CN115380335A - 用于评估和减轻传染病在透析患者中的潜在传播的系统 - Google Patents

用于评估和减轻传染病在透析患者中的潜在传播的系统 Download PDF

Info

Publication number
CN115380335A
CN115380335A CN202180027651.8A CN202180027651A CN115380335A CN 115380335 A CN115380335 A CN 115380335A CN 202180027651 A CN202180027651 A CN 202180027651A CN 115380335 A CN115380335 A CN 115380335A
Authority
CN
China
Prior art keywords
patient
disease
data
treatment
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180027651.8A
Other languages
English (en)
Inventor
C·K·莫纳汉
P·科坦科
J·拉金
J·希米斯
K·贝尔蒙特
L·乌斯维亚特
I·A·达内-施托伊贝尔
F·W·马达克斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fresenius Medical Care Holdings Inc
Original Assignee
Fresenius Medical Care Holdings Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fresenius Medical Care Holdings Inc filed Critical Fresenius Medical Care Holdings Inc
Publication of CN115380335A publication Critical patent/CN115380335A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G16H50/20—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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu

Abstract

提供了一种用于减轻传染病在透析患者中的传播的方法。所述方法包括：通过预测系统从医疗设施接收指示与正在接受透析治疗的患者相关联的透析治疗信息的个体治疗数据；通过预测系统从血液测试实验室接收指示与患者相关联的血液分析信息的个体实验室数据；通过预测系统在将所述个体治疗数据和所述个体实验室数据输入到疾病预测机器学习(ML)模型中的基础上确定患者的疾病分析结果，其中，所述疾病分析结果指示患者感染传染性疾病的可能性；以及通过预测系统向所述医疗设施提供指示基于所述疾病分析结果的一个或多个响应动作的指令。

