CN115547483A - 用于监测患慢性炎症性疾病的患者的远程监测方法和系统 - Google Patents
用于监测患慢性炎症性疾病的患者的远程监测方法和系统 Download PDFInfo
- Publication number
- CN115547483A CN115547483A CN202210733378.7A CN202210733378A CN115547483A CN 115547483 A CN115547483 A CN 115547483A CN 202210733378 A CN202210733378 A CN 202210733378A CN 115547483 A CN115547483 A CN 115547483A
- Authority
- CN
- China
- Prior art keywords
- patient
- disease state
- data
- mobile user
- pds
- 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
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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- 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
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Physiology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及用于监测患慢性炎症性疾病的患者的远程监测方法和系统。该方法与包括远程平台和至少一个移动用户设备的系统兼容,其中,用户设备与患者相关联并与该平台进行数据通信。该方法包括多个步骤。一个步骤旨在在平台处从与患者相关联的用户设备接收指示患者的健康状况的监测数据。其他步骤旨在在平台处基于接收到的监测数据确定患者的炎症性疾病的预测疾病状态。其他步骤旨在评估所确定的预测疾病状态。然而,其他步骤还旨在基于评估所确定的预测疾病状态的步骤向平台处的用户和/或用户设备处的患者提供预测疾病状态。此外,本发明涉及用于确定患者的炎症性疾病的预测疾病状态的相应系统。
Description
技术领域
本发明涉及用于尤其是在患有特别是慢性炎症性疾病的患者的家庭环境中实现对患者的远程监测设置的方法。此外,本发明涉及被配置成实现这种远程患者监测设置的相应的系统、计算机程序产品和计算机可读介质。
背景技术
诸如风湿性疾病(例如类风湿性关节炎)、银屑病性关节炎、其他肌肉骨骼疾病、慢性阻塞性肺部疾病(COPD)、哮喘、多发性硬化症或克罗恩病的炎症性疾病包括各种各样的医疗状况,从而导致慢性疼痛和炎症。例如,风湿性疾病会影响关节、肌腱、韧带、肌肉和骨头。当免疫系统因常常不清楚的原因开始攻击其自己的组织时,就会发生这些状况中的大多数状况。通常,炎症性疾病的特点是疾病不活动的间隔时段(也称为“缓解”)、低和中疾病活动度以及加重(高)疾病活动度的时段(称为“加剧”或“加重”)。
大多数这种疾病是慢性的,并且无法治愈。为了使疾病活动度保持在低水平下,可以利用不同类型的药物。然而,找到用于个体患者的正确药物和/或正确剂量对于治疗医生和其他护理人员来说仍然具有挑战性。通常,需要改变有效的治疗以适应患者的当前情况(例如,由于计划手术而导致的暂停免疫抑制治疗),降低药物副作用的风险和/或减少医疗保健成本。此外,根据在用于治疗类风湿性关节炎的指南中描述的“目标治疗”策略,例如,一旦实现稳定的缓解,就应该逐渐减少生物药物的剂量。然后,医生再次面临挑战,哪些患者符合逐渐减少的条件以及在每个个体病例中可以逐渐减少多少药物。这通常是试错过程,在找到正确的治疗之前,伴随着患者降低的生活质量和增加的医疗保健成本。
而且,这类疾病的疗程并不稳定。相反,大多数患者将不得不经历缓解和加剧的反复周期。在这方面的一个问题是,这些天的治疗主要是反应性的。也就是说,一旦已经开始加剧发作,就调整药物机制,并且应用其他治疗措施。为了改进患者的生活质量,将期望提供如下手段:可以预测由于开的药物而导致的加剧发作和/或副作用,使得对治疗的积极主动调整可以减轻这些事件的强度或者完全防止其发生。
在这方面的问题之一是,存在大量个体和外部影响因素,这些影响因素指示或甚至触发个体患者的不良事件的发生。个体影响因素可以包括例如,遗传易感性、生活方式因素,例如体育活动、压力、饮食、吸烟习惯、酒精和咖啡因的摄入以及生命体征参数。除其他以外,外部影响因素是天气状况或本地环境状况,例如空气污染值或空气中的过敏原的浓度。
另一个问题是缺乏有关这些影响因素的信息的可用性。在风湿病患者的门诊临床常规中,以规则或不规则(在诸如加剧的并发症的情况下)时间间隔对患者进行检查。在通常持续10到15分钟的典型患者就诊期间,检查数据被收集,并且有时以前收集的人口统计和生活方式数据被确认或更新。基于这些数据,医生理想地与患者一起做出治疗决定。然而,在门诊或住院治疗之间,不可能系统地检查患者的健康状况(wellbeing)以检测加剧或其他不想要事件的早期迹象。
发明内容
因此,本发明的目的是在这方面改进现有系统和方法。特别是,本发明的目的是提供如下方法和系统,该方法和系统允许可靠预测患有特别是慢性炎症性疾病的患者的健康状况的恶化,以便例如使得能够积极主动治疗即将发生的加剧发作或者防止来自治疗的不良副作用的发生。
通过根据本发明的技术方案的用于确定患者的炎症性疾病的预测临床状况的方法和相应系统来解决该目的。替选和/或优选实施方式是本发明的技术方案的主题。
在下文中,关于要求保护的系统以及关于要求保护的方法描述根据本发明的技术解决方案。本文中所述的特征、优势或替选实施方式同样可以分配给其他要求保护的目的,反之亦然。换句话说,可以通过关于系统描述或要求保护的特征来改进解决本发明方法的技术方案,反之亦然。在这些情况下,方法的功能特征可以由系统的客观单元、模块或元件体现,反之亦然。
根据第一方面,提供了一种用于确定患者的炎症性疾病的预测疾病状态的计算机实现的方法。该方法与包括远程平台和至少一个移动用户设备的系统兼容,其中,用户设备与患者相关联并与该平台进行数据通信。该方法包括多个步骤。一个步骤旨在在平台处从与患者相关联的用户设备接收指示患者的健康状况的监测数据。其他步骤旨在在平台处基于所接收到的监测数据确定患者的炎症性疾病的预测疾病状态。其他步骤旨在评估确定的预测疾病状态。然而,其他步骤还旨在基于评估所确定的预测疾病状态的步骤向平台处的用户和/或用户设备处的患者提供预测疾病状态。
在下文中,可以使用旨在预测类风湿性关节炎的加剧的发生作为预测疾病状态的示例来描述本发明。然而,本发明不限于该应用。本发明及其方面尤其可以用于预测具有已知炎症性疾病(例如,银屑病性关节炎、其他肌肉骨骼疾病、慢性阻塞性肺部疾病(COPD)、哮喘、多发性硬化症、类风湿性关节炎或克罗恩病,仅举少数示例)的患者的其他疾病状态或临床结果。特别是,炎症性疾病可以是其中患者的症状可能由于对功能性身体部位的异常免疫反应引起的自身免疫性疾病。
根据一些示例,预测疾病状态与可以基于可用的数据和信息以一定的概率或可能性在未来发生的患者的炎症性疾病的未来状态或情况有关。因此,预测疾病状态可以包括例如与患者的安康、疾病或治疗进展、疾病治疗的副作用、加剧或加重的发生等有关的一个或更多个单独的命题或结果。特别是,预测疾病状态可以是健康状况或正在监测的特定状况(例如加剧的发生)的得分。根据一些示例,预测疾病状态可以是患者的炎症性疾病的阶段或者与患者的炎症性疾病的阶段有关。
根据一些示例,确定预测疾病状态的步骤可以包括确定预测疾病状态的发生概率,该发生概率指示在未来的时间段内对于相应患者预测疾病状态将发生的概率或可能性。根据一些示例,“未来”或“未来的时间段”可以是预定的预测期间。根据一些示例,从确定发生概率的时间点或获取监测数据的时间点起,预测期间可以覆盖几天到几周甚至到几个月的时间跨度。特别是,预测期间可以是一天到两周,优选的是一天到五天,并且更优选的是一天到三天。在这方面,较短的预测期间可能会导致预测疾病状态和/或发生概率的较高的置信度值,而较长的预测期间可能会提供更多时间以作出反应,以例如解释疾病活动度的季节性变化以及用于积极主动发起应对患者的可能负面结果的措施,例如运动和增加的体育活动作为针对这些季节性变化的预防措施。发生概率可能与在给定预测期间内特定疾病状态的发生的置信度值有关。
根据一些示例,远程平台可以是中央处理设备。远程平台可以包括服务器单元,并且尤其是web服务器。此外,远程平台可以包括云服务器或本地服务器。远程平台可以包括用于处理和分析从移动用户设备或其他数据源接收的数据的一个或更多个(可选地虚拟)计算机和/或处理设备和/或处理器。远程平台还可以包括用于存储从移动用户设备接收的数据的一个或更多个存储设备,例如大容量存储设备或非易失性存储器设备。远程平台可能会与被配置成例如以患者的电子病历的形式存储患者数据的其他数据库对接。远程平台通常被配置成自动地或根据请求分析从移动用户设备和/或数据库接收到的数据。远程平台可以包括例如用于显示分析结果的一个或更多个监测站。例如,医疗保健人员(作为远程平台的用户)可以使用一个或更多个监测站来查看由远程平台生成的分析结果以及/或者接收由远程平台输出的消息。远程平台可以被配置成经由相应配置的网关设备或接口与一个或更多个移动用户设备进行双向连接和通信。
远程平台可以经由网络与移动用户设备对接,以促进远程平台与移动用户设备之间的数据通信。网络可以包括因特网和/或移动通信网络。根据一些示例,例如,通过依靠Wi-Fi网络和/或蜂窝或移动通信网络,远程平台与移动用户设备之间的数据通信可以至少部分是无线的。移动用户设备可以被配置成经由相应配置的收发器设备或接口与远程平台进行双向连接和通信。在一些实现中,远程平台可以被配置成对接和/或管理与数百个、数千个或更多个患者有关的数百个、数千个或更多个移动用户设备。
