仅针对独立的心血管维度。

在一些实施例中，每个预测影响向量可以具有与患者的不同心血管维度中每个心血管维度上的预测影响相对应的多个值。在一些实施例中，这些值可以指示所预测的影响是否趋向于使相应的属性更接近心血管维度上的目标或者更远离相应的目标。例如，低于目标但预测的影响倾向于增加属性以更接近目标的属性可能具有正值，而高于目标且预测的影响倾向于增加属性的属性可能具有负值。在一些实施例中，所得值可以是归一化记录中的属性的绝对值与预测在应用所讨论类别药物时发生的属性的绝对值之间的差。使离他的目标的较远的属性变得较接近他的目标可能倾向于与较大的值相对应，反之亦然。

在一些实施例中，预测器26基于类别模型28中的相应一个来计算预测影响向量。在一些实施例中，每个类别模型28对应于药物的不同类别，或者在一些情况下，类别药物之间的相互作用也可以具有它们自己的类别模型。在一些实施方案中，每个类别模型对三维、四维、五维、六维、七维或更高维表面进行编码，从而指示相应类别药物在心脏维度中的每个维度上的影响，针对该影响，基于患者的从归一化器24接收的归一化状况来进行预测。在一些情况下，这些高维模型可以分解为低维切片，例如多个不同的三维或四维表示，该低维切片共同仍然构成较高维模型，而不管是否进行较低维编码。在一些情况下，模型具有上述心血管维度中的每一个的输出维度和上述心血管维度中的每一个的输入维度。该表面可以指示对于各个药物类别输入如何映射到输出。模型可以通过对医学研究进行综合来形成，例如，通过对跨研究的经验数据进行平均，用这些研究的经验结果来训练马尔可夫链蒙特卡罗模型，基于将一项研究的结果应用于由另一项研究证明的模型，在不同研究中检查的领域之间进行插值等。模型28可以采取多种形式。示例包括多项式函数或其集合。其他示例包括查找表、支持向量机、神经网络、以及输入与输出之间关系的其他有损或无损编码。

在一些情况下，可以针对每一类别药物来计算预测影响矩阵，其中药物的特定的药物预测影响向量在该类别内。模型28可以针对类别的不同成员进行开发。在一些情况下，可以选择类别中得分最高的药物(基于以下分析)作为该类别的预测影响向量，并且可以推荐该类别的该特定成员。

在一些实施例中，每种不同药物类别中的预测影响向量可以输出到类别评分器30，其可以基于该药物类别的相应预测影响向量中的一些值或所有值来计算每种药物类别的总分数(例如，单个序数值或基数值)。或者在一些实施例中，可以针对多个不同的度量计算分数，或者一些实施例可以针对每个类别来计算单个总分数，其在一些情况下可以是用作预测影响向量的标量的计算值之和，或者在一些情况下，总分数可以是这些值的加权和。权重可以通过各种技术确定，该技术包括基于该领域的专家的知识或该领域的经验文献的手工编码权重。类别评分器30可以输出总分数的集合，例如，对于不同类别药物中的每一种具有一个总分数。总分数可以指示相应类别药物对患者的初步适合性，其中分数越大指示适合性越高，而分数越低指示适合性越低。(对分数和其他值的符号的引用应理解为还指代符号倒置的语义等同物，例如，对其中较高的值指示期望的结果的分数的讨论，应理解为与该分数的否定版本的讨论或该分数的倒数等同，在该倒数中，较低的值指示期望的结果)。

类别药物的分数的集合可以由合并症过滤器32接收。在一些实施例中，可以基于患者的各种合并症来调整分数。例如，某些类别药物可能在文献中被记录为具有负面影响或被排除用于患有特定合并症的患者，或者某些类别药物可能更适合某些合并症。在一些实施例中，可以将关系编码为调整因子，例如添加到分数的和、或与分数相乘的权重。例如，怀孕的患者可使特定类别药物分数乘以0.8，以指示该类别药物可能具有负面影响，而另一类别药物分数可乘以0，以指示孕妇禁止服用该类别药物。术语过滤器用于指代这种调整过程，其在一些情况下可采取移除候选类别药物的形式，或者在其他情况下可采取转换选择这些类别药物所依据的分数的形式。