Description

用于评估和减轻传染病在透析患者中的潜在传播的系统
相关申请的交叉引用
本申请要求于2020年4月10日提交的标题为“SYSTEMFOR ASSESSING ANDMITIGATING POTENTIAL SPREAD OF INFECTIOUS DISEASE AMONG DIALYSIS PATIENTS”的美国临时专利申请序列No.63/008,626的优先权，其申请的内容通过引用明确并入本文。
技术领域
本公开总体上涉及与医疗保健相关的系统、装置和方法。
背景技术
患有肾功能衰竭或部分肾功能衰竭的患者通常会接受透析治疗，以便从他们的血液中去除毒素和多余的流体。2019年冠状病毒病(COVID-19)大流行使接受透析治疗的患者的困难更加严峻。例如，COVID-19大流行正在并且一直在挑战世界的医疗保健系统，包括给接受这些透析治疗的患者带来复杂性，对于终末期肾病(ESKD)患者尤其如此。在美国，透析患者每周访问透析诊所的频率高达3次，大多数ESKD患者接受门诊血液透析(HD)治疗，在这种情况下，保持社交距离可能很困难，并且需要加强感染控制措施(例如体温筛查、通用口罩和隔离治疗/专班/诊所)。
ESKD患者通常年龄较大且有多种合并症，如果受COVID-19影响，该人群需要重症监护和死亡的风险更高。来自美国的早期报告显示，在ESKD中的COVID-19死亡率为11％，高于全国人口中显示的3％的COVID-19死亡率。这并不意外，亚洲和欧洲的报告显示，在ESKD中的COVID-19死亡率为16％至23％。尽管死亡率很高，但受损的免疫反应可能会使透析患者在感染COVID-19时更多为无症状。在普通人群和ESKD人群中，COVID-19最常见的症状是发热(透析中11％-66％；普通人群中82％)和咳嗽(透析中37％-57％；普通人群中62％)。透析患者中指示COVID-19的体征和症状的出现频率较低，可能使COVID-19爆发更具挑战性，尤其是对于试图防止疾病传播到其它接受透析的患者的透析提供者而言。
透析提供者在他们的透析治疗期间例行地为每位患者获取患者/临床数据(例如，治疗数据)。此外，透析患者通常会定期抽血(例如，每月一次)，从这些抽血中获得每个患者的实验室数据，以监测患者的健康状况并评估他们的治疗计划是否有效或是否需要调整。
因此，在透析治疗(通常每周三次)和/或定期抽血期间收集的可靠数据可以提供检测患者是否患有COVID-19和/或其它疾病的机会。正是关于这些和其它考虑，当前的改进可能是有用的。
发明内容
提供本发明内容以以简化形式介绍概念的选择，这些概念将在下面进一步描述。所述发明内容并非旨在必然识别本公开的关键特征或基本特征。本公开可以包括以下各个方面和实施例。
在一个示例性实施例中，本申请提供了一种用于减轻传染病在透析患者中的传播的方法。所述方法包括：通过预测系统从医疗设施接收指示与正在接受透析治疗的患者相关联的透析治疗信息的个体治疗数据；通过预测系统从血液测试实验室接收指示与患者相关联的血液分析信息的个体实验室数据；通过预测系统在将所述个体治疗数据和所述个体实验室数据输入到疾病预测机器学习(ML)模型中的基础上确定患者的疾病分析结果，其中，所述疾病分析结果指示患者感染传染性疾病的可能性；以及通过预测系统向所述医疗设施提供指示基于所述疾病分析结果的一个或多个响应动作的指令。
在某些情况下，所述方法还包括：通过预测系统接收指示与正在接受透析治疗的多个患者相关联的透析治疗信息的组治疗数据；通过预测系统接收指示与正在接受透析治疗的多个患者相关联的血液分析信息的组实验室数据；以及通过预测系统基于所述组治疗数据和所述组实验室数据训练疾病预测ML模型。
在一些示例中，所述方法还包括：通过预测系统接收指示与正在接受透析治疗的多个患者相关联的临床或治疗记录的组医师数据，其中，进一步基于所述组医师数据训练所述疾病预测ML模型。
在一些变型中，所述方法还包括：通过预测系统从医疗设施接收指示与正在接受透析治疗的患者相关联的临床或治疗记录的个体医师数据，并且其中，进一步在将所述个体医师数据输入到疾病预测ML模型中的基础上确定所述疾病分析结果。
在某些情况下，所述方法还包括：通过预测系统获得指示与正在接受透析治疗的多个患者相关联的患者人口统计和历史的组患者数据，其中，进一步基于所述组患者数据训练所述疾病预测ML模型。
在一些示例中，所述方法还包括：通过预测系统接收指示与正在接受透析治疗的患者相关联的临床或治疗记录的个体患者数据，并且其中，进一步在将所述个体患者数据输入到疾病预测ML模型中的基础上确定所述疾病分析结果。
在一些变型中，所述方法还包括：通过预测系统获得指示与患者相关联的地理区域内的新报告的传染性疾病的病例的地域疾病数据，其中，进一步基于所述地域疾病数据训练所述疾病预测ML模型。
在某些情况下，所述地域疾病数据指示所述医疗设施的新报告的病例。
在一些示例中，所述组治疗数据与所述医疗设施相关联。所述方法还包括：通过预测系统为不同于所述医疗设施的第二医疗设施训练第二疾病预测ML模型；以及在从所述医疗设施接收个体治疗数据的基础上选择对患者使用所述疾病预测ML模型。
在一些变型中，所述方法还包括：从所述医疗设施接收指示所述疾病预测ML模型的一个或多个不准确的反馈；以及基于所述反馈重新训练所述疾病预测ML模型，其中，在将所述个体治疗数据和所述个体实验室数据输入到重新训练的疾病预测机器学习(ML)模型中的基础上确定患者的疾病分析结果。
在某些情况下，所述疾病预测ML模型是极端梯度提升(XGBoost)模型或深度学习模型。
在一些示例中，所述一个或多个响应动作包括：调整患者日程安排以将所述患者重新分配到隔离专班以进行未来的透析治疗；为所述患者初始化治疗方案；为所述医疗设施分配个人防护装备(PPE)；或调整所述患者的透析治疗参数。
在另一个示例性实施例中，提供了一种预测系统。所述预测系统包括一个或多个处理器；以及其上存储有处理器可执行指令的非暂时性计算机可读介质。所述处理器可执行指令在由所述一个或多个处理器执行时有助于：从医疗设施接收指示与正在接受透析治疗的患者相关联的透析治疗信息的个体治疗数据；从血液测试实验室接收指示与患者相关联的血液分析信息的个体实验室数据；在将所述个体治疗数据和所述个体实验室数据输入到疾病预测机器学习(ML)模型中的基础上确定患者的疾病分析结果，其中，所述疾病分析结果指示患者感染传染性疾病的可能性；以及向所述医疗设施提供指示基于所述疾病分析结果的一个或多个响应动作的指令。
在某些情况下，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：接收指示与正在接受透析治疗的多个患者相关联的透析治疗信息的组治疗数据；接收指示与正在接受透析治疗的多个患者相关联的血液分析信息的组实验室数据；以及基于所述组治疗数据和所述组实验室数据训练疾病预测机器学习模型。
在一些示例中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：接收指示与正在接受透析治疗的多个患者相关联的临床或治疗记录的组医师数据，其中，进一步基于所述组医师数据训练所述疾病预测ML模型。
在一些变型中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：从医疗设施接收指示与正在接受透析治疗的患者相关联的临床或治疗记录的个体医师数据，并且其中，进一步在将所述个体医师数据输入到疾病预测ML模型中的基础上确定所述疾病分析结果。
在某些情况下，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：获得指示与正在接受透析治疗的多个患者相关联的患者人口统计和历史的组患者数据，其中，进一步基于所述组患者数据训练所述疾病预测ML模型。
在一些示例中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：接收指示与正在接受透析治疗的患者相关联的临床或治疗记录的个体患者数据，并且其中，进一步在将所述个体患者数据输入到疾病预测ML模型中的基础上确定所述疾病分析结果。
在一些变型中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：获得指示与患者相关联的地理区域内的新报告的传染性疾病的病例的地域疾病数据，其中，进一步基于所述地域疾病数据训练所述疾病预测ML模型。
本公开的另一个示例性实施例提供了其上存储有处理器可执行指令的非暂时性计算机可读介质，其中，所述处理器可执行指令在被执行时有助于：从医疗设施接收指示与正在接受透析治疗的患者相关联的透析治疗信息的个体治疗数据；从血液测试实验室接收指示与患者相关联的血液分析信息的个体实验室数据；在将所述个体治疗数据和所述个体实验室数据输入到疾病预测机器学习(ML)模型中的基础上确定患者的疾病分析结果，其中，所述疾病分析结果指示患者感染传染性疾病的可能性；以及向所述医疗设施提供指示基于所述疾病分析结果的一个或多个响应动作的指令。
下面将参考附图更详细地描述进一步的特征和方面。
附图说明
图1是根据本申请的一个或多个示例的用于提供治疗数据的一个示例性医疗系统的示意图。
图2是根据本申请的一个或多个示例的一个示例性疾病预测和检测环境的框图。
图3是示出根据本申请的一个或多个示例的图2的疾病预测和检测环境内的系统的一个示例性实施例的图。
图4是示出根据本申请的一个或多个示例的预测系统的计算装置的一个示例性实施例的框图。
图5是根据本申请的一个或多个示例的使用图2的疾病预测和检测环境来预测和检测疾病的一个示例性过程的流程图。
图6是根据本申请的一个或多个示例的用于使用预测系统来预测和检测疾病的另一个示例性过程的另一个流程图。
具体实施方式