移动用户设备通常可以被配置成收集与其相关联的患者的监测数据,并将这些数据转发到远程平台。根据一些示例,移动用户设备可以被配置成本地分析或(预)处理所收集的监测数据。移动用户设备可以各自包括用于控制监测数据的收集以及可选地处理和分析所收集的监测数据的一个或更多个本地处理器。为此,移动用户设备可以运行从远程平台或App商店下载的应用,该应用被配置成发起和控制在相应的移动用户设备处监测数据的收集和处理。移动用户设备还可以包括用于至少临时存储监测数据的一个或更多个存储设备,例如大容量存储设备或非易失性存储器设备。
为了收集监测数据,移动用户设备可以包括被配置成测量监测数据的一个或更多个传感器,以及/或者可以被配置成与这样的传感器对接。此外,移动用户设备可以被配置成例如经由网络连接例如因特网访问用于收集监测数据的外部数据源。移动用户设备可以包括用户接口,该用户接口用于与患者对接,并且尤其是从患者接收输入,或者输出如从远程平台接收到的或者如由于在移动用户设备处进行的本地数据处理得到的患者的消息。术语“移动”可能意味着可以由患者携带和/或穿戴移动用户设备。与患者相关联可能意味着相应的移动用户设备和与其相关联的患者进行明确注册。通常,移动用户设备将分别位于与远程平台不同的位置处,例如位于患者的位置处,尤其是位于患者的家里。根据一些示例,移动用户设备可以是智能设备,例如但不限于智能电话、平板电脑或智能手表。
监测数据与当前和患者的健康状况相关的数据和值有关。因此,监测数据通常指示患者的当前或至少最近的健康状况。根据一些示例,监测数据可以包括患者的生命体征数据,例如血压、体重、血糖水平、氧饱和度水平、体温等。另外或替选地,监测数据可以包括如由患者她或他本人感知到或输入的信息,例如感知到的安康等。另外或替选地,监测数据可以包括与患者相关的环境数据,例如患者的位置处的本地天气状况等。为了采集和发送监测数据,远程平台可以向适当的移动用户设备提供一组指令。例如,远程平台可以向移动用户设备提供一组指令,以修改相应的一组患者传感器的操作或者查询外部数据库以获得相关信息。
在远程平台处确定预测疾病状态和/或相应的发生概率可以包括处理监测数据以及/或者在平台处执行与监测数据有关的一个或更多个行动(即,通过相应配置的平台)。例如,远程平台可以分析监测数据,以确定监测数据中包括的值是否满足阈值(例如,以每个患者为基础),可以使用机器学习模型来确定生命体征数据中的值的组合是否指示可能的临床事件或患者的健康的问题,可以确定患者的健康和/或正在监测的特定状况的得分(例如,使用机器学习模型)等。在一些实现中,远程平台可能会实时(或接近实时)处理数百个、数千个或更多个患者的监测数据/生命体征数据。
例如,一旦接收到新的监测数据,或者在确定了最后一次预测健康状况之后经过一定时间跨度之后,可以自动执行确定患者的预测疾病状态的步骤。根据一些示例,确定预测疾病状态的步骤也可以由希望查看某个患者的远程平台的用户触发。在触发确定预测疾病状态的步骤之后,可以通过远程平台自动请求移动用户设备收集和发送当前或新的监测数据。
评估预测疾病状态通常可能涉及评定预测疾病状态是否可能引起患者的不想要的医疗状况或结果,并且如果是这样,则评定这种状况或结果的严重程度。评估预测疾病状态可能涉及将预测疾病状态与预定阈值进行比较,或者根据相应炎症性疾病的医学指南对预测疾病状态进行评级。特别是,评估预测疾病状态可以包括将相应的发生概率与预定阈值进行比较。根据一些示例,评估预测疾病状态可以包括将疾病阶段与预测疾病状态相关联。根据一些示例,评估预测疾病状态可以包括基于预测疾病状态为用户和/或患者确定一个或更多个建议。根据一些示例,评估预测疾病状态可以包括基于预测疾病状态确定相应的移动用户设备和/或远程平台的一个或更多个行动。特别是,在预测疾病状态指示患者的不想要的医疗状况或结果的发生的情况下,行动可以包括基于预测疾病状态触发给用户和/或患者的警告。根据其他示例,行动可以包括发起远程平台处的用户与移动用户设备处的患者之间的音频和/或视频会议会话。根据其他示例,行动可以包括例如以在相应用户界面处显示的消息或指示的形式将预测疾病状态传达给远程平台的用户和/或移动用户设备的患者。
基于评估预测疾病状态的步骤提供预测疾病状态可以包括选择接收者(即,患者、用户或两者)、用于提供预测疾病状态的通信信道、将传送预测疾病状态的优先级等。例如,如果预测疾病状态对患者不严重(例如,如果疾病得分低于预定阈值),则患者和/或平台用户可能只接收到一切都很好的确认。相比之下,如果预测疾病状态指示潜在的问题,则远程平台可能会触发警报,使得能够在患者与平台用户之间进行直接通信以及/或者向用户和/或患者提供其他建议。根据一些示例,提供的步骤可以包括促使(在移动用户设备和/或远程平台处)指示预测疾病状态的消息到平台处的用户和/或移动用户设备处的患者的输出。
总而言之,这些特征一起协同起作用,以改进对患有慢性炎症性疾病的患者的监测。移动用户设备采集监测数据的使用意味着即使患者处于他的家庭环境中,也可以容易地获得当前有关患者的健康状况的数据。因此,促进了对患有慢性炎症性疾病例如类风湿性关节炎的患者的连贯监测。在这方面,对中央平台处的监测数据的分析不仅确保使用最新数据分析工具在具有足够计算能力的受控环境中处理监测数据,而且还使得能够使护理人员及时注意到可能的严重状况。因此,提供者可以例如通过调整药物或呼叫患者进行门诊治疗来积极主动对患者的健康状况的可能恶化作出反应。这可能会防止患者的痛苦的发作,并且进而提高患者的参与度,因为患者觉得他被更好地照顾。
根据一些示例,预测疾病状态包括疾病状态的恶化,特别是在银屑病性关节炎和类风湿性关节炎中发生“加剧”或在COPD和哮喘中发生“加重”。换句话说,在确定的步骤中,可以预测患者的疾病状态的恶化的发生,尤其是加剧或加重。通过预测这种发作并使患者和医疗保健人员注意到这种发作,有可能在疾病状态的恶化实际发生之前采取应对措施。
根据一些示例,预测疾病状态包括患者对某种药物的预测反应(涉及副作用和/或有效性)。例如,如果患有类风湿性关节炎的患者正在进入治疗的某个阶段,则方法可以基于当前的监测数据估计该患者是否将会持续对在该阶段中由相应指南建议的药物作出积极反应。如果方法预测患者的药物反应的问题,则可以尽早调整药物(剂量和/或类型),从而避免患者遭受不必要的痛苦。此外,方法可能会识别监测数据中的不想要的副作用的早期迹象,从而提供积极主动应对导向的可能性。
根据一些示例,发生概率因此可以包括指示患者的炎症性疾病的加剧和/或加重的概率或可能性的加剧和/或加重概率。根据其他示例,发生概率可以另外或替选地包括与患者的治疗有关的副作用的发生概率。
根据一些示例,远程平台与用于存储患者的电子病历的本地或基于云的数据库进行数据通信。方法还包括从至少一个数据库接收与患者相关联的医疗保健数据的步骤。此外,方法包括从检索到的医疗保健数据中提取患者的一个或更多个医疗保健属性的步骤。此外,确定预测疾病状态的步骤附加地基于提取到的一个或更多个医疗保健属性。
换句话说,可以附加地考虑患者的电子病历,以用于确定预测疾病状态。这具有以下优势,可以考虑无法由移动用户设备收集的信息,例如实验室数据或来自患者的先前检查的医学报告。因此,通过组合两个不同的数据源(移动用户设备和患者的电子病历),可以制定患者的健康状况的整体图像。因此,可以提高预测疾病状态的置信度。
数据库可以是与远程平台分开的医疗保健信息系统的一部分。医疗保健信息系统可以包括一个或更多个数据库和服务器。医疗保健信息系统可以是医疗机构的场所内的本地系统。此外,医疗保健信息系统可以是基于云的。医疗保健信息系统可以包括一个或更多个标准化部件,例如图片存档和通信系统(PACS)、放射信息系统(RIS)、实验室信息系统(LIS)、医院信息系统(HIS)或电子病历系统(EMR)。为了描述数据格式和交换电子健康记录,可以依靠相应的标准,例如HL7 FHIR标准。远程平台可以包括接口,该接口被配置成用于尤其是使用HL7 FHIR标准与这种医疗保健信息系统和本文中描述的数据库对接。根据其他示例,然而,数据库也可以是远程平台的一部分。
在此,“接收”可能意味着从医疗保健信息系统检索医疗保健数据。也就是说,可以直接从数据库检索或查询患者的医疗保健数据。因此,可以例如基于患者的ID、姓名或其他合适的标识符单独查询医疗保健信息系统的资源。此外,可以将协同查询发送至医疗保健信息系统,该医疗保健信息系统可以被配置成内部管理这种数据请求。
根据一些示例,医疗保健数据与一个单个患者有关,并且优选地包括来自一组人口统计数据(可能包括生活方式数据)、药物数据、检查数据和实验室数据的数据。另外,医疗保健数据可以包括有关预期的治疗变化的信息,例如,有关旨在给患者开的药物或药物剂量的减少或增加的信息。此外,医疗保健数据可能包括组学数据(例如,蛋白质组学、基因组学、代谢组学)。
此外,医疗保健数据可以包括使用不同成像模式(例如,磁共振成像、超声、计算机断层扫描)获取的医学图像数据。特别是,医疗保健数据可以包括指示在关节炎疾病中(骨)侵蚀的射线进展的射线图像数据,例如X射线图像数据。此外,医疗保健数据还可以包括例如指示关节肿胀的程度的用超声或磁共振成像系统获取的图像数据。
另外,或作为替选方案,医疗保健数据可以包括漫射光学透射数据。特别是,可以通过用红光/近红外光照射患者的手并且例如通过摄像机检测透射的光来获取漫射光学透射数据。根据一些示例,漫射光学透射数据可以包括指示红光/近红外光的透射性/吸收的光学得分。由于血液是光谱的红色/近红外区域中的强吸收体,因此血液的汇集将导致透射光的减少,使得可以对血液汇集(其是组织炎症的指标)进行量化。
此外,医疗保健数据可以包括来自患者的先前监测周期的监测数据。相应地,方法可以包括将患者的接收到的监测数据添加到患者的医疗保健数据(也就是说,在患者的医疗保健数据中存档监测数据)的步骤。
发明人已经认识到,所有这些数据集在预测患者的未来疾病状态方面是潜在相关的。例如,疾病进展明显取决于患者所属的人口统计组和患者的医疗病史。