一些实施例可以类似地应用人口统计过滤器34，其可以基于患者的人口统计属性例如种族、性别、年龄等应用类似的调整。

一些实施例可以将兼容性过滤器36应用于类别药物。一些实施例可以保持方矩阵或其他数据结构，该数据结构对候选类别药物之间的成对的比较进行编码，其中矩阵值指示索引到这些条目的不同的成对类别药物是否彼此兼容。或者，当成对的类别药物一起被使用时(例如，同时地、顺序地、或即使不是顺序地也作为相同序列的一部分地被使用，并且一些实施例可以将不同的相容性矩阵应用于治疗过程中药物类别之间的这些不同类型的关系中的每一种关系，例如，以识别可以被分组以用于同时使用或应该顺序地服用的那些)，一些实施方案可以对作为对上述分数的调整而应用的权重或和进行编码。一些实施例可以检测不相容的成对的药物，并从候选集合中移除该对药物的较低排名成员。

一些实施例可以实施排名器38，该排名器38可以基于由组件30至36转换的分数对调整的结果或以其他方式过滤的类别药物进行排名。在一些实施例中，由这些组件实现的操作可以以与所示流水线中描绘的次序不同的次序执行，这并不意味着任何其他特征都限于所示的布置。在一些情况下，排名可以包括对要同时服用的类别药物进行分组，并且在一些情况下，它可以包括根据排名指示要连续服用的一个或多个组，该排名例如从排名最高的类别开始并且向下进行。

一些实施例然后可以将得到的有序列表从排名器38传送到用户界面生成器40，该用户界面生成器40可以生成通过显示器18上的上述任何类型的显示来显示结果的用户界面。在一些实施例中，在用户界面中，可以用关于特定脆弱性或患者对该类别药物的适合性的数据进一步对各种类别药物进行注释。例如，在合并症使类别药物的总分数被调整的情况下，作为响应，可以从存储器中检索调整和基本原理的散文描述，并与用户界面中的该类别药物相关联地呈现。类似地，在类别药物被禁止或不兼容的情况下，响应于检测到此类事件已经发生并且由用户界面生成器40在用户界面中呈现，可以从存储器中检索警告的散文描述。

在一些实施例中，图1的应用可以执行图2中所示的过程50以推荐针对高血压的干预过程，尽管过程50的实施例不限于该实施方式，但这并不意味着本文描述的任何其他特征在所有实施例中都是限制性的。在一些实施例中，除了管理治疗之外，过程50的功能和本文描述的其他功能可以实现为存储在有形的非暂时性机器可读介质中并且在一个或多个处理器上可执行的计算机代码，使得当执行该计算机代码时，实现相应的功能。在一些实施例中，所描述的操作可以以不同的次序执行，附加的步骤可以被插入，某些步骤可以同时执行，某些步骤可以被省略，某些步骤可以在进行到其他步骤之前被重复多次，并且该过程可以以其他方式改变，这同样不意味着本文中的任何其他描述是限制性的。

过程50的一些实施例包括获得量化患者心血管状况的测试数据，如框52所指示。在一些实施例中，这可以包括获得上述患者记录。在一些实施例中，可以通过将测量的属性应用于患者模型以计算患者心血管健康的因变量来部分地计算该患者记录，例如，其中患者模型被配置为将那些输入映射到相应的输出中。

一些实施例可以确定测试数据中是否存在附加维度，如框54所指示。在确定存在附加维度时，在一些实施例中，过程50可以选择下一个维度，如框56所指示。一些实施例然后可以例如通过上述归一化技术对当前心血管维度上的属性进行归一化，如框58所指示。实施例然后可以返回到框54并确定在测试数据过程中是否存在更多维度。在确定不存在更多维度时，一些实施例可以进行到框60并确定是否存在更多类别药物要处理。在确定存在时，一些实施例可以选择下一个类别，如框62所指示。

一些实施例然后可以例如在图1中的上述类别模型28中选择当前类别的类别模型，如框64所指示。一些实施例然后可以确定是否存在更多维度的预测影响向量要处理，如框66所指示。在确定存在更多维度时，一些实施例可以选择正在计算的下一维度的预测影响向量，如框68所指示。一些实施例然后可以通过当前类别模型来确定当前类别对当前维度的影响的强度，如框70所指示。实施例然后可以返回到框66以确定是否存在更多维度的预测影响向量要与当前类别模型一起处理。

在确定不存在更多维度时，在一些实施例中，该过程可以继续以基于总分数来选择类别的子集，如框74所指示。一些实施例然后可以获取患者的合并症，如框76所指示，并基于合并症来过滤子集，如框78所指示。同样，如本文所用的该术语过滤可以包括：调整相应的分数或从其他考虑中移除某些类别药物。一些实施例然后可以例如通过上述技术，获得患者的人口统计属性，如框80所指示，并且基于人口统计属性来过滤子集，如框82所指示。一些实施例还可以例如通过上述兼容性过滤器36基于成对的不兼容性来过滤子集，如框84所指示。一些实施例可以继续对过滤的子集进行排名，如框86所指示，并例如在上述显示器18通过用户界面生成器40，基于该排名呈现推荐的向患者施用的类别的序列，如框88所指示。