本申请的示例性实施例利用定期从透析患者获得的信息(例如，治疗数据和/或实验室数据)来评估和减轻传染病在透析患者中的传播。在透析患者不断地轮换进出的透析诊所和医院中，传染病的传播特别令人担忧。透析患者可能由于正在接受透析治疗的慢性肾脏疾病而免疫功能低下，并且感染疾病的患者可能会使许多其它易受感染的患者暴露于该疾病中。在某些情况下，传染病或接触性传染疾病可以包括但不限于通过以下方式中的至少一种传播的疾病：(a)直接和/或间接接触；(b)飞沫；(c)空气传播；(d)公共交通工具。
特别地，本申请的示例性实施例能够基于分析已经为这些透析患者收集的治疗数据和实验室数据来预测相应的透析患者是否可能感染疾病，从而允许在早期采取预防措施，以避免传染病的传播。在本申请的一个示例性实施例中，感兴趣的疾病是冠状病毒COVID-19(也称为SARS-CoV-2或缩写为“COVID”)，它能够由感染该疾病的无症状或有症状的个体传播。根据本申请的该示例性实施例的系统(例如，预测系统)基于定期获得的治疗数据和/或实验室数据，来预测透析患者是否感染了COVID，并且基于确定相应的透析患者是否被感染或可能被感染，提供待采取的响应动作。响应动作可以包括例如调整患者日程安排以将患者重新分配到“隔离专班”以进行透析治疗，在所述“隔离专班”中将该患者与其它患者隔离和/或订制对该患者执行COVID测试。其它响应动作可以包括，例如，为被确定为被感染或可能被感染的患者初始化治疗方案(其可以包括，例如，对患者施用诸如抗病毒药物之类的药物)，和/或基于由这些医疗设施治疗的被感染或可能被感染的患者的量，为这些医疗设施订制或分配个人防护装备(PPE)。另一个响应动作可以包括，例如，为被确定为被感染或可能被感染的患者调整透析治疗参数(例如，为被确定为被感染或可能被感染的患者指定较低的超滤速率)。
图1是根据本申请的一个或多个示例的用于提供治疗数据的一个示例性医疗系统。例如，图1中所示的医疗系统是血液透析系统；然而，诸如其它类型的透析系统(例如，腹膜透析(PD)系统)的其它体外医疗系统也被考虑并且可以被配置成能够提供用于检测和/或预测透析患者是否感染了COVID和/或另一种疾病的治疗数据。图1的血液透析系统和/或其它类型的医疗系统可以用于测量、确定、获取和/或获得与患者10相关联的治疗数据和/或其它数据。患者10的治疗数据可以包括但不限于：血压(站姿和/或坐姿)、体重、体温、呼吸频率、脉搏频率、透析间期体重增加(IDWG)、自上次治疗以来的天数、血细胞比容(HCT)水平、血红蛋白(HGB)水平、血容量(例如，绝对血容量(ABV))、氧饱和度值、在线清除率(OLC；透析充分性测量)、平均小分子清除率(KECN)和/或与患者10相关联的其它数据。如下面将解释的，治疗数据可以用于确定患者10和/或其它透析患者是否感染了COVID和/或另一种疾病。
图1描绘了使用血液透析机器12进行血液透析治疗的患者10。血液透析系统还包括光学血液监测系统14。进入针或导管16被插入患者10的接入部位，例如在手臂中，并且连接到通向蠕动泵20和透析器22(或血液过滤器)的体外管18。透析器22从患者的血液中去除毒素和多余的流体。透析后的血液通过体外管24和返回针或导管26从透析器22返回。在世界的一些地方，体外血流可能附加地接受肝素滴注以防止凝血。通过经由管28供应到透析器22的清洁的透析液液体来去除多余的流体和毒素，并且经由管30去除废液以进行处置。在美国，一个典型的血液透析治疗期大约需要三到五个小时。附加性地和/或替代性地，重症监护病房(ICU)中的患者也可以接受血液透析治疗和/或其它透析/血液监测治疗。
光学血液监测系统14包括显示装置35和传感器装置34。传感器装置34可以例如是夹到血液腔室32的传感器夹组件，其中，血液腔室32设置在体外血液回路中。光学血液监测系统14的处理器(例如，控制器)可以在显示装置35或传感器夹组件34中实现，或者显示装置35和传感器夹组件34两者都可以包括用于执行与光学血液监测系统相关联的相应操作的相应处理器。
血液腔室32可以与透析器22的上游的体外管18串联设置。来自蠕动泵20的血液通过管18流入血液腔室32。传感器装置34包括发射特定波长的光的发射器和用于在发射的光通过血液腔室32之后接收该发射的光的检测器。例如，发射器可以包括LED发射器，所述LED发射器发射大约810nm的光(对于红细胞是等吸收的)、大约1300nm的光(对水是等吸收的)以及大约660nm的光(对氧合血红蛋白敏感)，并且检测器可以包括用于检测大约660和810nm波长的光的硅光电检测器，以及用于检测大约1300nm波长的光的砷化铟镓光电检测器。血液腔室32包括允许光通过血液腔室32并且使血液在其中流动的透镜或观察窗口。
在标题为“SENSOR CLIP ASSEMBLY FOR AN OPTICAL MONITORING SYSTEM”的美国专利No.9,801,993中描述了具有被配置成能够测量流过血液腔室的体外血液的血细胞比容和氧饱和度的传感器夹组件的光学血液监测系统的一个示例，其全部内容通过引用并入本文。
光学血液监测系统14的处理器使用由检测器测量的光强度来确定流过血液腔室32的血液的HCT值。处理器使用一个或多个模型、算法和/或方程来计算与通过传感器装置34所附接的血液腔室32的血液相关联的HCT、HGB、氧饱和度和血容量的变化(例如，绝对血容量(ABV))。此外，处理器确定诸如患者10的治疗数据等的附加信息。
图1中描绘的血液透析系统可以是诸如图2中描述的医疗设施之类的透析诊所中的多个血液透析系统中的一个。患者可以定期进入透析诊所接受治疗，例如，按周一-周三-周五或按周二-周四-周六。
应当理解，图1中描绘的血液透析系统仅仅是示例性的。本文中讨论的原理可以适用于其中能够获得治疗数据的其它医疗系统。
图2是根据本申请的一个或多个示例的一个示例性疾病预测和检测环境200的框图。环境200包括一个或多个医疗设施110(例如，透析诊所或医院)、血液测试实验室120和预测系统130。
一个或多个透析患者111在一个或多个医疗设施110处经由一个或多个透析机器112接受透析治疗，并且一个或多个医疗设施110可以进一步包括与一个或多个透析机器112进行通信以获得患者治疗数据的计算装置113。透析患者111可以包括图1中所示的患者10，并且透析机器112可以包括和/或是图1中所示和描述的血液透析机器12、其它类型的透析机器(例如，PD机器和/或其它类型的血液透析机器)和/或其它类型的医疗系统。计算装置113还可以经由计算装置的用户接口或经由与一个或多个医疗设施110处的一个或多个其它计算装置的通信来获得治疗数据和/或附加的患者报告的数据。附加的患者报告的数据可以包括例如患者报告的症状，如咳嗽、腹泻和发烧。计算装置113被配置成能够通过网络进行通信，以将获得的治疗数据和/或附加的报告的数据提供给预测系统130。
血液测试实验室120接收并分析经由定期抽血而从一个或多个患者111获得的患者血液样本。基于对血液样本的分析，血液测试实验室120生成通过网络通信到预测系统130的实验室数据。实验室数据可以包括但不限于白蛋白值、钠值、肌酐值、转铁蛋白饱和度(TSAT)值、钾值、磷值、铁蛋白值、尿素还原率、钙值、钙(血清白蛋白校正)值、碳酸氢盐值、完整的甲状旁腺激素(PTH)值、血小板计数、血尿素氮值、白细胞计数、血红蛋白(HGB)计数、中性粒细胞计数、淋巴细胞计数、单核细胞计数、嗜酸性粒细胞计数和/或嗜碱性粒细胞计数。
来自其它数据源140的其它数据也可以被通信到预测系统130。例如，预测系统130可以获得关于COVID报告的病例和相关死亡率的县级和/或临床级数据。例如，其它数据源140可以提供县级发病率，如一段时间(例如，4天跨度和/或2周跨度)内每群人口的新病例。附加性地和/或替代性地，其它数据源可以提供临床级病例，如在一段时间(例如，过去14天和/或28天)内报告的新病例。在某些情况下，预测系统130可以进一步获得诸如正在接受透析治疗的患者的疫苗统计和/或疫苗状态(例如，患者是否已经接种了与疾病相关联的疫苗)之类的信息。
预测系统130例如通过将数据存储在数据库132中来摄取治疗数据、报告的数据、实验室数据和/或其它数据。预测系统130还包括连接到数据库132的计算系统131，所述计算系统131使用疾病预测模型(例如，疾病预测数据集和/或算法)来处理数据，以生成指示相应患者是否疑似感染的分析结果。在某些情况下，疾病预测模型是机器学习(ML)和/或人工智能(AI)数据集、模型和/或算法，如受监督的ML模型(例如，极端梯度提升(XGBoost)模型)和/或深度学习模型。
在不同的示例性实施例中，分析结果可以指示患者可能对疾病(例如，COVID)呈阳性或阴性，可以用与其相关联的置信度值来指示患者可能是阳性还是阴性，或者可以为患者提供各种不同的分类和/或分类器(例如，标签)(例如，强疑似阳性病例、不确定、强似疑阴性病例等等)。
可以将分析结果写回到数据库132，该数据库可以是例如ORACLE数据库。分析结果可以进一步通过预测系统130通信到一个或多个医疗设施110，使得所述一个或多个医疗设施110可以采取适当的响应动作。例如，响应于确定特定患者被识别为阳性(或疑似阳性)，计算装置113可以通知医疗提供者为患者订制后续测试，和/或通过将患者重新分配到隔离专班来调整患者日程安排。例如，通知医疗提供者可以包括将分析结果推送到电子病历(EMR)软件，所述电子病例(EMR)软件生成警报以通知医疗提供者有关风险。订制后续测试和/或调整患者日程安排也可以经由EMR软件实现，例如，通过生成的关于订制测试和/或将患者分配到指定隔离专班的任务来实现。EMR软件还可以用于其它响应动作，如初始化治疗方案、订制或分配PPE和/或调整透析治疗参数。在某些情况下，预测系统130可以从执行EMR软件的EMR系统接收信息。在其它情况下，预测系统130可以是执行EMR软件的EMR系统。
在一些示例中，预测系统130可以确定待采取的响应动作(例如，通知医疗提供者、为患者订制后续测试和/或调整患者日程安排)，并且向一个或多个医疗设施110和/或向关于执行响应动作的其它实体发送指令。这些指令可以代替分析结果发送，也可以附加于分析结果而发送。