因此,一个或更多个医疗保健属性优选地包括以下中的至少一个:治疗患者的炎症性疾病所开的药物、治疗患者的炎症性疾病所开的药物剂量、患者的人口统计信息、患者的实验室数据、有关患者的生活方式的信息和/或患者的先前身体检查的检查数据。例如,以类风湿性关节炎作为炎症性疾病的示例,检查数据可以包括肿胀关节的数目。
根据一些示例,方法还包括基于评估所确定的预测疾病状态的步骤来建立和/或调度远程平台与移动用户设备之间的双向通信信道,该通信信道使得能够实现患者与平台用户之间的直接通信。
例如,可以通过在远程平台和移动设备处运行的视频会议和/或通讯应用来提供通信信道。根据其他实现,通信信道可以基于用户与患者之间的电话连接。
通过实现用户与患者之间的直接通信,用户可以直接与患者取得联系以采集更多信息和/或给患者提供她/他的直接建议。
根据一些示例,移动用户设备连接到被配置成确定患者的一个或更多个生理测量值的至少一个医疗信息设备,并且监测数据包括如由至少一个医疗信息设备确定的一个或更多个生理测量值。
生理测量值提供患者的当前健康状况的客观测量。因此,它们为确定患者的预测疾病状态提供了良好的基础。例如,相关的生理测量值可以包括以下中的至少一个:患者的血压、患者的血糖水平、患者的体重和体内脂肪比、患者的身体活动水平、患者的氧饱和度水平、患者的心率、患者的体温等。根据一些示例,生理测量值可以包括纵向数据,从而使得能够从数据中提取趋势。
因此,医疗信息设备优选地可以从以下之一中选择:体重计、脉搏血氧计、血压计、活动跟踪器、血糖计、体温计等。
移动用户设备和医疗信息设备可以被配置成使得可以将生理测量值自动从医疗信息设备发送至移动用户设备。因此,患者不必注意如何将测量值输入至系统中。优选地,移动用户设备和至少一个医疗信息设备无线连接。在这方面,无线连接可以经由Wi-Fi连接、蓝牙连接、蓝牙低功耗(BLE)连接和/或ZIGBEE连接等,基于相应的移动用户设备在一组医疗信息设备的通信近距离内来实现。以这种方式,移动用户设备可以从不同类型的医疗信息设备接收不同类型的生理测量值。
作为替选方案或除此之外,移动用户设备本身可以包括能够测量生理测量值的传感器。例如,如果移动用户设备是智能手表,则可以直接用手表的内置传感器确定心率和其他值。
根据一些示例,移动用户设备被配置成从患者接收指示患者的感知到的健康状况的输入,并且监测数据包括感知到的健康状况。
换句话说,方法被配置成记录所谓的患者报告结果(“PROs”)。例如,输入可以包括患者对用于评定患者的健康状况的标准化或定制化问卷的回答。相应地,方法可以包括为患者生成或选择问卷(可选地基于医疗保健数据和/或监测数据和/或疾病类型),并向患者提供问卷,以从患者接收对问卷的反应作为输入。
根据一些示例,问卷包括以下中的至少一个:健康评定问卷(HAQ)、视觉模拟量表(VAS)问卷和/或类风湿性关节炎疾病影响(RAID)问卷。换句话说,指示感知到的健康状况的输入包括患者对健康评定问卷(HAQ)、视觉模拟量表(VAS)问卷和/或类风湿性关节炎疾病影响(RAID)问卷的回答。上述问卷已证明是未来加剧发作的良好指标。
因此,可以在远程平台处的随后分析中捕获和考虑患者对于他的健康状况的主观感觉。由于这提供了无法通过测量值捕获的其他层信息,因此还可以提高疾病状态的预测质量。为了允许患者输入感知到的健康状况,移动用户设备可以在移动用户设备的显示器(其优选地包括触摸屏)上运行图形用户界面,从而允许用户与系统进行交互。相应的计算机程序产品可以是应用或app的一部分,该应用或app在移动用户设备上本地运行,并且还控制与平台的数据交换的其他方面。
根据一些示例,感知到的健康状况可以包括以下中的至少一个:患者的感知到的安康的指示、由患者确定的肿胀关节的数目、患者的饮食、由患者已服用的药物、由患者感知到的加剧或加重事件的发生或开始、由患者感知到的与给患者开的药物有关的副作用(例如,头痛、充血问题等)等。
根据一些示例,图形用户界面可以被配置成使得患者可以通过完成电子问卷报告各种患者报告结果来输入感知到的健康状况。例如,问卷可能会提示患者根据预定范围(例如从一到十)对她或他的安康进行评分,输入肿胀关节的数目,以及/或者如果她或他当前正在经受可能的副作用,则激活相应的复选框。
根据一些示例,移动用户设备被配置成采集易于影响患者的健康状况的当前和/或未来本地环境信息,并且监测数据包括本地环境信息。
换句话说,移动用户设备会自动收集有关外部影响因素的信息,这些外部影响因素已知会影响患有炎症性疾病的患者的疾病状态。例如,已知患有类风湿性关节炎的患者非常容易对天气状况作出反应。因此,本地环境信息可以包括以下中的至少一个:当前天气状况、当前空气污染值、当前过敏原浓度、未来天气状况、未来空气污染值和/或空气中的未来过敏原浓度等。本地环境信息是本地的,因为相应的环境状况是相关的,并且可能会(现在或在未来的某个预定时间段内)影响在她或他的当前位置处的患者。
为了采集本地环境信息,移动用户设备可以依靠内置传感器,该内置传感器被配置成测量表征本地环境信息的一个或更多个参数,例如本地空气质量值。除此之外,或作为替选方案,移动用户设备可以与被配置成提供本地环境信息的外部传感器对接。根据一些示例,移动用户设备还可以与信息网络对接以收集本地环境信息。例如,这样的信息网络可以是因特网。具体而言,移动用户设备可以使用安装在移动用户设备上的专用应用从信息网络收集相关信息,例如熟悉的“天气app”。替选地,移动用户设备可以使用浏览器应用、专用通信协议或应用编程接口(API)登录到提供相应信息的适当网页上。
通过考虑本地环境信息,可以改进对未来疾病状态的预测。例如,如果可以确定COPD患者的位置处的过敏原浓度在即将到来的一周中将是高的,则这可能会使患者的疾病状态恶化。
根据一些示例,远程平台被配置成托管至少一个预测模型,所述至少一个预测模型被配置成和/或被训练成基于输入数据预测患者的炎症性疾病的预测疾病状态。此外,确定预测疾病状态的步骤包括将至少一个预测模型至少应用于接收到的监测数据。输入数据可以是如本文中所述的监测数据和/或医疗保健数据。具体而言,监测数据可以包括如本文中所述的生理测量值、指示患者的感知到的健康状况的患者输入和/或本地环境信息。可选地,一个或更多个预测模型也可以被配置成获取医疗保健数据,并从如本文中所述的医疗保健数据中提取患者的一个或更多个医疗保健属性,并使用这些医疗保健属性来确定预测疾病状态。因此,确定预测疾病状态的步骤可以包括还将至少一个预测模型应用于医疗保健数据。
根据一些示例,远程平台被配置成托管多个不同的预测模型,每个预测模型被配置成和/或被训练成基于输入数据预测患者的炎症性疾病的预测疾病状态。输入数据可以是如本文中所述的监测数据和/或医疗保健数据。方法还包括至少根据接收到的监测数据和/或患者的炎症性疾病的类型和/或医疗保健数据选择托管的预测模型之一的步骤。此外,确定预测疾病状态的步骤可以包括将选择的预测模型应至少用于接收到的监测数据,以及可选地,应用于医疗保健数据。
预测模型可以是被训练用于不同目的的模型。优选地,用不同患者组的训练数据对预测模型进行训练(这些模型中的每个都具有有关不同患者组的训练数据集),以及/或者用与不同药物有关的训练数据对预测模型进行训练(但是也可以针对一组不同的药物对模型进行训练)。模型还可以用不同类型的数据(例如,人口统计数据、药物数据、检查数据或实验室数据)进行训练,例如,一个模型可以用实验室数据进行训练,并且一个模型可以用人口统计数据进行训练。通常,预测模型的训练以及这些预测模型的架构是本领域公知的(例如,参见EP 3 573 068A1)。
每个预测模型都可以被训练成基于输入数据预测加剧、加重的概率、治疗结果等。治疗结果可能涉及患者对药物的呈积极方式(疼痛缓解、状况改善)、消极方式(副作用)或中性方式(根本没有反应)的反应。可能存在许多针对不同类型的炎症性疾病、不同药物有关治疗方案,例如,不同剂量的特定药物组(或许多这样的组)、不同的药物、特定的患者组、不同的输入数据等的专门预测模型。优选地,存在使用的总共多于10个不同的训练模型,尤其是多于30个或甚至多于50个。
模型可以存在于远程平台本身中,例如在远程平台的处理单元中或在由远程平台使用的存储器中。例如,关于预测模型的架构和参数的信息存在于存储器中,并将选择的预测模型从存储器下载到处理单元(的随机存取存储器)中。
选择步骤被设想用于为相应用例自动选择可用的预测模型之一。优选地,选择如下预测模型,该预测模型最适合于可用数据、疾病类型和治疗方案,并且因此应该提供最佳结果。选择可以基于预定选择方案,基于要由模型处理的可用数据和/或基于相应的患者或用例。选择方案可以是存储在远程平台的存储器中的表,或者可以是在平台的计算单元中运行的计算机程序产品中的硬连线的决策树。
通常,预测模型可以被视为将输入数据映射到输出数据,从而完成了特定学习任务,在此患者的炎症性疾病的预测疾病状态的确定。预测模型可以基于一个或更多个神经网络(例如,深度神经网络、递归神经网络、卷积神经网络、卷积深度神经网络、对抗网络、深度对抗网络和/或生成对抗网络等)和/或其他算法,包括贝叶斯网络、决策树、随机森林方案、支持向量机、线性或逻辑回归模型、梯度平均、k均值聚类、Q学习、遗传算法和/或关联规则或其他合适的模型以及上述的任何组合。代替术语“神经网络”,也可以使用术语“神经元网”。由预测模型生成的输出可能取决于预测模型的一个或更多个参数。通常,预测模型可以包括多种多样的参数。例如,参数可以与预测模型中深嵌入的参数,例如人工神经网络中的权重有关。此外,参数可以与“上级”参数(通常表示为“超参数”)有关,该参数控制了预测模型的整体行为和训练。超参数可以是实数取值的(例如,学习速率、决策边界的宽度),整数取值的(例如,层的数目),二进制的(例如,是否使用早期停止)或分类的(例如,优化器的选择)。这种超参数的一个示例将是决策树或随机森林中的参数“树深度”,该参数控制了达到低训练误差和低测试误差之间的权衡。另外,参数可以与组合以形成预测模型的基本可训练算法的类型和数目有关。可以通过训练确定和/或调整预测模型的一个或更多个参数。贯穿本申请使用的术语“预测模型”与已经经过训练的预测模型有关,即,该预测模型的参数已经通过训练被确定和/或调整。