在一些实施例中，以下步骤中的一些可以由医师在与用户界面进行交互时执行。在一些实施例中，医师可以确定推荐序列中是否存在更多步骤，如框90所指示。在确定存在更多步骤时，医师可以在该序列中选择下一个类别药物，如框92所指示。例如在可能跨越一周或一个月以上的某个持续时间内并且在一些情况下跨越多次办公室访问，医师然后可以使所选类别药物施用于患者，如框94所指示。医师可以定期确定是否重新测试患者，如框96所指示。在确定不重新测试时，该过程可以返回到框90以确定在向患者施用的序列中是否存在其他步骤。在确定该序列中不存在更多步骤或确定不重新测试时，如框90或框96所指示，如果患者健康，一些实施例可以终止该过程，或者返回框52以基于对病人的已更新的测试来更新该序列。

在一些实施例中，上述技术可以通过以下技术文档中描述的特定方法来实现。应该强调的是，本技术文档描述了实施例的子集，并且不旨在表征本方法的所有实施形式，这并不意味着任何其他描述具有如此限制性：

图3是示出了根据本技术的实施例的示例性计算系统1000的图。本文描述的系统和方法的各个部分可以包括与计算系统1000类似的一个或多个计算机系统，或者可以在与计算系统1000类似的一个或多个计算机系统上执行。此外，本文描述的过程和模块可以由与计算系统1000类似的一个或多个处理系统执行。

计算系统1000可以包括一个或多个处理器(例如，处理器1010a至1010n)，该一个或多个处理器经由输入/输出(I/O)接口1050与系统存储器1020、输入/输出I/O设备接口1030、以及网络接口1040耦接。处理器可以包括单个处理器或多个处理器(例如，分布式处理器)。处理器可以是能够执行或以其他方式执行指令的任何合适的处理器。处理器可以包括中央处理单元(CPU)，该中央处理单元(CPU)执行程序指令以执行计算系统1000的算术、逻辑和输入/输出操作。处理器可以执行为程序指令创建执行环境的代码(例如，处理器固件、协议栈、数据库管理系统、操作系统或其组合)。处理器可以包括可编程处理器。处理器可以包括通用微处理器或专用微处理器。处理器可以从存储器(例如，系统存储器1020)接收指令和数据。计算系统1000可以是包括一个处理器(例如，处理器1010a)的单处理器系统，或者是包括任何数量的合适处理器(例如，1010a至1010n)的多处理器系统。可以采用多个处理器来提供本文所述技术的一个或多个部分的并行或顺序执行。本文描述的过程例如逻辑流程可由一个或多个可编程处理器来执行，该一个或多个计算机程序以通过对输入数据进行操作并生成相应的输出来执行功能。本文描述的过程可以由专用逻辑电路来执行，并且设备也可以实现为专用逻辑电路，例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。计算系统1000可以包括多个计算设备(例如，分布式计算机系统)以实现各种处理功能。

I/O设备接口1030可以提供用于将一个或多个I/O设备1060与计算机系统1000连接的接口。I/O设备可以包括(例如，从用户)接收输入或者(例如，向用户)输出信息的设备。I/O设备1060可以包括例如呈现在显示器(例如，阴极射线管(CRT)或液晶显示器(LCD)监视器)上的图形用户界面、定点设备(例如，计算机鼠标或轨迹球)、键盘、键盘、触摸板、扫描设备、语音识别设备、手势识别设备、打印机、音频扬声器、麦克风、相机等。I/O设备1060可以通过有线连接或无线连接与计算机系统1000连接。I/O设备1060可以从远程位置连接到计算机系统1000。位于远程计算机系统上的I/O设备1060例如可以经由网络和网络接口1040连接到计算机系统1000。

网络接口1040可以包括提供计算机系统1000到网络的连接的网络适配器。网络接口1040可以有助于计算机系统1000与连接到网络的其他设备之间的数据交换。网络接口1040可以支持有线通信或无线通信。该网络可以包括电子通信网络，例如因特网、局域网(LAN)、广域网(WAN)、蜂窝通信网络等。