应当理解，图2中描绘的环境200仅仅是示例性的。本文中讨论的原理也适用于其它类型的环境和/或系统配置、实体和设备。
图3是示出根据本申请的一个或多个示例的疾病预测和检测环境200内的系统的一个示例性实施例的图。例如，预测系统130与环境200内的一个或多个实体通信，如医疗设施110、血液测试实验室120、患者信息(例如，EMR)系统220和/或县和/或州记录系统230。预测系统130从这些实体和/或其它实体(例如，从其它数据源140)获得(例如，接收和/或检索)信息。例如，预测系统130可以从医疗设施110(例如，透析机器112和/或是血液透析机器12)获得治疗数据和/或医师数据、从血液测试实验室120获得实验室数据、从患者信息(例如，EMR)系统220获得患者数据和/或从当地和/或州系统230获得地域疾病数据。
上面描述了治疗数据和实验室数据。医师数据可以包括但不限于来自正在为患者(例如，患者10和/或111)执行和/或协助进行透析治疗的透析操作者(例如，医生、护士和/或技术人员)的临床和/或治疗记录。例如，使用计算装置(例如，计算装置113)，透析操作者可以为正在接受透析治疗的患者提供反馈。预测系统130可以从医疗设施110获得该反馈。
患者数据可以包括但不限于患者人口统计和/或历史。例如，患者数据可以包括多个患者的年龄、性别、体重指数(BMI)。附加性地和/或替代性地，患者数据可以包括多个患者的最近的医院和/或急诊室(ER)就诊以及最近的不适、感染和/或疾病。预测系统130可以从患者信息系统220获得患者人口统计和/或历史。在一些情况下，患者信息系统220是EMR系统。在其它情况下，如上所述，预测系统130可以是EMR系统并且可能已经具有患者数据。
地域疾病数据可以包括但不限于与一种或多种疾病相关联的地方、县、设施、州和/或国家信息。例如，地域疾病数据可以指示诸如COVID之类的疾病的县范围级发病率。县范围级发病率可以是一段时间内(例如，在四天或两周的时间跨度内)每群人口的新病例数。附加性地和/或替代性地，地域疾病数据可以指示诸如特定医疗设施(例如，医疗设施110)、整个县、整个州、和/或整个国家的特定地理区域的特定区域的人口和/或在一段时间(例如，过去十四天或二十八天的时间段)内报告的新病例。
基于从医疗设施110、血液测试实验室120、当地和/或州系统230、患者信息系统220和/或其它系统获得信息，预测系统130可以生成和/或确定疾病预测ML模型210。例如，预测系统130可以使用治疗数据、医师数据、实验室数据、患者数据、和/或地域疾病数据来训练疾病预测ML模型210。换句话说，预测系统130可以将获得的数据分成训练数据和测试数据(例如，训练数据和测试数据有60/40、70/30、80/20的划分)。预测系统130可以使用训练数据训练疾病预测ML模型并且使用测试数据确定训练过的疾病预测ML模型的准确性。预测系统130可以使用特定阈值(例如，95％阈值和/或80％阈值)基于训练过的疾病预测ML模型的准确性来确定训练的疾病预测ML模型。
下面描述了使用95％阈值和80％阈值的结果。例如，使用95％的阈值，训练过的疾病预测ML数据能够具有实际COVID阳性的被预测阳性患者的60％的准确性，所有阳性患者的2％被识别为COVID，99.9％的阴性患者被标记为阴性，与抽样测试数据集是随机的相比，被识别为COVID的患者多10.8倍，并且标记了0.2％的测试人群(例如，测试数据)。使用80％的阈值，训练过的疾病预测ML数据能够具有实际COVID阳性的被预测阳性患者的36％的准确性，所有阳性患者的23％被识别为COVID，97.6％的阴性患者被标记为阴性，与抽样测试数据集是随机的相比，被识别为COVID的患者多6.5倍，并且标记了3.5％的测试人群(例如，测试数据)。
在一些变型中，预测系统130可以使用监督学习(例如，XGBoost和/或光梯度提升机器(LightGBM))来训练疾病预测ML模型。在其它变型中，预测系统130可以使用深度学习模型(例如，长短期记忆(LSTM))来训练疾病预测ML模型。在其它变型中，预测系统130可以使用无监督学习模型来训练疾病预测ML模型。附加性地和/或替代性地，预测系统130可以使用这些和/或其它中的多个作为集合体来训练疾病预测ML模型。
在训练疾病预测ML模型之后，预测系统130将训练过的疾病预测ML数据存储在诸如数据库132的数据库中。附加性地和/或替代性地，预测系统130使用训练过的疾病预测ML模型来确定患者(例如，患者10和/或111)是否感染了诸如COVID的特定疾病。例如，预测系统130获得与患者相关联的治疗数据和/或实验室数据。预测系统130可以将治疗数据和/或实验室数据输入到训练过的疾病预测ML模型中以生成诸如分析结果等的输出，如上所述。
预测系统130包括能够预测患者是否患有诸如COVID之类的特定疾病的一个或多个计算装置(例如，计算装置131)、计算平台、云计算平台、系统、数据库(例如，数据库132)、服务器和/或其它设备和/或使用它们来实现。在一些变型中，预测系统130可以被实现为引擎、软件功能和/或应用程序。换句话说，预测系统130的功能可以被实现为存储在存储装置(例如，存储器)中并由一个或多个处理器执行的软件指令。
图4是示出根据本申请的一个或多个示例的预测系统130的计算装置131的一个示例性实施例的框图。计算装置131可以包括处理器310和存储器320。处理器310可以接收控制信号和/或向预测系统130和/或环境200内的其它系统和/或其它装置发送控制信号。处理器310与其它系统之间的通信可以是双向的，借此系统可以确认控制信号，和/或可以提供与系统和/或请求的操作相关联的信息。此外，用户输入接口315和显示器302可以被设置为接收和/或显示来自操作者的输入。例如，预测系统130可以使用受监督的ML模型并且操作者可以使用用户输入接口315和/或显示器302来训练受监督的ML模型。可以在用户输入接口315内使用的部件的示例包括键盘、按钮、麦克风、触摸屏、手势识别装置、显示屏和扬声器。电源325可以允许计算装置131接收电力，并且在一些变型中可以是独立的电源。
处理器310可以是执行用于执行本文中描述的功能、过程和/或方法的计算机可执行指令的中央处理单元(CPU)、控制器和/或逻辑装置。根据各种示例，处理器310可以是市售的处理器，如由INTEL、AMD、MOTOROLA和FREESCALE制造的处理器。然而，处理器310可以是任何类型的处理器、多处理器或控制器，无论是市售的还是专门制造的。
存储器320可以包括被配置成能够存储非暂时性指令和数据的计算机可读和可写非易失性数据存储介质。此外，存储器320可以包括在处理器310的操作期间存储数据的处理器存储器。在一些示例中，处理器存储器包括诸如动态随机存取存储器(DRAM)、静态存储器(SRAM)或同步DRAM的相对高性能的易失性随机存取存储器。然而，处理器存储器可以包括诸如非易失性存储器的用于存储数据的任何装置，其具有足够的吞吐量和存储容量来支持本文中描述的功能。此外，示例不限于特定的存储器、存储器系统或数据存储系统。
存储在存储器320上的指令可以包括可由处理器310执行的可执行程序或其它代码。该指令可以被持久地存储为编码信号，并且该指令可以使处理器310执行本文中描述的功能。存储器320可以包括记录在介质上或记录在介质中的信息，并且该信息可以在指令的执行期间由处理器310处理。数据库可以存储在存储器320中，并且可以由处理器310访问。例如，训练过的疾病预测ML模型可以存储在存储器320中。
计算装置131可以包括用于与环境200和/或预测系统130内的其它系统和装置进行通信的网络接口306。在某些情况下，网络接口306可以包括无线能力以便与其它系统和装置进行无线通信。在其它情况下，网络接口306可以使用直接通信来与环境200和/或预测系统130内的其它系统和装置进行通信。
图5是根据本申请的一个或多个示例的用于使用图2的疾病预测和检测环境来预测和检测疾病的一个示例性过程500的流程图。
在阶段501，医疗专业人员对患者进行抽血以获得患者血液样本。这可以例如在透析诊所(例如，医疗设施110)处进行，并且可以周期性地(例如，每周或每月)重复。然后，将患者血液样本发送到血液测试实验室(例如，实验室120)进行分析。在阶段503，血液测试实验室分析患者血液样本以确定患者的实验室数据。在阶段505，血液测试实验室将实验室数据提供给预测系统130(或提供给将实验室数据输入到预测系统的医疗提供者)。例如，实验室仪器可以直接将可报告的实验室结果直接通信到与预测系统或医疗提供者通信的实验室信息管理系统，或者实验室技术人员可以将实验室数据输入到血液测试实验室的计算装置，所述计算装置通过通信网络将实验室数据上传到预测系统。预测系统可以将实验室数据与其它患者的实验室数据和历史实验室数据一起存储在数据库中。
在阶段507，医疗设施获得患者在透析治疗期间的治疗数据和/或获得患者报告的数据。治疗数据可以例如经由透析机器(例如，透析机器12和/或112)自动获得并且被通信到医疗设施的计算装置(例如，计算装置113)。还可以基于将治疗数据输入到医疗设施的计算装置的医疗提供者来获得治疗数据。患者报告的数据(例如，患者数据)可以由患者和/或由医疗提供者提供给医疗设施的计算装置。在阶段509，医疗设施例如通过网络通信将治疗数据和/或患者数据提供给预测系统。在某些情况下，患者和/或医疗提供者可以通过网络直接向预测系统提供治疗数据和/或患者报告的数据。
在阶段511，预测系统分析实验室数据、治疗数据、报告的数据和/或其它数据以生成分析结果。阶段511的分析可以基于使用疾病预测模型(例如，疾病预测ML模型)。在一些示例中，疾病预测模型与诸如COVID之类的一种或多种疾病或感染相关联。换句话说，疾病预测模型可以做出指示是否有一个或多个患者被认为患有COVID的预测。例如，疾病预测模型的输出可以指示分类(例如，患者对COVID呈阳性、对COVID呈阴性、最可能对COVID呈阳性、患者感染COVID的概率等等)。