可以在远程平台中托管的不同类型的预测模型可以与结构上和/或功能上和/或拓扑上不同类型或种类或变体的预测模型有关。因此,不同类型可能依赖于不同结构或架构。例如,神经网络可以包括层结构,而随机森林方案包括决策树结构。此外,预测模型可以实现不同的功能。虽然一些预测模型可以被配置成用于通过处理图像数据来进行特征学习,但是其他预测模型可以被配置成对数据进行分类或提供数值预测。此外,预测模型在学习过程方面可能有所不同。例如,一种类型的预测模型可以通过监督学习的方式通过使用标记的数据对来推断功能。示例包括各种神经网络、决策树或贝叶斯网络。其他类型的预测模型可能会支持无监督学习或半监督学习,在无监督学习中在没有预先存在标签的数据集中发现以前未知的模式。示例包括深信网、分层聚类或k均值。在机器学习范式方面,另一第三种类型的预测模型与支持强化学习的模型有关,该强化学习涉及模型在环境中应该如何采取行动,以最大化累积奖励的一些概念。示例包括Q学习或学习分类器系统。此外,预测模型在训练过程期间优化的不同指标方面可能有所不同。例如,对于通常的决策树和基于树的方法,这些指标可以包括信息增益、基尼不纯度、增益比或准确度。
在训练期间预测模型的一个或更多个参数的确定和/或调整可能会发生在预测模型从零开始的初始创建或汇编期间。其还可能发生在已经训练的预测模型的稍后训练期间,例如在重新训练或增量机器学习期间。预测模型的其他术语可以是机器学习模型、训练映射规范、具有训练参数的映射规范、具有训练参数的函数、基于人工智能的算法、机器学习算法。
通常,训练可以基于由训练输入数据和相关联的训练输出数据组成的对。将可训练预测模型应用于训练输入数据来创建模型输出数据。特别是,确定和/或调整可以基于模型输出数据和训练输出数据的比较。在训练(性能评估和部署)之后,预测模型可以处理新的看不见的数据,以根据其已经训练的内容生成输出数据。因此,可以将训练视为隐含地限定应用的领域和/或预测模型必须完成的任务。具体而言,训练输入数据和训练输出数据可以从患者的过去疾病轨迹中获得。训练输入数据可能与在特定时间点处患者可用的医疗信息有关,并且包括如本文中所述的监测数据和医疗保健数据。训练输出数据可能是在包括在训练输入数据中的监测数据和/或医疗保健数据被记录之后的某个时间对于患者实际发生的患者的经证实的疾病状态。因此,“之后的某个时间”可能意味着在预测模型应该使用的预测期间内。
通常预测模型的使用具有如下优势:可以进行对连接至远程平台的患者的更全面和更快速的筛查。在这方面,预测模型甚至可以识别人类无法访问的可用数据中的模式。此外,预测模型的使用可能实现对用其用户设备登录到远程平台上的大量患者的迅速且同时准确并行的监视。根据相应患者对最佳预测模型的可选选择具有进一步改进预测结果的其他优势。为所有可能的病例和为所有可能的患者训练一个单个预测模型是非常复杂的(或甚至不可能的)。此外,有时候事实证明,对于特殊病例(一组特殊的患者、特殊疾病或特殊用例),不同架构的预测模型比具有另一个架构的模型更好。因此,通过评估哪种预测模型(架构和训练)对于什么病例将是最佳的,可以提高预测的准确性,这可以促进患者和用户的参与度。
根据一些示例,在选择预测模型之后,输入数据(即,监测数据和/或医疗保健数据)可以被搜索,以获取预定义的数据类型和/或预定义的数据类型的值,以确定预定义的数据类型是否存在于输入数据中以及/或者将值与预定义阈值进行比较以及/或者决定该值是否符合预定义的要求。例如,可以确定患者的性别是男性、女性还是不确定的,或者在输入数据中是否有可用的实验室数据,或者诊断是否是类风湿性关节炎。使用该信息,然后,作为下一个步骤可以选择适当的预测模型。
根据一些示例,方法还包括得到监测数据和/或医疗保健数据中包括的各个参数对预测疾病状态的影响有多大的值的步骤,其中向远程平台处的用户和/或移动用户设备处的患者提供所得到的值和/或相应的参数中的至少一个。
换句话说,可能会输出有关哪个参数输入组影响输出最大的信息。优选地,为该组的各个参数生成它们对输出信息的影响有多大的值。这提供了这些参数对患者和/或用户的重要性的定量印象。例如,如果明显的是,对于特定患者,结果很大程度上取决于体重指数,则可以做出具体的努力,以积极地改变体重指数。此外,该实施方式的优点是:用户可以从输出推断出高加剧风险是由于特定的药物机制引起的,并选择性地改变它。
根据一些示例,远程平台与多个二级移动用户设备进行无线数据通信,每个二级移动用户设备分别与不同于该患者的其他患者相关联。方法还包括:搜索其他患者以获得相似患者,该相似患者与该患者(对于其已经确定和评估预测疾病状态)具有一定程度的相似性;以及向在远程平台处的用户和/或向在其分别相应的二级移动用户设备处的相似患者提供与相似患者相关的预测疾病状态。特别是,“提供”可以包括基于评估患者的确定的预测疾病状态的步骤来促使指示与相似患者相关的预测疾病状态的消息到平台处的用户和/或相似患者的相应二级移动用户设备处的输出。例如,如果预测疾病状态指示在预测期间内加剧的概率增加,则在其健康状况和疾病史方面与该患者相似的其他患者在不久的将来也可能具有加剧的增加的可能性。根据上面的示例,这种风险将自动传达给相似患者和/或远程平台处的负责任的医疗保健人员,以采取相应的行动。
根据一些示例,根据预测疾病状态,除了先前提供步骤之外或作为对先前提供步骤的替选方案,方法还可以包括从相似患者的二级用户设备请求二级监测数据和/或从数据库请求相似患者的二级医疗保健数据,以及基于二级监测数据和/或二级医疗保健数据确定相似患者的临时预测疾病状态。二级监测数据可能与监测数据具有相同或至少相似的类型和结构,并且可以包括相似的信息和数据集。同样,二级医疗保健数据可能与医疗保健数据具有相同或至少相似的类型和结构,并且可以包括相似的信息和数据集。
因此,例如,通过将预测疾病状态与临时预测疾病状态进行比较,可以证实针对患者确定的预测疾病状态是否也与相似患者相关。特别是,这可以在执行任何其他行动例如,通过例如向用户和/或相似患者的通信/消息提供临时预测疾病状态之前完成。在这方面的“提供”可能取决于临时疾病状态和/或对其的评估。因此,相似患者分析可能用作用于早期识别在监测的患者队列中的医疗问题的附加安全层。
根据一些示例,患者与其他患者之间的相似性可能根据其各自的监测数据和/或医疗保健数据。因此,方法还可以包括以下两个步骤中的至少一个:在平台处,从二级用户设备接收指示其他患者的健康状况的二级监测数据,以及/或者从用于存储患者的电子病历的数据库检索与其他患者相关联的二级医疗保健数据,其中远程平台与数据库进行数据通信。此外,搜索步骤基于二级医疗保健数据与医疗保健数据的比较和/或二级监测数据与监测数据的比较。
基于可用的监测数据和/或医疗保健数据识别相似患者是找到具有相似临床处置的患者的有效且准确的方式,这些患者可能具有相似的疾病状态。根据一些示例,在这方面,可能优选的是仅依靠医疗保健数据或二级医疗保健数据,因为该数据可能更容易获得,并且通常已经提供了足够的信息来至少识别“候选的”相似患者。然后,在下一个步骤中,可以通过请求和分析这些患者的二级监测数据来审查预测疾病状态是否真地可以传递到这些候选的相似患者,如本文中其他地方所述。
根据一些示例,比较步骤可以包括从监测数据和/或医疗保健数据中提取数据描述符,以及从二级医疗保健数据和/或监测数据集中的每个中提取相应的数据描述符,其中在患者与其他患者之间的相似性程度然后分别基于数据描述符与单个相应的数据描述符之间的相似性。特别是,相似患者可以是其相似性程度高于预定阈值的这些其他患者。
在一些示例中,数据描述符可以是特定向量空间中的表示或表征医疗保健数据和/或监测数据的向量。在一些示例中,可以通过使用特定数据描述符编码算法对医疗保健数据和/或监测数据进行编码来确定数据描述符。医疗保健数据和/或监测数据的特征,例如生命体征参数、人口统计信息、疾病类型和轨迹、有关药物、生活方式等的信息由数据描述符表示或表征。
根据一些示例,可以通过应用相似性度量来计算相似性程度,该相似性度量表示相应的医疗保健数据和/或监测数据集的相似程度。在一些示例中,相似性度量可以是向量空间中的医疗保健数据和/或监测数据的数据描述符与二级医疗保健数据和/或监测数据集的相应数据描述符之间的距离。在其他示例中,可以使用其他相似性度量,例如数据描述符之间的余弦相似性。根据一些实施方式,可以通过一个或更多个计算机学习的函数来执行数据描述符的计算和/或整个相似患者的识别。
根据一些示例,方法还可以包括提供预定关联的步骤,该预定关联将预测疾病状态的不同阶段与对患者和/或平台用户的行动和/或建议联系起来。此外,评估步骤可以包括识别所确定的预测疾病状态的阶段,并基于所识别的阶段和预定关联选择行动和/或建议。此外,提供步骤包括向远程平台处的用户和/或移动用户设备处的患者提供所选择的行动和/或建议。
许多炎症性疾病根据不同阶段进行排列。例如,对于COPD,通常存在从“早期”到达“非常严重”的四个阶段。每个阶段都预见了对患者的不同建议,而且也需要对医疗保健人员的不同治疗选择。因此,确定预测疾病状态的阶段使得能够自动识别对患者和/或医疗保健人员的最佳建议。取决于阶段,对患者的建议可以从仅“提高您的身体活动水平”到“立即寻求医疗救助”。
根据一些示例,可以向移动用户设备提供预测模型,该预测模型被配置成和/或被训练成在移动用户设备处基于监测数据本地确定患者的预测疾病状态。
通过向移动用户设备提供预测模型,可以本地处理数据,这可能是有益的,因为更少的数据需要被发送至平台。此外,即使在他无法连接到远程平台的情况下,也可以为患者提供本地评定其健康状况的方式。除了生成未来疾病状态的预测和/或相应的发生概率之外,还可以使用在用户设备处由预测模型本地提供的结果,以增量和/或自我学习方式来改进各个患者的基本预测模型。另外,或作为替选方案,如果将结果发送至远程平台进行其他处理,则可以将结果用于改进其他患者的预测和/或相应发生的概率。然后,在远程平台处,这些结果可以用于以联合学习方式在远程平台处调整现有模型。
根据其他示例,移动用户设备还可以被配置成托管多个不同的预测模型,所述多个不同的预测模型可以根据基本上如前所述的相应情况进行选择。