系统存储器1020可以被配置为存储程序指令1100或数据1110。程序指令1100可由处理器(例如，处理器1010a至1010n中的一个或多个)执行以实现本技术的一个或多个实施例。指令1100可以包括计算机程序指令的模块，用于实现本文描述的关于各种处理模块的一种或多种技术。程序指令可以包括计算机程序(其在某些形式中被称为程序、软件、软件应用、脚本或代码)。计算机程序可以用编程语言编写，该编程语言包括编译语言或解释语言，或者声明性语言或过程性语言。计算机程序可以包括适合在计算环境中使用的单元，包括作为独立程序、模块、组件或子例程的单元。计算机程序可以或者不可以与文件系统中的文件相对应。程序可以存储在保持其他程序或数据(例如，存储在标记语言文档中的一个或多个脚本)的文件的一部分中、专用于所讨论的程序的单个文件中、或者存储在多个协同文件中(例如，存储一个或多个模块、子程序或代码部分的文件)。计算机程序可以被部署为在一个或多个计算机处理器上执行，该计算机处理器位于本地一个站点处或分布在多个远程站点并通过通信网络互连。

系统存储器1020可以包括其上存储有程序指令的有形程序载体。有形程序载体可以包括非暂时性计算机可读存储介质。非暂时性计算机可读存储介质可以包括机器可读存储设备、机器可读存储衬底、存储器件或其任何组合。非瞬态计算机可读存储介质可以包括非易失性存储器(例如，闪存、ROM、PROM、EPROM、EEPROM存储器)、易失性存储器(例如，随机存取存储器(RAM)、静态随机存取存储器(SRAM)、同步动态RAM(SDRAM))、大容量存储器(例如，CD-ROM和/或DVD-ROM、硬盘驱动器)等。系统存储器1020可以包括非暂时性计算机可读存储介质，该非暂时性计算机可读存储介质可以具有存储其上的程序指令，该程序指令可由计算机处理器(例如，处理器1010a至-1010n中的一个或多个)执行以引起本文描述的主题和功能操作。存储器(例如，系统存储器1020)可以包括单个存储器件和/或多个存储器件(例如，分布式存储器件)。提供本文描述的功能的指令或其他程序代码可以存储在有形的、非暂时性的计算机可读介质上。在一些情况下，指令的整个集合可以同时存储在介质上，或者在一些情况下，该指令的不同部分可以在不同时间存储在同一介质上。

I/O接口1050可以被配置为协调处理器1010a-1010n、系统存储器1020、网络接口1040、I/O设备1060和/或其他外围设备之间的I/O流量。I/O接口1050可以执行协议、定时或其他数据转换，以将来自一个组件(例如，系统存储器1020)的数据信号转换为适合另一组件(例如，处理器1010a至1010n)使用的格式。I/O接口1050可以包括对通过各种类型的外围总线附接的设备的支持，例如外围组件互连(PCI)总线标准或通用串行总线(USB)标准的变体。

本文描述的技术的实施例可以使用计算机系统1000的单个实例或被配置为托管实施例的不同部分或实例的多个计算机系统1000来实现。多个计算机系统1000可以提供本文描述的技术的一个或多个部分的并行或顺序处理/执行。

本领域的技术人员将理解，计算机系统1000仅是说明性的，并且不旨在限制本文描述的技术的范围。计算机系统1000可以包括设备或软件的任何组合，该设备或软件可以执行本文描述的技术或以其他方式提供本文描述的技术的执行。例如，计算机系统1000可以包括或者是如下各项的组合：云计算系统、数据中心、服务器机架、服务器、虚拟服务器、台式计算机、膝上型计算机、平板计算机、服务器设备、客户端设备、移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏机、车载计算机或全球定位系统(GPS)等。计算机系统1000还可以连接到未示出的其他设备，或者可以用作独立系统。此外，由所示组件提供的功能在一些实施例中可以组合在更少的组件中或分布在附加的组件中。类似地，在一些实施例中，可以不提供所示组件中的一些组件的功能，或者其他附加功能可以可用。

本领域的技术人员还将理解，虽然各种项目被示出为在使用时存储在存储器中或存储在储器上，但是出于存储器管理和数据完整性的目的，这些项目或这些项目一部分可以在存储器与其他存储设备之间进行传输。备选地，在其他实施例中，软件组件中的一些或全部可以在另一设备上的存储器中执行并且经由计算机间通信与所示出的计算机系统进行通信。系统组件或数据结构中的一些或全部还可以(例如，作为指令或结构化数据)存储在计算机可访问介质或便携式物品上，以被适当的驱动器读取，其各种示例如上所述。在一些实施例中，存储在与计算机系统1000分离的计算机可访问介质上的指令可以经由传输介质或者诸如电、电磁或数字信号的信号传输到计算机系统1000，经由诸如网络或无线链接的通信介质进行传送。各种实施例还可以包括在计算机可访问介质上接收、发送或存储根据前述描述实现的指令或数据。因此，本技术可以用其他计算机系统配置来实践。