疾病预测模型可以随着新数据流入预测系统而更新。送入模型的数据可以以自动化方式进行预处理，并且模型可以定期摄取数据。预测系统为每个患者生成的分析结果可以是风险评分和驱动评分的相关原因(变量)的有序列表的形式。分析结果还可以包括对患者的预测，所述预测可以包括或可以不包括与其相关联的置信度评分。置信度评分可以在0到1之间。例如，0.99的置信度值可能表明疾病预测模型有99％确定患者患有COVID。一旦生成了预测和与预测有关的任何附加信息，就可以将信息写入预测系统的数据库中，从所述数据库经由自动处理(例如，经由EMR系统)将分析结果传播给医疗提供者。
分析结果的传播可以是阶段513的一部分。阶段513包括预测系统和/或医疗设施基于由预测系统生成的分析结果执行一个或多个响应动作。如上所讨论的，响应动作可以包括例如通知医疗提供者、订制后续测试、将患者重新分配到隔离专班、初始化治疗方案、订制或分配PPE和/或调整透析治疗参数。
在某些情况下，预测系统可以执行一个或多个响应动作，如将分析结果(例如，指示患者患有特定疾病的疾病预测模型的输出)通知给医疗提供者(例如，医疗设施110)。例如，预测系统可以提供指令以使得在计算装置(例如，计算装置113)处显示指示分析结果的提示。例如，该提示可以指示患者111可能患有COVID，并且提供患者111患有COVID的概率(例如，95％)。
在一些示例中，预测系统和/或医疗设施可以执行一个或多个响应动作，以便基于分析结果(例如，指示患者患有特定疾病的疾病预测模型的输出)将患者重新分配到隔离专班。例如，预测系统可以向医疗设施和/或具有日程安排程序和/或应用程序的另一个服务器提供指令。该指令可以指示日程安排程序和/或应用程序将患者隔离以进行一个或多个透析治疗期。
在一些变型中，预测系统和/或医疗设施可以执行一个或多个响应动作，如基于分析结果(例如，指示患者患有特定疾病的疾病预测模型的输出)来订制后续测试。例如，预测系统可以向医疗机构和/或另一个系统/服务器提供指示医疗机构/其它系统由于诸如指示患者患有COVID的分析结果的分析结果而执行后续测试的指令。在某些情况下，对医疗设施的指令可以使得计算装置(例如，计算装置113)显示指示由于分析结果因而患者应该接受后续测试的提示。在其它情况下，预测系统可以提供指示与医疗设施110和/或另一个系统相关联的日程安排程序和/或应用程序的指令，以基于分析结果直接调度一个或多个后续测试。
在一些示例中，基于分析结果(例如，指示患者患有特定疾病的疾病预测模型的输出)，预测系统和/或医疗设施可以执行诸如初始化治疗方案和/或调整一个或多个透析治疗参数的一个或多个响应动作。例如，预测系统可以向医疗设施和/或另一个系统/服务器提供指示医疗设施/其它系统由于诸如指示患者患有COVID的分析结果这样的分析结果而执行后续测试的指令。在某些情况下，对医疗设施的指令可以使得计算装置(例如，计算装置113)显示指示由于分析结果因而患者应该接受特定的治疗方案和/或患者的透析治疗参数应该被调整的提示。在其它情况下，预测系统可以提供指示与医疗设施110和/或另一个系统相关联的日程安排程序和/或应用程序来为患者调度特定治疗方案和/或为患者改变透析治疗参数的指令。
在一些变型中，预测系统可以执行诸如基于分析结果(例如，指示患者患有特定疾病的疾病预测模型的输出)订制更多的PPE的一个或多个响应动作。例如，预测系统可以提供指令以使得在计算装置(例如，计算装置113)处显示指示医疗设施基于分析结果而订制更多PPE的提示。在某些情况下，预测系统可以向诸如PPE提供者的另一个系统提供指令，以便为医疗设施订制更多的PPE。
训练在阶段511中使用的COVID预测模型可以包括以下操作：
1.从数据库/系统(例如诸如患者信息系统220的EMR系统的EMR数据库)中提取治疗数据、实验室数据和报告的数据，并且从其它数据源(例如，诸如当地和/或州系统230等的外部的、开放的数据源)提取其它数据(例如地域疾病数据)。
2.例如，每周汇总透析患者的实验室数据和治疗数据。使用针对每个相应患者的最近的实验室专组和透析治疗周，以及近期的结果相对于前几周(历史数据)之间的变化。
3.基于患者的居住地和/或患者接受透析治疗的医疗设施的地理区域，将其它数据(例如关于报告的COVID阳性数的县级人口数据)添加到患者级数据中。
4.将数据的子集(“训练”数据)馈送到诸如XGBoost分类器的疾病预测ML模型中，其中COVID测试呈阳性的患者例如被标记为1，已知或假定为阴性的患者例如被标记为0。每个患者都提供了一组由上述步骤2-3中的元素组成的单一观察结果。XGBoost分类器接受这些输入并构造许多决策树。每个决策树都被赋予了训练集变量和观察值的随机样本，并构造了一系列阈值来分割变量，以便最大化从每次分割中获得的信息。例如，可以按高于或低于98.6°F的温度分离观察值而进行第一次拆分，然后对每组分离的观察值进行附加的拆分。迭代构造树并添加新树以预测先前树的错误。一旦构造了所有决策树，在达到允许的最大树数量或性能不再随着添加更多树而提高之后，这个决策树集合体有效地构成了最终模型。在某些情况下，与其它已获得的数据集相比，预测系统可以对某些数据集赋予更重要的意义(例如，预测可以更多地受某些数据集的影响和/或更多决策树可以使用某些数据集)。例如，与诸如治疗数据的一些其它数据集相比，预测系统可以更多地受地域疾病数据(例如，医疗设施报告的病例数量)的影响和/或可以更频繁地使用地域疾病数据。附加性地和/或替代性地，与治疗数据相比，预测系统可以更多地受患者数据(例如，BMI)的影响和/或可以更频繁地使用患者数据(例如，BMI)，但仍不如地域疾病数据频繁。
5.XGBoost分类器的性能使用数据的在训练中未使用的单独部分来验证，例如验证数据集。验证数据集包括馈送到模型中的患者级的观察值，在所述模型中，对于每个患者，数据通过各个决策树，所有决策树都对最可能的分类进行“投票”，得出该患者处于阳性类别的预测概率。性能是通过查看多个指标来衡量的，例如，正确识别的真阳性的数量(查全率(recall))和预测阳性的实际阳性的数量(查准率(precision))。如果模型性能不满足可接受的目标，则可以调整模型超参数(例如，树的最大数量或树可以构造的分裂数量)(尝试不同的值)以找到最佳参数，然后对模型进行重新训练。
一旦XGBoost分类器已经被训练并且性能已经被验证，XGBoost分类器就准备好在阶段511中被使用，以生成针对透析患者的分析结果作为流入预测系统的治疗数据、实验室数据、报告的数据和/或其它数据。预测遵循与步骤4中的测试性能类似的模式，除了不计算性能，因为在此阶段不知道基本事实。当基本事实确实为人所知时，患者的基本事实与患者级的数据相结合，可以用于模型的进一步训练和细化。
图6是根据本申请的一个或多个示例的用于使用预测系统来预测和检测疾病的另一个示例性过程600的另一个流程图。过程600可以描述与上述过程500类似的阶段，除了过程600从诸如预测系统130的后端系统的角度来描述它之外。
在操作中，在阶段602，预测系统130从医疗设施110接收指示与正在接受透析治疗的患者相关联的透析治疗信息的治疗数据。如上所述，治疗数据可以包括但不限于血压、体重、体温、呼吸频率、脉搏频率、透析间期体重增加、自上次治疗以来的天数、血细胞比容(HCT)水平、血红蛋白(HGB)水平、血容量(例如，绝对血容量(ABV))、氧饱和度值和/或与特定患者相关联的其它数据。
在阶段604，预测系统130从血液测试实验室120接收指示与患者相关联的血液分析信息的实验室数据。例如，如上所述，实验室数据可以包括但不限于白蛋白值、钠值、肌酐值、转铁蛋白饱和度(TSAT)值、钾值、磷值、铁蛋白值、尿素还原率、钙值、钙(校正)值、碳酸氢盐值、完整的甲状旁腺激素(PTH)值、血小板计数、血尿素氮值、白细胞计数、血红蛋白计数、中性粒细胞计数、淋巴细胞计数、单核细胞计数、嗜酸性粒细胞计数和/或嗜碱性粒细胞计数。
附加性地和/或替代性地，预测系统130可以接收与患者、医疗设施110和/或与医疗设施110和/或患者相关联的地理区域相关联的进一步信息。例如，预测系统130可以从医疗设施110接收医师数据(例如，关于正在接受透析治疗的患者的记录)、患者的患者数据(例如，年龄、性别、BMI、最近住院/ER就诊、最近的疾病、感染和/或其它患者人口统计或患者病史数据)、和/或地域疾病数据(例如，针对与患者和/或医疗设施110相关联的特定地理区域的新病例数量或每群人口的新病例数量)。
在阶段606，预测系统130基于将治疗数据和实验室数据输入到疾病预测机器学习(ML)模型中来确定患者的疾病分析结果。例如，如上所述，预测系统130可以使用获得的信息来训练和/或存储疾病预测ML模型。在训练疾病预测ML模型之后，在阶段606，预测系统130可以将与患者相关联的信息(例如，患者的实验室数据和/或患者的治疗数据)输入到训练过的疾病预测ML模型中以确定来自训练过的疾病预测ML模型的输出。输出可以是疾病分析结果，如可以指示患者可能对某种疾病(例如，COVID)呈阳性或阴性，可以用与其相关联的置信度值指示患者是阳性还是阴性，或者可以为患者提供各种不同的分类和/或分类器。
附加性地和/或替代性地，预测系统130可以将附加和/或替代信息或数据输入到训练过的疾病预测ML模型中。例如，预测系统130可以将医师数据、患者数据和/或地域疾病数据输入到训练过的疾病预测ML模型中。通过将进一步的数据输入到训练过的疾病预测ML模型中，预测系统130可以更准确地预测患者是否患有诸如COVID之类的特定疾病。例如，基于输入治疗数据和实验室数据，预测系统130可以以90％的概率值(例如，0.9)确定患者患有COVID。基于进一步输入地域疾病数据和/或患者数据，该概率值可以增加到95％(例如，0.95)。在某些情况下，即使某些方面或类型的数据丢失(例如，诸如患者数据的如BMI的部分)，预测系统130仍然可以确定诸如预测患者是否患有特定疾病的输出。