根据一些示例,方法还可以包括在平台处接收本地确定的预测疾病状态,并在平台处将患者的本地确定的预测疾病状态与在远程平台处确定的预测疾病状态进行比较。因此,可以执行安全检查,以确定在平台和/或移动用户设备处的预测模型是否仍正常工作。
根据一些示例,方法还可以包括在平台处接收本地确定的预测疾病状态。根据本地确定的预测疾病状态,方法还可以包括请求(和接收)患者的监测数据和/或医疗保健数据,并基于监测数据和/或医疗保健数据在远程平台处确定预测疾病状态。因此,可以在远程平台处评估和/或检查本地确定的疾病状态。如果本地确定的疾病状态指示患者的可能健康问题,则可以通过用所有可用信息在平台处确定预测疾病状态来证实这。换句话说,本地确定的疾病状态可以用作是否进行更详细的分析的指标。因此,可以进一步改进对患者的监测,而不一定必须增加要在平台处计算预测疾病状态的频率。
根据一些示例,方法还包括还基于医疗保健数据、监测数据和/或一个或更多个预测疾病状态训练一个或更多个预测模型。
除了在远程平台处或在移动设备上确定预测疾病状态之外,可用数据因此用于进一步改进一个或更多个预测模型。例如,可以设想基于(新采集的)监测数据追溯证实(先前的)预测疾病状态。相应地,方法可以包括接收由预测模型预测的先前预测疾病状态,并基于先前预测疾病状态和监测数据和/或医疗保健数据进一步训练预测模型。根据一些示例,可以从医疗保健数据(其先前已添加)接收先前预测疾病状态。
根据一些示例,可以以自学习方式自动触发进一步训练。根据其他示例,进一步训练可能涉及基本上如在EP 3 798 934A1中所述的增量学习。
根据上述方面的步骤优选地发生在“平台侧”,即在远程平台处,或者至少由远程平台发起。它们可以通过在移动用户设备处发生的相应的“用户设备侧”步骤来补充。这样的步骤可以包括以下中的至少一个:收集指示患者的健康状况的监测数据;将监测数据发送至远程平台,以优选地使在平台处基于所发送的监测数据确定患者的预测疾病状态;从平台接收指示所确定的预测疾病状态的信息;向患者输出指示所接收到的信息的消息;接收预测模型,该预测模型被配置成和/或被训练成在移动用户设备处基于监测数据本地确定患者的预测疾病状态,通过将预测模型本地应用于监测数据确定患者的预测疾病状态;向患者输出指示本地确定的预测疾病状态的消息;以及/或者将本地确定的预测疾病状态发送至平台。
根据另一个方面,提供了一种用于确定患者的炎症性疾病的预测疾病状态的计算机实现的方法,在包括远程平台和至少一个移动用户设备的系统中,该移动用户设备与患者相关联并与平台进行无线数据通信。该方法包括多个步骤。一个步骤旨在在移动用户设备处收集指示患者的健康状况的监测数据。其他步骤旨在将监测数据发送至远程平台,以优选地使在远程平台处基于所发送的监测数据确定患者的炎症性疾病的预测疾病状态。其他步骤旨在在移动用户设备处从远程平台接收指示预测疾病状态的信息。其他步骤旨在向患者输出指示接收到的信息的消息。
与上述方面和示例有关公开的优势和修改同样可以通过上述方法来实现或可以应用于上述方法。
根据一些示例,方法还可以包括以下的步骤:在移动用户设备处接收预测模型,该预测模型被配置成和/或被训练成在移动用户设备处基于监测数据本地确定患者的预测疾病状态,通过将预测模型本地应用于监测数据本地确定患者的预测疾病状态;以及向患者输出指示本地确定的预测疾病状态的消息;以及/或者将本地确定的预测疾病状态发送至远程平台。
移动设备上的算法还可以在其移动设备上本地训练进行预测疾病状态的确定的数学模型,并且随后将这些训练模型发送至远程平台,在该远程平台处这些模型可以与在其他移动设备上已经进行训练的其他模型组合,从而得到模型,该模型进一步增加了对患者集合的未来疾病状态的预测和/或相应发生概率的置信度。
根据另一个方面,提供了用于确定患者的炎症性疾病的预测疾病状态的患者监测平台。该平台包括接口和计算单元。该接口被配置成与至少一个与患者相关联的移动用户设备进行通信,以用于从移动用户设备接收指示患者的健康状况的监测数据。计算单元被配置成基于接收到的监测数据确定患者的炎症性疾病的预测疾病状态,评估所确定的预测疾病状态,并基于评估,尤其是向平台处的用户提供预测疾病状态(例如,通过将指示预测疾病状态的消息输出到平台处的用户),或者向患者提供预测疾病状态(例如,通过经由接口单元提示移动用户设备以将指示预测疾病状态的消息输出到患者)。
根据实施方式,平台被调整以实现根据如本文中公开的各方面和示例的提供患有炎症性疾病的患者的预测疾病状态的本发明的方法。
计算单元可以被实现为数据处理系统或数据处理系统的一部分。例如,这样的数据处理系统可以包括云计算系统、计算机网络、计算机、平板电脑、智能电话等。计算单元可以包括硬件和/或软件。例如,硬件可以包括一个或更多个处理器、一个或更多个存储器及其组合。一个或更多个存储器可能会存储用于执行根据如本文中公开的各方面和示例的方法步骤的指令。硬件可以通过软件配置和/或可以由软件操作。通常,所有单元、子单元或模块至少可以例如,经由网络连接或相应的接口彼此暂时进行数据交换。因此,各个单元可能彼此分开定位。
接口单元可以包括用于经由因特网连接与一个或更多个移动用户设备进行数据交换的接口。此外,接口单元可以包括用于与存储一个或更多个患者的医疗保健数据的数据库进行数据交换的接口。接口单元还可以被调整以经由用户接口与远程平台的一个或更多个用户(例如,负责任的医疗保健人员)对接(例如,通过向用户显示预测疾病状态(例如,在图形用户界面中))。
根据一些示例,平台还可以包括用于存储多个患者的医疗保健数据的数据库。可以根据如本文中所述的各方面和示例配置数据库。
根据一方面,提供了用于提供患者的炎症性疾病的预测疾病状态的系统。该系统包括根据先前的方面和示例的远程平台,以及与患者相关联的至少一个移动用户设备,该移动用户设备被配置成收集指示患者的健康状况的监测数据,并将监测数据发送至该平台。具体而言,移动用户设备可以包括移动计算单元和移动接口单元。移动计算单元可以包括硬件和/或软件。例如,硬件可以包括一个或更多个处理器、一个或更多个存储器及其组合。一个或更多个存储器可能会存储用于执行根据如本文中所述的各方面和示例的方法步骤的指令。硬件可以通过软件配置和/或可以通过软件操作。特别是,计算单元可以包括便携式用户设备,例如,智能电话或智能手表或平板电脑的处理器。此外,移动计算单元可以包括集成移动用户设备的所有或大多数部件的集成电路(芯片上系统)。移动接口单元可以包括用于例如,经由因特网连接优选地,与远程平台进行至少部分无线数据交换的接口。此外,移动接口单元可以包括用于例如,使用蓝牙标准优选地,与一个或更多个医疗信息设备进行至少部分无线数据交换的接口。移动接口单元还可以被调整以经由用户接口与患者接口(例如,通过向患者显示预测疾病状态(例如,在图形用户界面中),以及/或者通过允许患者输入有关她或他感知到的健康状况的信息)。
根据另一个方面,本发明旨在包括程序元件的计算机程序产品,当该程序元件被加载到相应计算单元的存储器中时,该程序元件使远程平台和/或移动用户设备以及/或者包括远程平台和一个或更多个移动用户设备的系统的计算单元执行根据如本文中所述的方法的步骤。
根据另一个方面,本发明旨在计算机可读介质,在计算机可读介质上存储程序元件,该程序元件可以通过远程平台和/或移动用户设备以及/或者包括远程平台和一个或更多个移动用户设备的系统的计算单元读取和执行,以在该程序元件由相应的计算单元执行时执行根据如本文中所述的方法的步骤。
由计算机程序产品和/或计算机可读介质对本发明的实现具有如下优势,已经存在的提供系统可以容易地通过软件更新来调整,以按照本发明提出的那样工作。
计算机程序产品可以是例如,计算机程序,或者可以包括像这样的计算机程序旁边的另一个要素。这另一个要素可以是硬件,例如存储计算机程序的存储器设备、用于使用计算机程序等的硬件密钥,和/或可以是软件,例如文档或用于使用计算机程序的软件密钥。计算机程序产品还可以包括开发材料、运行时系统和/或数据库或库。计算机程序产品可以分布在几个计算机实例之间。
附图说明
根据将关于图详细描述的以下描述和实施方式,上面描述的发明的特点、特征和优势以及实现它们的方式变得更加清楚和更容易理解。该以下描述不是将本发明限制于所包含的实施方式。相同的部件、部分或步骤可以在不同图中用相同附图标记来标记。通常,这些图未按比例绘制。在下面:
图1描绘了根据实施方式的用于远程监测患有炎症性疾病的患者的系统;
图2描绘了根据实施方式的用于远程监测患有炎症性疾病的患者的远程平台;
图3描绘了根据实施方式的用于远程监测患有炎症性疾病的患者的移动用户设备;
图4描绘了示出根据实施方式的用于提供患者的预测疾病状态的方法的流程图;
图5描绘了示出根据另一实施方式的用于提供患者的预测疾病状态的方法的流程图;
图6描绘了示出根据另一实施方式的用于提供患者的预测疾病状态的方法的流程图;
图7描绘了示出根据另一实施方式的用于提供患者的预测疾病状态的方法的流程图;
图8描绘了示出根据另一实施方式的用于提供患者的预测疾病状态的方法的流程图;
图9描绘了示出根据另一实施方式的用于提供患者的预测疾病状态的方法的流程图;以及
图10描绘了示出根据另一实施方式的用于提供患者的预测疾病状态的方法的流程图。
具体实施方式
图1示意性地示出了根据示例性实施方式的用于远程监测患有炎症性疾病的患者P的系统1。图2示意性地示出了根据实施方式的系统1的远程平台10。图3示意性地示出了根据实施方式的系统1的移动用户设备100。
如图1中所示,系统1包括至少一个移动用户设备100,优选地多个移动用户设备100。移动用户设备100分别与如由系统1提供的患者监测程序中登记的患者P相关联。移动用户设备100与远程平台10进行数据交换,该远程平台10提供用于分析如由相应的移动用户设备100收集的监测数据MD的能力。为此,移动用户设备100每个都可以与医疗信息设备200进行数据通信,该医疗信息设备200被配置成在患者P处和/或在患者P的家庭环境中测量监测数据MD(直接地)。此外,移动用户设备100可以被配置成从外部数据源400例如因特网收集监测数据MD,以及/或者从患者P向移动用户设备100中的直接输入来推断监测数据。远程平台10进一步与数据库300进行数据交换,该数据库300存储通过其各自的移动用户设备100连接到远程平台10的患者P中的至少一部分患者的医疗保健数据HD。