在框图中，所示出的组件被描绘为离散的功能块，但实施例不限于其中本文描述的功能如所示出的方式被组织的系统。由组件中的每一个提供的功能可以由以与当前描绘的方式不同方式组织的软件或硬件模块提供，例如，此类软件或硬件可以混合、联合、复制、分解、(例如在数据中心或地理上)分布、或以其他方式组织。本文所述的功能可以由一个或多个计算机的一个或多个处理器提供，该一个或多个处理器执行存储在有形的非暂时性机器可读介质上的代码。在一些情况下，尽管使用了单数术语“介质”，但指令可以分布在与不同计算设备相关联的不同存储设备上，例如，其中每个计算设备具有不同的指令子集，实现方式与本文中的单数术语“介质”一致。在一些情况下，第三方内容交付网络可以托管通过网络传送的信息的部分或全部，在这种情况下，就根据所述提供或以其他方式提供的信息(例如，内容)而言，可以通过发送指令来提供信息，以从内容交付网络检索该信息。

读者应当理解，本申请描述了几种独立有用的技术。申请人没有将这些技术分成多个独立的专利申请，而是将这些技术组合到一个文件中，因为它们的相关主题有助于申请过程中的经济性。但不应将此类技术的独特优势和方面混为一谈。在一些情况下，实施例解决了本文提到的所有缺陷，但是应当理解，这些技术是独立有用的，并且一些实施例仅解决了此类问题的子集或提供其他未提及的对于审查本公开的本领域技术人员来说显而易见的益处。由于成本限制，本文公开的一些技术目前可能未要求保护，并且可能在以后的申请中要求保护，例如继续申请或通过修改本权利要求。类似地，由于篇幅限制，本文档的摘要和发明内容部分均不应被视为包含所有此类技术或此类技术的所有方面的全面列表。

应当理解，本描述和附图并非旨在将本技术限制于所公开的特定形式，相反，旨在涵盖落入由所附权利要求限定的本技术的精神和范围内的所有修改、等同形式和替代形式。鉴于该描述，本技术的各个方面的其他修改和备选实施例对于本领域技术人员将是显而易见的。因此，该描述和附图应被解释为仅是说明性的并且是为了向本领域技术人员教导实施本技术的一般方式的目的。应当理解，本文示出和描述的本技术的形式将被视为实施例的示例。元件和材料可以代替本文示出和描述的元件和材料，部分和过程可以被颠倒或被省略，并且本技术的某些特征可以独立使用，所有这些对于本领域技术人员在受益于本技术的描述之后将是显而易见的。在不脱离下面权利要求中描述的本技术的精神和范围的情况下，可以对本文描述的元素进行改变。本文使用的标题仅用于组织目的，并且不意味着用于限制本描述的范围。