在阶段608，预测系统130向医疗设施110提供指示基于疾病分析结果的一个或多个响应动作的指令。响应动作可以包括但不限于为患者订制后续测试、订制或分配更多PPE和/或通过将患者重新分配到隔离专班来调整患者日程安排。
在某些情况下，在阶段606之前，预测系统130可以训练疾病预测ML模型。例如，预测系统130可以获得诸如治疗数据、医师数据、实验室数据、患者数据、地域疾病数据和/或附加信息之类的信息。使用获得的信息，预测系统130可以训练疾病预测ML模型，使得疾病预测ML模型能够确定患者是否患有诸如COVID之类的一种或多种疾病。在一些示例中，预测系统130可以使用治疗数据和实验室数据来训练疾病预测ML模型。在其它示例中，预测系统130可以使用治疗数据、实验室数据以及诸如医师数据和/或患者数据的进一步信息来训练疾病预测ML模型。在其它示例中，预测系统130可以使用所有获得的信息(例如，治疗、医师、实验室、患者和地域疾病数据)来训练疾病预测ML模型。
在一些示例中，预测系统130可以训练多个疾病预测ML模型，使得疾病预测ML模型中的每个模型都与特定地理区域和/或医疗设施相关联。例如，预测系统130可以获得治疗数据、实验室数据、医师数据、地域疾病数据和/或与特定医疗设施(例如，医疗设施110)相关联的其它数据。预测系统130可以使用与特定医疗设施相关联的(例如，从其获得的)数据来训练针对该医疗设施的疾病预测ML模型。此外，预测系统130可以使用与另一个(例如，第二)医疗设施相关联的数据来训练针对另一个医疗设施的第二疾病预测ML模型。这两个疾病预测ML模型可以有一些相似之处(例如，某些树可以相同)，但是也可以有一些差异(例如，某些树可能略有不同和/或显著不同)。在训练多个疾病预测ML模型之后，预测系统130和/或其它系统可以执行上述过程500和/或600。此外，预测系统130可以从多个训练的疾病预测ML模型中选择特定疾病预测ML模型以用于患者。例如，特定医疗设施110可以与第一疾病预测ML模型相关联，并且医疗设施110可以将特定患者的治疗数据提供给预测系统130。在这种情况下，预测系统130可以使用第一疾病预测ML模型确定特定患者对诸如COVID之类的疾病是阳性还是阴性。
在一些变型中，预测系统130可以重新训练一个或多个疾病预测ML模型。例如，预测系统130可以接收和/或获得此类反馈的信息。该反馈可以指示预测系统130重新训练特定疾病预测ML模型和/或指示特定疾病预测ML模型已经不准确一次或多次。例如，地域疾病数据可以随着时间的推移而变化(例如，特定地理区域可能在第一个月有10个病例，然后在第二个月有2000个病例，或者替代性地，在一段时间之后在该特定地理区域可能会遇到该疾病的不同变体)。基于该变化，使用第一个月的数据训练的疾病预测ML模型在第二个月可能无法准确检测患者对COVID是阳性还是阴性。因此，预测系统130可以从医疗设施110获得表明其疾病预测ML模型有故障和/或正在产生不准确的反馈。基于该反馈，预测系统130可以重新训练疾病预测ML模型。预测系统130可以使用更相关的(例如，最新的)数据来重新训练疾病预测ML模型。例如，预测系统130可以使用诸如来自前两周的地域疾病数据的数据。在重新训练疾病预测ML模型之后，预测系统130和/或其它系统可以执行上述过程500和/或600。
在某些情况下，这种重新训练可以是自动化的。例如，基于接收到表明疾病预测ML模型不准确的特定数量的实例(例如，200个)或特定百分比(例如，10％)的病例，预测系统130可以重新训练疾病预测ML模型。在其它情况下，预测系统130可以基于操作者反馈重新训练疾病预测ML模型。
根据预测系统的一个示例性实施方式的COVID预测模型被证明是有效的。在2020年4月10日提交的标题为“SYSTEM FOR ASSESSING AND MITIGATING POTENTIAL SPREAD OFINFECTIOUS DISEASE AMONG DIALYSIS PATIENTS”的美国临时专利申请序列No.63/008,626中更详细地描述了使用本文中描述的COVID预测模型获得的示例性结果，该申请的内容通过引用明确并入本文。
此外，应当理解，可以基于平衡模型检测真阳性病例的能力与避免假阳性的期望来调整用于生成针对患者的阳性预测的阈值评分。在美国临时专利申请序列No.63/008,626的附录中示出了可以选择高的真阳性率同时仍保持低的假阳性率。
在一些示例中，可以使用PYTHON版本来利用XGBoost构建疾病预测ML模型。XGBoost PYTHON包使用来自训练模型的输入变量来构造多个决策树，给每个决策树一个随机样本，并建立一系列分割变量的阈值以最大化信息增益。决策树是迭代构造的，并添加了新的决策树来预测先前的错误。由XGBoost ML模型所做出的决策树能够通过在确定分割时包括缺失值的存在来处理缺失值而无需插补(例如，将温度大于或等于98.0华氏度的观察值与低于98.0华氏度的温度或缺失的温度进行分割)。在使用验证数据集(也用于超参数调整)没有或几乎没有实现性能的进一步改进之后，使用测试数据集评估通过最终ML模型产生的决策树的集合体。
在某些情况下，疾病预测ML模型可以使用直到单独定义的预测日期(例如，患有COVID的HD患者的索引日期或测试日期之前的3天)的多个(例如，81个)选择的治疗/实验室变量来训练，以预测在接下来的3天或更多天中识别出的COVID感染的风险。这可以在需要测试的症状之前至少3天产生个体预测。测试数据可以随机分成分别用于训练、验证和测试数据集的60、20和20。然后，可以将相同数量的COVID阴性患者添加到训练和验证数据集中。用于评估最终模型性能的测试数据集可以添加更多数量的COVID阴性样本。
在一些变型中，疾病预测ML模型的性能可以通过训练、验证和测试数据集中的接收者操作特征曲线下面积(AUROC)以及测试数据集中的查全率、查准率和提升度(lift)来测量。附加性地和/或替代性地，查准率-查全率曲线下面积(AUPRC)也可以用于评估测试数据集。
AUROC可以跨概率阈值测量由预测模型分类的真阳性率和假阳性率。查全率(灵敏度)可以测量在指定阈值下由预测模型分类的真阳性率，并且可以如下计算：查全率＝由模型分类的真阳性的数量/(由模型分类的真阳性的数量+由模型分类的假阴性的数量)。
查准率测量在指定阈值下的模型的阳性预测值，可以如下计算：查准率＝由模型分类的真阳性的数量/(由模型分类的真阳性的数量+由模型分类的假阳性的数量)。提升度测量与随机抽样相比的模型的有效性，并且可以如下计算：提升度＝模型查准率/数据集中阳性的比例。AUPRC测量跨概率阈值的相应查全率值的查准率比率。AUROC、AUPRC、查全率和查准率指标可以产生0(最低)到1(最高)的评分。可以选择用于对预测进行分类的截止阈值，以根据特定用例来优化查全率、查准率和提升度。
使用描述、开发、使用、测试和成功验证(例如，使用回顾性数据和/或结果)的疾病预测ML模型的本申请的一个示例性实施方式，所述模型似乎在识别具有稍后识别的未检测到的COVID感染的风险的透析患者方面具有合适的性能。在Monaghan、Caitlin等人的“Machine Learning for Prediction of Hemodialysis Patients with an UndetectedSARS-CoV-2 Infection”(https://kidney360.asnjournals.org/content/early/2021/01/13/KID.0003802020)中对此进行了更详细的描述，其在此通过引用并入本文。
应当理解，本文描述的各种机器实现的操作可以通过一个或多个相应的处理器执行存储在诸如随机存取存储器(RAM)、只读存储器(ROM)、可编程只读存储器(PROM)和/或另一种电子存储器机构的有形的非暂时性计算机可读介质上的处理器可执行指令而发生。因此，例如，由本文描述的任何装置执行的操作可以根据存储在装置上的指令和/或安装在装置上的应用程序，并且经由装置的软件和/或硬件来执行。
本文引用的所有参考文献，包括出版物、专利申请和专利，均以相同的程度通过引用并入本文，就好像每个参考文献被单独且特别地指示通过引用并入本文并在本文中全文阐述一样。
虽然本发明已在附图和前述描述中详细说明和描述，但这种说明和描述应被认为是说明性或示例性的而不是限制性的。应当理解，普通技术人员可以在所附权利要求的范围内进行改变和修改。特别地，本申请涵盖具有来自上文和下文描述的不同实施例的特征的任意组合的进一步实施例。
权利要求中使用的术语应被解释为具有与前述描述一致的最广泛的合理解释。例如，在介绍一个元素时使用的冠词“一个”或“所述”不应被解释为排除多个元素。同样，“或”的引用应被解释为具有包容性，使得“A或B”的引用不排除“A和B”，除非从上下文或前面的描述中清楚地知道其中只有A和B中的一个是有意的。另外，“A、B、C中的至少一个”的表述应被理解为由A、B、C组成的一组元素中的一个或多个，而不应理解为要求所列元素A、B和C中的至少一个，无论A、B和C是否作为类别或以其它方式相关。此外，“A、B和/或C”或“A、B或C中的至少一个”的表述应被解释为包括来自所列元素的任何单数实体、例如A，来自所列元素的任何子集、例如A和B，或元素A、B和C的整个列表。
除非在本文中另有说明，否则本文中数值范围的列举仅旨在用作单独引用落入该范围内的每个单独值的速记方法，并且每个单独的值被并入说明书中，就好像它在本文中单独列举一样。除非本文另有说明或与上下文明显矛盾，否则本文所述的所有方法都可以以任何合适的顺序执行。除非另有声明，否则本文提供的任何和所有示例或示例性语言(例如，“诸如”)的使用仅旨在更好地阐明本发明并且不对本发明的范围构成限制。说明书中的任何语言都不应被解释为指示任何未要求保护的元素对于本发明的实践是必不可少的。