通常,系统1能够基于本地采集的监测数据MD以及/或者从相应患者的电子病历中获取的医疗保健数据HD来确定患有炎症性疾病的患者P的预测疾病状态。
监测数据MD可以与表征相应患者的当前或近期健康状况的数据和值有关。根据一些示例,监测数据MD可以包括如通过一个或更多个医疗信息设备200本地测量的患者的生命体征数据,例如血压、体重、血糖水平、氧饱和度水平、体温等。另外或替选地,监测数据MD可以包括由患者P输入到移动用户设备100中的信息,例如经由数字症状问卷收集的各种PROs。另外或替选地,监测数据MD可以包括与相应的患者P相关的本地环境数据,例如本地天气状况等。
医疗保健数据HD通常与来自患者P的电子病历的数据有关。因此,医疗保健数据HD最佳地补充来自监测数据MD的信息,因为医疗保健数据HD提供了进一步的背景信息,以最佳地判断患者的健康状况并预测未来的疾病状态。医疗保健数据HD优选地包括来自一组人口统计数据的数据(可能包括生活方式数据)、药物数据、检查数据和/或实验室数据。另外,医疗保健数据HD可以包括有关预期的治疗变化的信息,例如,有关预期应用于患者的药物或者药物剂量的减少或增加的信息。此外,医疗保健数据HD可能潜在地包括组学数据(例如,蛋白质组学、基因组学、代谢组学)以及使用不同的成像模式(例如,磁共振成像、超声、计算机断层扫描)获取的医学图像数据。医疗保健数据HD还可以包括患者P的过去检查的一个或更多个医学报告。此外,医疗保健数据HD可以包括来自先前的监测周期的监测数据,这些监测数据已经通过远程平台10添加到医疗保健数据。换句话说,远程平台可以被配置成将监测数据MD推向数据库300(或相应的医疗保健信息系统)。
医疗信息设备200通常可以被配置成测量、生成、存储、(预)处理和/或提供患者P的监测数据MD。特别是,医疗信息设备200可以被配置成提供从患者P获取的或与患者P有关的生理测量值。
医疗信息设备200每个都可以包括能够测量、生成和/或提供患者P的生理测量值的一个或更多个传感器设备。例如,这种传感器设备可以包括血压监测器、血氧计、血糖仪、气流传感器、皮肤电反应传感器、心电图传感器、心率监测器、磅秤、脉搏血氧计、体温计或类似类型的设备。在一些实现中,这种传感器设备可以被实现在可穿戴设备或甚至移动用户设备100本身(例如,智能手表、一对智能眼镜、活动波段等)内。在一些实现中,医疗信息设备200可以在采集监测数据MD之后向移动用户设备100提供监测数据MD。另外或替选地,医疗信息设备200也可以通过远程平台10被远程控制以及与远程平台10直接对接。
根据一些示例,患者P可能与不同类型的和/或由不同的第三方制造的多个医疗信息设备200相关联。例如,患者P可能与采集患者P的监测数据MD的血压监测器和心率监测器相关联。其他医疗信息设备200还可以包括被配置成采集患者P所处的环境的本地环境数据(例如,空气湿度值、空气温度值、环境中是否存在特定化学物质、空气中的过敏原的浓度等)的传感器设备。
移动用户设备100通常是被配置成接收、生成、存储、处理和/或提供与患者P有关的监测数据MD的设备。例如,移动用户设备100可以包括移动电话(例如,智能手机、无线电话等)、膝上型计算机、平板电脑、手持计算机、游戏设备或可穿戴通信设备(例如,智能手表、一对智能眼镜等)。
在一些实现中,移动用户设备100可以用作医疗信息设备200与远程平台10之间的网关设备。也就是说,移动用户设备100可以用作医疗信息设备200与远程平台10之间的通信中介。
如图3中所示,移动用户设备100包括计算单元102(也被表示为移动计算单元)。计算单元102可以由移动用户设备100的一个或更多个内置处理器体现,以及/或者可以以硬件、软件或者硬件和软件的组合来实现。计算单元102可以是中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、神经处理单元(NPU)、芯片设备上的系统或另一类型的处理部件。在一些实现中,计算单元102包括能够被编程以执行如本文中所述的一个或更多个方法步骤的一个或更多个处理器。
如图3中所示,移动用户设备100可以包括用于促进与平台10以及一个或更多个医疗信息设备200的通信的接口单元101(也被表示为移动接口单元)。通常,接口单元101可以包括使得移动用户设备100能够例如经由有线连接、无线连接或有线连接和无线连接的组合与其他设备进行通信的类似收发器的部件(例如,收发器和/或单独的接收器和发送器)。接口单元101可以允许移动用户设备100从另一个设备接收信息和/或向另一个设备提供信息。例如,接口单元101可以包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、Wi-Fi接口、蜂窝网络接口等。
根据一些示例,接口单元101可以包括传感器接口101a,该传感器接口101a可以为移动用户设备100提供与相应的医疗信息设备200进行通信所需的能力。例如,传感器接口101a可以为移动用户设备100提供使用与特定医疗信息设备200相关联的协议例如使用与该医疗信息设备200相关联的特定命令的能力等。在一些实现中,传感器接口101a可以进行通信以发现医疗信息设备200启动和/或暂停通过医疗信息设备200进行的数据收集等。在一些实现中,传感器接口101a可以包括一个或更多个无线适配器,例如,呈蓝牙、Wi-Fi或ZIGBEE适配器的形式。这样的无线适配器可以为移动用户设备100提供执行与医疗信息设备200的双向数据通信(例如,发起设备发现、查询配对设备的列表、创建服务器套接字以侦听连接请求等)的能力。在一些实现中,传感器接口101a可以与医疗信息设备200处的相应无线适配器进行通信,使得可以在医疗信息设备200之一与移动用户设备100之间交换通信(例如,指令、生理测量值等)。
此外,接口单元101可以包括与远程平台10进行通信和/或经由因特网访问外部信息源的网络接口101b。例如,网络接口101b可以为移动用户设备100提供经由HTTP或HTTPS连接与远程平台10进行通信,或者访问经由因特网提供的web页面和/或web服务的能力。根据一些示例,网络接口101b被实现为基于Wi-Fi或WLAN连接的无线接口。根据其他示例,网络接口101b被实现为基于如下的(无线)接口:蜂窝网络(例如,长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一种类型的下一代网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、电话网络(例如,公用交换电话网络(PSTN))、专用网络、自组织网络、内联网、因特网、基于光纤的网络、云计算网络连接以及/或者这些类型或其他类型的网络连接的组合。
如图3中所示,移动用户设备100可以包括用户接口103,根据一些实现,该用户接口103可以是接口单元101的一部分。用户接口103可以被配置成与患者P对接,以便显示信息和/或控制移动用户设备100。为此,计算单元102可以运行与显示信息和控制移动用户设备100有关的专用应用。作为特定示例,计算单元102可以运行与显示生理测量值相关联以及/或者与传感器接口101a进行通信以控制来自医疗信息设备200之一的数据捕获的网关应用。用户接口103可以包括用于用户输入的设备(例如,触摸屏显示器、一个或更多个按钮、开关和/或麦克风)。另外,用户接口103可以包括提供来自移动用户设备100的输出信息的设备(例如,显示器、扬声器以及/或者一个或更多个发光二极管)。
在一些实现中,移动用户设备100可以包括存储器104(也被表示为移动存储器),该存储器104可以接收和/或存储其他监测数据MD或来自医疗信息设备200的生理测量值。特别是,当移动用户设备100未连接到远程平台10时,存储器104可以用作用于存储监测数据MD的离线数据缓冲器,以便稍后发送至远程平台10。此外,存储器104可以存储与移动用户设备100的操作和使用有关的信息和/或软件。存储器104可以包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器、固态驱动器和/或另一类型的动态或静态存储设备(例如,闪速存储器、磁性存储器和/或光学存储器)。
远程平台10通常被配置成请求、接收、存储、处理与患者P有关的监测数据MD和医疗保健数据HD,以便确定患者P的炎症性疾病的预测疾病状态。
如图2中所示,所描绘的实现中的远程平台10包括接口单元11、计算单元12、用户接口13和存储器单元14。根据一些示例,远程平台10可以托管在云计算环境中。值得注意的是,虽然本文中描述的示例将远程平台10描述为托管在云计算环境中,但是远程平台10也可以不是基于云的(即,可以在云计算环境之外实现),或者根据其他示例,远程平台10可以是部分基于云的。云计算环境可以提供计算、软件、数据访问、存储以及/或者不需要终端用户了解托管远程平台10的系统和/或设备的物理位置和配置的其他服务。
计算单元12可以包括一组计算资源,这一组计算资源可以包括一个或更多个个人计算机、工作站计算机、服务器设备或者另一类型的计算和/或通信设备。根据一些示例,计算单元12可以经由有线连接、无线连接或者有线连接和无线连接的组合与其他计算资源进行通信。此外,计算单元12可以包括一组云资源,例如一个或更多个应用或者一个或更多个虚拟机。这些应用可以包括一个或更多个软件应用,这些软件应用可以被提供给系统1的一个或更多个设备或者由系统1的一个或更多个设备访问。根据一些示例,应用可以包括与一个或更多个数据库300相关联的软件应用。