如在整个本申请中所使用的，单词“可能”是在许可意义上(即，意味着有可能)使用的，而不是强制意义上(即，意味着必须)使用的。单词“包括”、“包括”和“包括”等意思是包括但不限于。如在整个本申请所使用的，单数形式“一”、“一个”和“所述”包括复数指示物，除非内容另有明确说明。因此，例如，尽管对一个或多个元素使用其他术语和短语，例如“一个或多个”，但提及“一个元素”或“一个元素”包括两个或多个元素的组合。除非另有说明，否则术语“或”是非排他性的，即包括“和”和“或”两者。描述条件关系的术语例如“响应于X，Y”、“在X，Y上”、“如果X，Y”、“当X，Y时”等，包括其中前件是必要的因果条件、前件是充分的因果条件、或者前件是后件的促成因果条件，例如“状态X在条件Y获得时出现”泛指“X仅在Y获得时出现”和“X在Y和Z获得时出现”。这种条件关系不限于紧跟在前件获得之后的后件，因为某些后件可能被延迟，并且在条件陈述中，前件与其后件相关，例如，前件与后件出现的可能性相关。除非另有说明，否则将多个属性或函数映射到多个对象(例如，一个或多个执行步骤A、B、C和D的处理器)的陈述既包括映射到所有此类对象的所有此类属性或函数，也包括映射到属性或功能的子集的属性或功能的子集(例如，所有处理器各自都执行步骤A至D，以及处理器1执行步骤A、处理器2执行步骤B和部分步骤C、以及处理器3执行步骤C的部分和步骤D的情况)。类似地，提及执行步骤A的“计算机系统”和执行步骤B的“计算机系统”可以包括执行这两个步骤的计算机系统内的相同计算设备或执行步骤A和B的计算机系统内的不同计算设备。此外，除非另有说明，否则一个值或动作“基于”另一个条件或值的陈述既包括条件或值是唯一因素的情况，也包括条件或值是多个因素中的一个因素的情况。除非另有说明，否则某个集合的“每个”实例具有某些属性的陈述不应被解读为排除较大集合的某些其他相同或相似成员不具有该属性的情况，即每个不一定意味着每个和每一个。除非明确规定，否则不应将所列举步骤的顺序的限制读入权利要求中，例如使用明确的语言如“在执行X之后，执行Y”，与可能被不恰当地论证为暗示顺序限制的陈述如“对项目执行X，对已执行X的项目执行Y”形成对比，用于使权利要求更具可读性而不是指定顺序。提及“A、B和C中的至少Z个”等(例如，“A、B或C中的至少Z个”)的陈述是指所列出的类别(A、B、和C)中的至少Z个并且不要求每个类别中至少Z个单元。除非另有具体说明，否则从讨论中可以明显看出，在整个本说明书中，使用诸如“处理”、“计算”、“计算”、“确定”等术语的讨论是指特定装置例如专用计算机或类似的专用电子处理/计算设备的动作或处理。参考几何构造描述的特征，例如“平行”、“垂直/正交”、“正方形”、“圆柱形”等，应被解释为包括基本上体现几何构造的特性的项目，例如参考“平行”表面包括基本平行的表面。这些几何结构与柏拉图理想的允许偏差范围将参考规范中的范围来确定，并且如果未说明此类范围，则参考使用领域的行业规范，并且如果未定义此类范围，则参考制造指定特征的领域的行业规范，并且如果未定义此类范围，则实质上体现几何构造的特征应解释为包括在该几何构造的定义属性的15％范围内的那些特征。如果在权利要求中使用术语“第一”、“第二”、“第三”、“给定”等，则它们用于区分或以其他方式识别，而不是表示顺序限制或数字限制。与本领域中的普通用法一样，参考对人类显著的用途所描述的数据结构和格式不需要以人类可理解的格式呈现以构成所描述的数据结构或格式，例如不需要呈现文本或者甚至以Unicode或ASCII进行编码以构成文本；图像、地图和数据可视化不需要被显示或解码以分别构成图像、地图和数据可视化；语音、音乐和其他音频不需要通过扬声器被发出或解码以分别构成语音、音乐或其他音频。计算机实现的指令、命令等不限于可执行代码，并且可以以使功能被调用的数据的形式来实现，例如以函数或API调用的参数的形式。

在本专利中，在任何美国专利、美国专利申请或其他材料(例如，文章)通过引用已经并入的情况下，此类材料的文本仅在此类材料与本文呈现的陈述和图纸之间不存在冲突的情况下通过引用并入。在这种冲突的情况下，以本文档的文本为准，并且不应根据这些术语在通过引用并入的其他材料中的使用方式对本文档中的术语进行狭义的理解。

参考以下列举的实施例将更好地理解本技术：

1.一种方法，包括：通过计算机系统，获得将患者的心血管状况量化的测试数据，所述测试数据指定患者的多个心血管维度上的患者属性，所述多个心血管维度的第一子集是独立的心血管维度，而所述多个心血管维度的第二子集是非独立的心血管维度；通过所述计算机系统，确定所述心血管维度中的每个维度上的测试数据与目标标准之间的多个归一化差异，所述多个归一化差异将患者的高血压的不同方面量化；通过所述计算机系统，确定具有高血压作为指示的多个不同类别药物中的每种类别药物的预测影响向量，其中：预测影响向量各自与不同类别药物中的不同的相应类别药物相对应，预测影响向量各自具有多个值，该多个值量化对应类别药物在患者的心血管维度的第三集合中的对应维度上的相应影响，这些值各自基于第三集合中的对应维度上的对应归一化差异和对应类别药物在对应维度上的影响的相应强度，基于对应类别药物的各自多维模型来确定相应强度影响，以及第三集合至少与第一子集和第二子集重叠；通过所述计算机系统，基于所述对应类别药物的对应预测影响向量的值，确定所述不同类别药物中的每个相应类别药物的总分数；通过所述计算机系统，基于所述总分数对所述不同类别药物进行排名，以形成所述不同类别药物的排名列表；以及通过所述计算机系统，基于所述排名，输出向患者施用所述类别药物的推荐序列。

2.根据实施例1所述的方法，包括：通过所述计算机系统，访问所述不同类别药物的成对兼容性；以及基于所述成对兼容性，在所述排名列表中检测所述不同类别药物的不兼容对；以及通过所述计算机系统，从所述排名列表中移除每个检测到的不兼容对的至少一个成员，以形成经过滤的排名列表。