Claims (20)

1.一种方法，包括：
通过预测系统从医疗设施接收个体治疗数据，所述个体治疗数据指示与正在接受透析治疗的患者相关联的透析治疗信息；
通过预测系统从血液测试实验室接收个体实验室数据，所述个体实验室数据指示与患者相关联的血液分析信息；
通过预测系统，在将所述个体治疗数据和所述个体实验室数据输入到疾病预测机器学习模型中的基础上，确定患者的疾病分析结果，其中，所述疾病分析结果指示患者感染传染性疾病的可能性；以及
通过预测系统向医疗设施提供指令，所述指令指示基于所述疾病分析结果的一个或多个响应动作。
2.根据权利要求1所述的方法，其中，所述方法进一步包括：
通过预测系统接收组治疗数据，所述组治疗数据指示与正在接受透析治疗的多个患者相关联的透析治疗信息；
通过预测系统接收组实验室数据，所述组实验室数据指示与正在接受透析治疗的多个患者相关联的血液分析信息；以及
通过预测系统基于所述组治疗数据和所述组实验室数据训练疾病预测机器学习模型。
3.根据权利要求2所述的方法，其中，所述方法进一步包括：
通过预测系统接收组医师数据，所述组医师数据指示与正在接受透析治疗的多个患者相关联的临床或治疗记录，
其中，进一步基于所述组医师数据训练所述疾病预测机器学习模型。
4.根据权利要求3所述的方法，其中，所述方法进一步包括：
通过预测系统从医疗设施接收个体医师数据，所述个体医师数据指示与正在接受透析治疗的患者相关联的临床或治疗记录，以及
其中，进一步在将所述个体医师数据输入到所述疾病预测机器学习模型中的基础上确定所述疾病分析结果。
5.根据权利要求2所述的方法，其中，所述方法进一步包括：
通过预测系统获得组患者数据，所述组患者数据指示与正在接受透析治疗的多个患者相关联的患者人口统计和历史，
其中，进一步基于所述组患者数据训练所述疾病预测机器学习模型。
6.根据权利要求5所述的方法，其中，所述方法进一步包括：
通过预测系统接收个体患者数据，所述个体患者数据指示与正在接受透析治疗的患者相关联的临床或治疗记录，以及
其中，确定所述疾病分析结果进一步基于将所述个体患者数据输入到所述疾病预测机器学习模型中。
7.根据权利要求2所述的方法，其中，所述方法进一步包括：
通过预测系统获得地域疾病数据，所述地域疾病数据指示与患者相关联的地理区域内的新报告的传染性疾病的病例，
其中，进一步基于所述地域疾病数据训练所述疾病预测机器学习模型。
8.根据权利要求7所述的方法，其中，所述地域疾病数据指示所述医疗设施的新报告的病例。
9.根据权利要求2所述的方法，其中，所述组治疗数据与所述医疗设施相关联，并且其中，所述方法进一步包括：
通过预测系统针对不同于所述医疗设施的第二医疗设施训练第二疾病预测机器学习模型；以及
在从所述医疗设施接收所述个体治疗数据的基础上选择对患者使用所述疾病预测机器学习模型。
10.根据权利要求2所述的方法，其中，所述方法进一步包括：
从所述医疗设施接收反馈，所述反馈指示所述疾病预测机器学习模型的一个或多个不准确；以及
基于所述反馈重新训练所述疾病预测机器学习模型，
其中，在将所述个体治疗数据和所述个体实验室数据输入到重新训练的疾病预测机器学习模型中的基础上确定患者的疾病分析结果。
11.根据权利要求1所述的方法，其中，所述疾病预测机器学习模型是极端梯度提升模型或深度学习模型。
12.根据权利要求1所述的方法，其中，所述一个或多个响应动作包括：调整患者日程安排以将患者重新分配到隔离专班以进行未来的透析治疗；为所述患者初始化治疗方案；为所述医疗设施分配个人防护装备；或调整患者的透析治疗参数。
13.一种预测系统，其包括：
一个或多个处理器；和
之上存储有处理器可执行指令的非暂时性计算机可读介质，其中，所述处理器可执行指令在由所述一个或多个处理器执行时有助于：
从医疗设施接收个体治疗数据，所述个体治疗数据指示与正在接受透析治疗的患者相关联的透析治疗信息；
从血液测试实验室接收个体实验室数据，所述个体实验室数据指示与患者相关联的血液分析信息；
在将所述个体治疗数据和所述个体实验室数据输入到疾病预测机器学习模型中的基础上确定患者的疾病分析结果，其中，所述疾病分析结果指示患者感染传染性疾病的可能性；以及
向所述医疗设施提供指令，所述指令指示基于所述疾病分析结果的一个或多个响应动作。
14.根据权利要求13所述的预测系统，其中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：
接收组治疗数据，所述组治疗数据指示与正在接受透析治疗的多个患者相关联的透析治疗信息；
接收组实验室数据，所述组实验室数据指示与正在接受透析治疗的多个患者相关联的血液分析信息；以及
基于所述组治疗数据和所述组实验室数据训练疾病预测机器学习模型。
15.根据权利要求14所述的预测系统，其中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：
接收组医师数据，所述组医师数据指示与正在接受透析治疗的多个患者相关联的临床或治疗记录，
其中，进一步基于所述组医师数据训练所述疾病预测机器学习模型。
16.根据权利要求15所述的预测系统，其中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：
从医疗设施接收个体医师数据，所述个体医师数据指示与正在接受透析治疗的患者相关联的临床或治疗记录，以及
其中，进一步在将所述个体医师数据输入到疾病预测机器学习模型中的基础上确定所述疾病分析结果。
17.根据权利要求14所述的预测系统，其中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：
获得组患者数据，所述组患者数据指示与正在接受透析治疗的多个患者相关联的患者人口统计和历史，
其中，进一步基于所述组患者数据训练所述疾病预测机器学习模型。
18.根据权利要求17所述的预测系统，其中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：
接收个体患者数据，所述个体患者数据指示与正在接受透析治疗的患者相关联的临床或治疗记录，以及
其中，进一步在将所述个体患者数据输入到疾病预测机器学习模型中的基础上确定所述疾病分析结果。
19.根据权利要求14所述的预测系统，其中，所述处理器可执行指令在由所述一个或多个处理器执行时进一步有助于：
获得地域疾病数据，所述地域疾病数据指示与患者相关联的地理区域内的新报告的传染性疾病的病例，
其中，进一步基于所述地域疾病数据训练所述疾病预测机器学习模型。
20.一种其上存储有处理器可执行指令的非暂时性计算机可读介质，其中，所述处理器可执行指令在被执行时有助于：
从医疗设施接收个体治疗数据，所述个体治疗数据指示与正在接受透析治疗的患者相关联的透析治疗信息；
从血液测试实验室接收个体实验室数据，所述个体实验室数据指示与患者相关联的血液分析信息；
在将所述个体治疗数据和所述个体实验室数据输入到疾病预测机器学习ML模型中的基础上确定患者的疾病分析结果，其中，所述疾病分析结果指示患者感染传染性疾病的可能性；以及
向所述医疗设施提供指令，所述指令指示基于所述疾病分析结果的一个或多个响应动作。
CN202180027651.8A 2020-04-10 2021-04-08 用于评估和减轻传染病在透析患者中的潜在传播的系统 Pending CN115380335A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063008626P 2020-04-10 2020-04-10
US63/008,626 2020-04-10
PCT/US2021/026455 WO2021207543A1 (en) 2020-04-10 2021-04-08 System for assessing and mitigating potential spread of infectious disease among dialysis patients