计算单元12可以包括数据检索模块12a,该数据检索模块12a被配置成从数据库300检索医疗保健数据HD以及/或者从所连接的移动用户设备100检索监测数据MD。此外,计算单元12可以包括分析或预测模块12b,该分析或预测模块12b被配置成基于由检索模块12a针对患者P检索的监测数据MD和/或医疗保健数据HD来确定该患者P的预测疾病状态PDS。根据一些示例,预测模块12b可以被配置成托管针对该任务配置和训练的一个或更多个预测模型,并将一个或更多个预测模型应用于监测数据MD和/或医疗保健数据HD。为了从多个可用的预测模型中选择适当的预测模型,计算单元12可以可选地包括选择模块12c。选择模块12c可以被配置成从托管在预测模块12b处的多个预测模型中选择一个预测模型,这一个预测模型最适合于相应的监测数据MD和/或医疗保健数据HD,或者通常相应的患者病例。可选地,计算单元12还可以包括相似患者搜索模块或SPS模块12d。SPS模块12d可以被配置成在向监测程序登记的患者之中搜索与当前研究的患者P(即,已经确定预测疾病状态PDS的患者P)有些相似的患者。此外,计算单元12可以包括通信模块12e,该通信模块12e用于发起与移动用户设备100处的患者P和/或远程平台10处的用户U(即,医疗保健人员)的通信。不同模块12a至12e的指定应通过示例的方式而不是作为限制来解释。具体地,模块12a至12e可以是虚拟模块。此外,模块12a至12e可以集成以形成一个单个真实或虚拟单元,或者可以由计算机代码段体现,所述计算机代码段被配置成执行计算单元12上运行的相应方法步骤。
接口单元11可以被配置成允许远程平台10经由网络从系统1中的其他设备接收信息以及/或者将信息发送至系统1中的其他设备。特别是,接口单元11可以被配置成将远程平台10与移动用户设备100和/或数据库300对接。
网络可以包括一个或更多个有线和/或无线网络。例如,网络可以包括:蜂窝网络(例如,长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一种类型的下一代网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、电话网络(例如,公用交换电话网络(PSTN))、专用网络、自组织网络、内联网、因特网、基于光纤的网络、云计算网络等以及/或者这些类型或其他类型的网络的组合。
用户接口13可以包括允许远程平台10的用户U查看监测数据MD以及/或者一个或更多个患者P的预测疾病状态PDS的物理接口。用户接口13可以由包括显示器和输入设备例如键盘、鼠标、麦克风等的计算机工作站来体现。在一些实现中,用户接口13可以被配置成生成用于监测数据MD和/或医疗保健数据HD以及/或者用于如由计算单元12提供的分析结果的图形输出。根据一些实现,用户接口13可以是接口单元11的一部分。
存储器单元14可以包括一个或更多个真实或虚拟化存储装置。存储器单元14可以被实现为云存储装置。替选地,存储器单元14可以被实现为远程平台10的场所内的本地或扩展存储装置。存储器单元14可以包括一个或更多个存储器设备。在存储器单元14中可以配置多个存储库或数据库。一个存储库可以是模型存储库,该模型存储库被配置成存储或存档多个预测模型。此外,数据库300可以是存储器单元14的一部分。根据其他实现,数据库300可以是医疗保健信息系统的一部分。医疗保健信息系统可以是医疗机构的场所内的本地系统。此外,医疗保健信息系统可以是基于云的。医疗保健信息系统可以包括一个或更多个标准化部件,例如图片存档和通信系统(PACS)、放射信息系统(RIS)、实验室信息系统(LIS)、医院信息系统(HIS)或电子病历系统(EMR)。为了与医疗保健信息系统进行通信以访问数据库300,可以根据与相应的医疗保健信息系统兼容的适当标准例如HL7 FHIR标准配置接口单元11。
应当注意,作为示例提供了图1至图3中所示的设备和/或部件的数目和布置。实际上,与图1至图3中所示的设备和/或部件相比,系统1可以包括附加设备和/或部件、更少的设备和/或部件、不同的设备和/或部件或不同布置的设备和/或部件。具体地,可以存在连接到每个移动用户设备100的附加的和/或不同的医疗信息设备200。此外,单个用户设备100本身也可以包括利用其可以收集监测数据MD的内置传感器。此外,移动用户设备100的数目不限于示出的移动用户设备100的数目。实际上,任何数目的移动用户设备100都可以与远程平台10进行数据通信。例如,超过100个、超过1000个或甚至超过10000个移动用户设备100可以与远程平台10对接。
图4描绘了用于确定患有炎症性疾病的患者P的预测疾病状态PDS的发明方法。步骤的顺序不一定与步骤的编号相对应,而是也可以在本发明的不同实施方式之间变化。此外,可以重复单个步骤或步骤的序列。图4中所示的步骤发生在远程平台10处和/或由远程平台10执行。
在步骤SP10处,从移动用户设备100接收患者P的监测数据MD。根据一些示例,步骤SP10的前面可以是可选的步骤SP5,该步骤SP5包括由远程平台10从移动用户设备100主动请求监测数据MD。例如,这可以通过由远程平台10的用户U手动选择工作列表中的患者P来发起。根据一些实现,从移动用户设备100到远程平台10的监测数据MD的数据发送可以定期(例如,每天一次或两次)或在某些事件例如关于具有与患者P相似的医疗处理的其他患者的可能的医疗问题发生时(自动地)请求(参见下面)。步骤SP10(和步骤SP5)是可选的,因为也可以仅基于医疗保健数据HD来确定预测疾病状态。
在步骤SP20处,从数据库300接收患者P的医疗保健数据HD。与步骤SP10一样,步骤SP20的前面可以是可选的步骤SP15,该步骤SP15包括从数据库300主动请求医疗保健数据HD。此外,这可以涉及查询数据库300以获得患者P的医疗保健数据HD。步骤SP20(和步骤SP15)是可选的,因为也可以仅基于监测数据MD来确定预测疾病状态。步骤SP20还可以包括从医疗保健数据HD中提取一个或更多个医疗保健属性。
在步骤SP30处,基于监测数据MD和/或医疗保健数据HD来确定患者P的预测疾病状态PDS。根据一些实现,预测疾病状态PDS可能与患者P的加剧的发生有关,并且包括加剧概率。在步骤SP30处确定预测疾病状态PDS可以是基于规则的。例如,可以从监测数据MD和/或医疗保健数据HD中提取许多值和/或参数。然后,可以将提取的值和/或参数与预定阈值或疾病模式进行比较,以推断预测疾病状态PDS。根据其他实现,可以采用预测模型,该预测模型被配置成基于监测数据MD和/或医疗保健数据HD提供预测疾病状态PDS。
根据一些示例,远程平台10可以托管专门针对不同的患者队列、疾病、疾病状态、治疗选择、药物等的多个不同的预测模型。在这种情况下,步骤SP30可以包括可选的步骤SP31,该步骤SP31旨在基于监测数据MD和/或医疗保健数据HD从当前用例的可用预测模型中自动地选择一个预测模型。
此外,步骤SP30可以包括可选的步骤SP32,该步骤SP32旨在还提供监测数据MD和/或医疗保健数据HD中包括的多少个体参数影响预测疾病状态PDS的指示。在步骤SP32处,可以识别特别有助于某些疾病状态PDS的参数和值。这可以为患者P和远程平台10的用户U提供如下构思:监测数据MD和/或医疗保健数据HD中包括的哪些影响因素是相关的,并且哪些应对措施特别有希望。步骤SP32可以表示为“可解释的计算”步骤。
在步骤SP40处,评估预测疾病状态PDS。这可以涉及将预测疾病状态PDS与阈值进行比较。例如,可以将加剧概率与阈值进行比较。如果加剧概率低于阈值,则将不需要任何行动,而如果加剧概率高于阈值,则将触发进一步的行动。根据一些示例,步骤SP40可以包括可选的步骤SP41,该步骤SP41旨在确定预测疾病状态PDS的临床阶段。这可以通过将预测疾病状态PDS映射到基础疾病的临床指南来完成。随后,在另一可选的步骤SP42中,可以基于步骤SP41处识别的阶段确定一组行动。这可以再次基于适当的临床指南和/或将阶段与适当行动联系起来的预定关联来完成。例如,行动可以是向患者P或远程平台10处的负责任的用户U分发警告,或者发起在患者P与用户U之间的呼叫。
在步骤SP50处,提供预测疾病状态PDS。这可能意味着将预测疾病状态PDS传达给患者P和/或远程平台10处的负责任的用户U。此外,这可以涉及将例如在先前步骤SP40处确定的这些行动付诸实践。根据一些示例,“提供”也可以包括将预测疾病状态PDS添加到患者P的医疗保健数据HD。此外,在步骤SP50处,还可以将监测数据MD添加到医疗保健数据HD。
图5描绘了用于确定患有炎症性疾病的患者P的预测疾病状态PDS的替选方法。步骤的顺序不一定与步骤的编号相对应,而是也可以在本发明的不同实施方式之间变化。此外,可以重复单个步骤或步骤的序列。图5中所示的步骤发生在远程平台10处和/或由远程平台10执行。与图4相比,相同的附图标记与相同或相似的步骤有关。
图4的方法与图5的方法之间的主要区别是图5的方法另外包括旨在识别与患者P相似的患者的步骤SP60。例如,可以基于预测疾病状态PDS触发步骤SP60。特别是,如果预测疾病状态PDS指示患者P的潜在的健康问题,例如在不久的将来可能发生加剧,则可以执行步骤SP60。为了识别相似的患者,可以执行下面可选的子步骤SP61至SP64。
在子步骤SP61处,根据监测数据MD和/或医疗保健数据HD生成数据描述符。数据描述符可以包括呈特征向量的形式的监测数据MD和/或医疗保健数据HD的关键特征。特征向量可以包括一个或更多个参数,这些参数表征相对于在远程平台10处监测的患者群体的患者P和/或患者的健康状况。在一些示例中,可以使用训练的机器学习算法(也被表示为训练函数)执行生成数据描述符的步骤。优选地,训练的机器学习算法包括神经网络,最优选地卷积神经网络。可以应用第一组神经网络层以从数据中提取特征。因此所提取的特征可以作为输入值被馈送到第二组网络层(也称为分类器),第二组网络层用于将对象和/或特性进一步分配给所提取的特征中的至少一个。根据其他实现,机器学习算法还可以包括随机森林算法。
在步骤SP62处,将患者P的数据描述符与其他患者的相应数据描述符进行比较。可以以与患者P的数据描述符相同的方式生成其他患者的数据描述符。具体地,如果需要,可以为此目的请求其他患者的监测数据MD和/或医疗保健数据HD。为了方便参考,其他患者的监测数据MD和/或医疗保健数据HD也可以被表示为二级监测数据MD和/或二级医疗保健数据HD。