3.根据实施例2所述的方法，其中：通过所述计算机系统从每个检测到的对中移除至少一个成员包括从每个检测到的对中移除较低排名的成员。

4.根据实施例2所述的方法，其中，形成过滤的排名列表包括：通过计算机系统获得患者的合并症或人口统计信息；以及通过所述计算机系统，基于所获得的合并症或人口统计信息来调整经过滤的排名列表。

5.根据实施例4所述的方法，包括：通过所述计算机系统，使用户界面呈现，所述用户界面响应于所述合并症或人口统计信息来指示针对所述类别药物中的给定类别药物的警告。

6.根据实施例2所述的方法，包括：在所述过滤的排名列表中以第一排名施用第一类别药物；以及在施用所述第一类别药物之后，施用所述经过滤的排名列表中第二排名的第二类别药物，所述第二排名在所述排名中低于所述第一排名。

7.根据实施例1-6中任一个所述的方法，还包括：通过所述计算机系统，获得患者的合并症或人口统计属性，其中：所述预测影响向量中的所述给定预测影响向量的值中的给定值基于所述合并症或人口统计属性，所述预测影响向量中的给定预测影响向量的值中的至少一些值不受所述合并症或人口统计属性影响，以及所述预测影响向量中的至少一些不受所述合并症或人口统计属性影响。

8.根据实施例1-7中任一个所述的方法，其中：所述排名基于与所述第一子集的维度中的每一个相对应的预测影响向量值。

9.根据实施例8所述的方法，其中：所述排名不基于与所述第二子集的维度中的任何一个相对应的预测影响向量值。

10.根据实施例8所述的方法，其中：所述第一子集的维度包括以下维度中的至少2个：收缩血压、脉搏压、心脏指数或心率。

11.根据实施例8所述的方法，其中：所述第一子集的维度包括以下维度中的每一个：收缩血压、脉搏压、心脏指数和心率。

12.根据实施例1-11中任一个所述的方法，其中，所述类别药物包括以下类别药物中的至少六种：利尿剂、β阻滞剂、ACE抑制剂、血管紧张素II受体阻滞剂、钙通道阻滞剂、α阻滞剂、α2受体激动剂、联合αβ阻滞剂、中枢激动剂、外周肾上腺素能抑制剂、或血管扩张剂。

13.根据实施例1-11中任一个所述的方法，其中，所述类别药物包括以下类别药物中的每一种：利尿剂、β-阻滞剂、ACE抑制剂、血管紧张素II受体阻滞剂、钙通道阻滞剂、α阻滞剂、α-2受体激动剂、联合αβ阻滞剂、中枢激动剂、外周肾上腺素能抑制剂、和血管扩张剂。

14.根据实施例1-13中任一个所述的方法，其中，所述多个归一化差异中的至少一些是z分数，所述z分数指定相应患者属性的多个标准偏差在来自人口平均值的测试数据中。

15.根据实施例1-13中任一个所述的方法，其中，对于所述类别药物中的给定类别药物的总分数中的给定分数基于所述类别药物中的所述给定类别药物的相应预测影响向量的值的加权和。

16.根据实施例1-15中任一个所述的方法，其中，所述值中的至少一些值各自基于所述第三集合中的相应维度的相应归一化差值与相应的维度上的相应类别药物的影响的相应强度的乘积。

17.根据实施例1-16中任一个所述的方法，其中，所述类别药物中的给定类别药物的给定多维模型指定了五维或更高维的非平面表面，所述五维或更高维包括：与所述类别药物中的给定类别药物的影响强度相对应的输出维度，以及患者的四个或更多心血管维度。

18.根据实施例1-17中任一个所述的方法，包括：通过所述计算机系统，利用在向患者施用类别药物的序列的一部分之后所获得的测试数据的更新实例，重复实施例1的方法；以及作为所述重复的结果，通过所述计算机系统，改变所述序列。

19.一种存储指令的有形的非暂时性机器可读介质，当被数据处理装置执行时，使所述数据处理装置执行操作，所述操作包括：根据实施例1-18中任一个实施例所述的计算机实现的操作。

20.一种系统，包括：一个或多个处理器；以及存储器，存储指令，该指令当被处理器执行时使处理器实现操作，所述操作包括：根据实施例1-18中任一个实施例所述的计算机实现的操作。

Claims (15)

1.一种方法，包括：

通过计算机系统，获得将患者的心血管状况量化的测试数据，所述测试数据指定患者的多个心血管维度上的患者属性，所述多个心血管维度的第一子集是独立的心血管维度，而所述多个心血管维度的第二子集是非独立的心血管维度；