Publications (1)

Publication Number Publication Date
CN115380335A true CN115380335A (zh) 2022-11-22

Family

ID=75769994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180027651.8A Pending CN115380335A (zh) 2020-04-10 2021-04-08 用于评估和减轻传染病在透析患者中的潜在传播的系统

Country Status (5)

Country Link
US (1) US20210319905A1 (zh)
EP (1) EP4133504A1 (zh)
CN (1) CN115380335A (zh)
CA (1) CA3170686A1 (zh)
WO (1) WO2021207543A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230080048A1 (en) * 2021-09-16 2023-03-16 Specialty Diagnostic (SDI) Laboratories, Inc. Method and apparatus for generating a contagion prevention health assessment
WO2024019968A1 (en) * 2022-07-18 2024-01-25 Bardy Diagnostics, Inc. Method for maintaining serum potassium homeostasis through subcutaneous monitoring
CN117373585A (zh) * 2023-10-31 2024-01-09 华脉汇百通信息技术(北京)有限公司 一种基于人工智能的血液透析模型的构建方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100204920A1 (en) * 2005-04-25 2010-08-12 Caduceus Information Systems Inc. System for development of individualised treatment regimens
US7775986B2 (en) * 2007-04-10 2010-08-17 B. Braun Medizintechnologie Gmbh Therapy device with a time-variable blood regulation
JP5401556B2 (ja) * 2008-12-08 2014-01-29 インフォノーツ インク． 疾病マッピングと感染制御のシステム及び方法
US9801993B2 (en) 2010-11-17 2017-10-31 Fresenius Medical Care Holdings, Inc. Sensor clip assembly for an optical monitoring system
US10325064B2 (en) * 2012-01-20 2019-06-18 3M Innovative Properties Company Patient readmission prediction tool
US10496788B2 (en) * 2012-09-13 2019-12-03 Parkland Center For Clinical Innovation Holistic hospital patient care and management system and method for automated patient monitoring
JP6418624B2 (ja) * 2013-05-07 2018-11-07 ゴールドウェル株式会社 透析治療支援システム、透析治療支援システムの作動方法、及びプログラム
US11488713B2 (en) * 2017-08-15 2022-11-01 Computer Technology Associates, Inc. Disease specific ontology-guided rule engine and machine learning for enhanced critical care decision support
US11495359B2 (en) * 2018-06-29 2022-11-08 Fresenius Medical Care Holdings, Inc. Systems and methods for identifying risk of infection in dialysis patients
US20200113505A1 (en) * 2018-10-11 2020-04-16 Seno Medical Instruments, Inc. Optoacoustic image analysis method and system for automatically estimating lesion traits
CN109656918A (zh) * 2019-01-04 2019-04-19 平安科技（深圳）有限公司 流行病发病指数的预测方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
WO2021207543A1 (en) 2021-10-14
EP4133504A1 (en) 2023-02-15
CA3170686A1 (en) 2021-10-14
US20210319905A1 (en) 2021-10-14

Similar Documents

Publication Publication Date Title
US11961621B2 (en) Predicting intensive care transfers and other unforeseen events using machine learning
Komorowski et al. The artificial intelligence clinician learns optimal treatment strategies for sepsis in intensive care
Souri et al. A new machine learning-based healthcare monitoring model for student’s condition diagnosis in Internet of Things environment
US20210319905A1 (en) System for assessing and mitigating potential spread of infectious disease among dialysis patients
Cramer et al. Predicting the incidence of pressure ulcers in the intensive care unit using machine learning
CN106934235B (zh) 一种基于迁移学习的疾病领域间病人相似性度量迁移系统
Wongvibulsin et al. Development of severe COVID-19 adaptive risk predictor (SCARP), a calculator to predict severe disease or death in hospitalized patients with COVID-19
Nachimuthu et al. Early detection of sepsis in the emergency department using Dynamic Bayesian Networks
Liu et al. Development and validation of a machine learning algorithm and hybrid system to predict the need for life-saving interventions in trauma patients
García-Gallo et al. A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis
Domínguez-Olmedo et al. Machine learning applied to clinical laboratory data in Spain for COVID-19 outcome prediction: model development and validation
Xiang et al. Integrated Architectures for Predicting Hospital Readmissions Using Machine Learning
Wong et al. Machine learning methods to predict acute respiratory failure and acute respiratory distress syndrome
Al-Mualemi et al. A deep learning-based sepsis estimation scheme
Nopour et al. Comparison of two statistical models for predicting mortality in COVID-19 patients in Iran.
Wiemken et al. Predicting 30-day mortality in hospitalized patients with community-acquired pneumonia using statistical and machine learning approaches
Bhattarai et al. Can big data and machine learning improve our understanding of acute respiratory distress syndrome?
Li et al. Design and partial implementation of health care system for disease detection and behavior analysis by using DM techniques
Gholamzadeh et al. Comparison of different machine learning algorithms to classify patients suspected of having sepsis infection in the intensive care unit
Mao et al. Early deterioration warning for hospitalized patients by mining clinical data
Ayyappan et al. Knowledge Construction on NIV of COVID-19 for Managing the Patients by ML Techniques
Umut et al. Prediction of sepsis disease by Artificial Neural Networks
Zhao et al. External validation of a deep learning prediction model for in-hospital mortality among ICU patients
Hu A quantitative approach to patient risk assessment and safety optimization in intensive care units
Rixe et al. The development of a novel natural language processing tool to identify pediatric chest radiograph reports with pneumonia

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