通过所述计算机系统，确定所述心血管维度中的每个维度上的测试数据与目标标准之间的多个归一化差异，所述多个归一化差异将患者的高血压的不同方面量化；

通过所述计算机系统，确定具有高血压作为指示的多个不同类别药物中的每种类别药物的预测影响向量，其中：

所述预测影响向量各自与所述不同类别药物中的不同的相应类别药物相对应，

所述预测影响向量各自具有多个值，所述多个值量化所述对应类别药物在患者的心血管维度的第三集合中的对应维度上的相应影响，

所述值各自基于所述第三集合中的对应维度上的对应归一化差异以及所述对应类别药物在所述对应维度上的影响的相应强度，

基于所述对应类别药物的相应多维模型来确定所述相应强度影响，以及

所述第三集合至少与所述第一子集和所述第二子集重叠；

通过所述计算机系统，基于所述对应类别药物的对应预测影响向量的值，确定所述不同类别药物中的每个相应类别药物的总分数；

通过所述计算机系统，基于所述总分数对所述不同类别药物进行排名，以形成所述不同类别药物的排名列表；以及

通过所述计算机系统，基于所述排名，输出向患者施用所述类别药物的推荐序列。

2.根据权利要求1所述的方法，包括：

通过所述计算机系统，访问所述不同类别药物的成对兼容性；以及

基于所述成对兼容性，在所述排名列表中检测所述不同类别药物的不兼容对；以及

通过所述计算机系统，从所述排名列表中移除每个检测到的不兼容对的至少一个成员，以形成经过滤的排名列表。

3.根据权利要求2所述的方法，其中：

通过所述计算机系统从每个检测到的对中移除至少一个成员包括从每个检测到的对中移除较低排名的成员。

4.根据权利要求2所述的方法，其中，形成经过滤的排名列表包括：

通过所述计算机系统，获取患者的合并症或人口统计信息；

通过所述计算机系统，基于所获得的合并症或人口统计信息来调整经过滤的排名列表；以及

通过所述计算机系统，使用户界面呈现，所述用户界面响应于所述合并症或人口统计信息来指示针对所述类别药物中的给定类别药物的警告。

5.根据权利要求2所述的方法，包括：

施用所述经过滤的排名列表中第一排名的第一类别药物；以及

在施用所述第一类别药物之后，施用所述经过滤的排名列表中第二排名的第二类别药物，所述第二排名在所述排名中低于所述第一排名。

6.根据权利要求1至5中任一项所述的方法，包括：

通过所述计算机系统，获得患者的合并症或人口统计属性，

其中：

所述预测影响向量中的给定预测影响向量的值中的给定值基于所述合并症或人口统计属性，

所述预测影响向量中的所述给定预测影响向量的值中的至少一些值不受所述合并症或人口统计属性影响，以及

所述预测影响向量中的至少一些不受所述合并症或人口统计属性影响。

7.根据权利要求1至6中任一项所述的方法，其中：

所述排名基于与所述第一子集的维度中的每一个相对应的预测影响向量值。

8.根据权利要求7所述的方法，其中：

所述排名不基于与所述第二子集的维度中的任何一个相对应的预测影响向量值。

9.根据权利要求7所述的方法，其中：

所述第一子集的维度包括以下维度中的每一个：收缩血压、脉搏压、心脏指数和心率。

10.根据权利要求1至9中任一项所述的方法，其中，所述类别药物包括以下类别药物中的至少六种：

利尿剂，

β阻滞剂，

血管紧张素转换酶ACE抑制剂，

血管紧张素II受体阻滞剂ARB，

钙通道阻滞剂，

α阻滞剂，

d-2受体激动剂，

联合αβ阻滞剂，

中枢激动剂，

外周肾上腺素能抑制剂，或

血管扩张剂。

11.根据权利要求1至10中任一项所述的方法，其中，所述类别药物中的给定类别药物的给定多维模型指定五维或更高维的非平面表面，所述五维或更高维包括：

输出维度，与所述类别药物中的所述给定类别药物的影响强度相对应，以及

患者的四个或更多个心血管维度。

12.根据权利要求1至11中任一项所述的方法，包括：

确定向患者施用的类别药物的序列的步骤。

13.根据权利要求1至12中任一项所述的方法，包括：

通过所述计算机系统，利用在向患者施用类别药物的序列的一部分之后所获得的测试数据的更新实例，重复根据权利要求1所述的方法；以及

作为所述重复的结果，通过所述计算机系统，改变所述序列。

14.一种有形的非暂时性机器可读介质，存储指令，所述指令当被一个或多个处理器执行时实现根据权利要求1至13中任一项所述的操作。

15.一种系统，包括：一个或多个处理器；以及存储器，存储指令，所述指令当被处理器中的至少一些执行时使所述处理器实现根据权利要求1至13中任一项所述的操作。

Images