在步骤SP63处,确定表示患者P的数据描述符与其他患者中的至少一部分患者的数据描述符之间的相似性的相似性度量。在一些示例中,相似性度量可以是患者P的数据描述符与其他患者的数据描述符之间的向量空间中的距离。例如,距离可以是相应数据描述符表示的向量空间中的两个点之间的欧几里得距离。在一些示例中,相似性度量可以是相应数据描述符的L1范数。在一些示例中,可以使用其他相似性度量,例如数据描述符之间的余弦相似性。对于所考虑的每个其他患者,相似性度量可以表示参考病例与目标患者的相似程度。换句话说,相似性度量表达目标患者与相应参考患者之间的相似性程度(对目标患者与相应参考患者之间的相似性程度进行量化)。
接下来,在步骤SP64处,在步骤SP63中确定的相似性程度可以用于选择与患者P具有特定相似性的那些其他患者。根据一些示例,可以选择与患者P的相似性程度大于预定阈值的所有其他患者。
由于患者P与所选择的相似患者之间的相似性,因此存在预测疾病状态PDS也可能与所确定的相似患者相关的特定可能性。换句话说,如果预测疾病状态PDS指示患者P的问题,则相似患者将可能会存在相似的问题。因此,在可选的步骤SP70处,可以向相似患者和/或远程平台10处的与相似患者相关联的负责任的用户U提供预测疾病状态PDS。除此之外,步骤SP70对应于如前所解释的步骤SP50。除此之外或作为替选方案,对有关相似患者的了解可以在可选的步骤SP80中使用,以发起相似患者的健康状况的检查。为此,可以对于相似患者中的每个执行步骤SP5至SP50。
图6描绘了根据另一个示例的用于确定患有炎症性疾病的患者P的预测疾病状态PDS的发明方法。步骤的顺序不一定与步骤的编号相对应,而是也可以在本发明的不同实施方式之间变化。此外,可以重复单个步骤或步骤序列。图6中所示的步骤发生在移动用户设备100处和/或由移动用户设备100执行。
在步骤SU10处,移动用户设备100收集监测数据MD。这可以包括可选的子步骤SU11、SU12、SU13。
步骤SU11旨在从医疗信息设备200收集监测数据MD。这可以涉及提示医疗信息设备200测量患者P的一个或更多个生理测量值,并将这些生理测量值发送至移动用户设备100,基本上如之前所说明的。
步骤SU12旨在从患者P向移动用户设备100中的输入中采集监测数据MD。例如,可以向患者P提供电子问卷,其中她或他应该指出整体安康、肿胀关节的数目、饮食、服用的药物等。例如,可以通过在移动用户设备100处运行的适当图形用户界面中激活复选框、点击符号或填充输入字段来进行输入。此外,可以通过还可以由计算机语言算法处理以推断其预期的含义的自由文本消息或语音命令进行输入。
步骤SU13旨在收集以与患者的健康状况相关的本地环境信息的形式的监测信息MD,基本上如前所述。特别是,SU13旨在从外部数据源400收集监测数据MD。
在步骤SU20处,移动用户设备100使用如本文中所述的数据发送手段将监测数据MD发送至远程平台10。
在步骤SU30处,移动用户设备100接收如在远程平台10处针对患者P确定的预测疾病状态PDS。来自远程平台10的转发预测疾病状态PDS的消息还可以包括针对移动用户设备100和/或患者P接下来要采取哪些行动的指令。例如,来自远程平台10的消息可以包括向患者P显示预测疾病状态PDS和/或预测疾病状态PDS的概要的指令。此外,消息可以包括为患者P提供进一步行动的建议或指示的指令。
在步骤SU40处,向患者P提供预测疾病状态PDS。这可以涉及使患者P注意到预测疾病状态PDS,可选地,以及如从远程平台10接收到的任何建议和/或指示。
图7描绘了根据实施方式的用于远程平台10和移动用户设备100如何可以一起工作以实现用于确定患有炎症性疾病的患者P的预测疾病状态PDS的方法的方法步骤的基本序列。图7的左边示出的步骤由远程平台10执行(即,远程平台10被配置成执行这些步骤),而右边示出的步骤由移动用户设备100执行(即,移动用户设备100分别被配置成执行这些步骤)。图7中所示的步骤对应于图4至图6的步骤。为了方便参考,结合图4至图6解释的几个可选步骤已经省略,但是如果需要,当然可以添加以形成其他实现。
图8描绘了根据另一个实施方式的用于远程平台10和移动用户设备100如何可以一起工作以实现用于确定患有炎症性疾病的患者P的预测疾病状态PDS的方法的方法步骤的基本序列。图8中所示的实现进一步示出了将结合图5引入的相似患者搜索整合到先前的工作流程中。图8的中间示出的步骤由远程平台10执行,右边示出的步骤由患者P的移动用户设备100执行,并且图8的左边的步骤由与类似于患者P的患者相关联的二级移动用户设备100执行。除此以外,图8中所示的步骤对应于图4至图7的步骤。为了方便参考,结合图4至图7解释的几个可选步骤已经省略,但是如果需要,当然可以添加以形成其他实现。
图9和图10描绘了根据另一个实施方式的用于远程平台10和移动用户设备100如何可以一起工作以实现用于确定患有炎症性疾病的患者P的预测疾病状态PDS的方法的方法步骤的基本序列。图9和图10中所示的实现与先前的实现不同在于:以预测模型的形式为移动用户设备100提供了本地预测能力。图9和图10的左边示出的步骤由远程平台10执行,右边示出的步骤由移动用户设备100执行。在下文中,只有偏离先前实施方式的这些步骤将被解释。对于其他步骤,参考结合图4至图8给出的解释。为了方便参考,先前实施方式的几个可选步骤已经省略,但是如果需要,当然可以添加以形成其他实现。特别是,图9和图10的实现可以与借助于步骤SP60(以及,可选地,步骤SP70和/或SP80)的相似患者搜索组合。
在步骤SP100处,通过远程平台10向移动用户设备100提供预测模型。也就是说,可以将预测模型下载到移动用户设备100。预测模型可以在其能够基于监测数据MD本地确定患者P的预测疾病状态PDS的这种意义上适合于移动用户设备100处的本地部署。
在步骤SU100处,在移动用户设备100处接收预测模型。随后,在步骤SU110处,可以将接收到的预测模型应用于监测数据MD,以便本地确定患者P的预测疾病状态PDS。可以收集监测数据MD,基本上如结合步骤SU10所述。为了本地确定预测疾病状态PDS,计算单元102可以执行或应用下载的预测模型。
在步骤SU120处,向移动用户设备100处的患者P或向远程平台10提供本地确定的预测疾病状态PDS。后一种情况可能涉及基本上如前所述的数据发送。与本地确定的预测疾病状态PDS一起,指示在移动用户设备100处预测模型表现如何的日志文件可以被提供。步骤SU120可以包括在移动用户设备100处评估本地确定的疾病状态PDS的可选的子步骤,其可以基本上如结合步骤SP40所述执行。取决于评估,其可以决定是否以及如何使患者P注意到本地确定的预测疾病状态PDS。
在步骤SP110处,在远程平台10处接收本地确定的疾病状态PDS。随后,在步骤SP120处,评估本地确定的疾病状态。本质上,如先前结合步骤SP40解释的那样,可以执行步骤SP120。除此之外,还可以读取可选地发送的日志文件,以便确定本地操作的预测模型的确定结果的准确程度。
取决于步骤SP120处的评估,可以经由步骤SP50向远程平台10处的负责任的用户U提供本地确定的预测疾病状态PDS(图9),或者可以在远程平台10处进一步检查本地确定的预测疾病状态PDS(图10)。在后一种情况下,可以将本地确定的预测疾病状态PDS与使用不同的(更好的)预测模型和/或其他数据例如以患者P的医疗保健数据HD的形式在远程平台10处确定的预测疾病状态PDS进行比较。为此,基本上如前所述,远程平台10可以执行步骤SP5至SP50,其中可能的差异在于,本地确定的预测疾病状态PDS与在远程平台10处确定的预测疾病状态的比较可能发生在修改的步骤SP40'处。
在任何有意义的地方,各个实施方式或其各个方面和特征可以相互组合或交换,而无需限制或扩大本发明的范围。在适用时,关于本发明的一个实施方式描述的优势也有利于本发明的其他实施方式。
以下要点也是本公开内容的一部分:
要点1.一种用于确定患者(P)的炎症性疾病的预测疾病状态(PDS)的计算机实现的方法,在包括远程平台(10)和至少一个移动用户设备(100)的系统(1)中,所述移动用户设备(100)与所述患者(P)相关联并且与所述平台(10)进行数据通信,
所述方法包括以下步骤:
在所述远程平台(10)处从与所述患者(P)相关联的所述移动用户设备(100)接收(SP10)指示所述患者(P)的健康状况的监测数据(MD);
在所述远程平台(10)处基于所接收到的监测数据(MD)确定(SP30)所述患者(P)的炎症性疾病的预测疾病状态(PDS);
在所述远程平台(10)处评估(SP40)所确定的预测疾病状态(PDS);以及
基于评估(SP40)所确定的预测疾病状态(PDS)的步骤向所述远程平台(10)处的用户(U)和/或向所述移动用户设备(100)提供(SP50)所述预测疾病状态(PDS)。
要点2.根据要点1所述的方法,其中,所述预测疾病状态(PDS)与以下中的至少一个有关:
所述患者(P)的炎症性疾病的预测疾病活动度,特别是所述患者(P)的炎症性疾病的加剧和/或加重的发生,以及/或者
相对于所述患者(P)的炎症性疾病的治疗所述患者(P)的预测治疗反应,以及/或者
与所述患者(P)的炎症性疾病的治疗有关的不良反应的预测发生。
要点3.根据前述要点中任一项所述的方法,其中,
所述远程平台(10)与用于存储患者的电子病历的本地或基于云的数据库(300)进行数据通信,
所述方法还包括由所述远程平台(10)从至少一个数据库(300)检索(SP20)与所述患者(P)相关联的医疗保健数据(HD)的步骤;以及
确定(SP30)所述预测疾病状态的步骤附加地基于所述医疗保健数据(HD)。
要点4.根据要点3所述的方法,还包括:
将所接收到的监测数据(MD)添加到所述患者的所检索的医疗保健数据(HD),以及/或者将所述患者(P)的所接收到的监测数据(MD)存储在与所述患者(P)的医疗保健数据(HD)相关联的所述数据库(300)中。
要点5.根据前述要点中任一项所述的方法,其中,
所述移动用户设备(100)被配置成接收指示由所述患者(P)感知到的所述患者(P)的健康状况信息的所述患者(P)的输入,所述健康状况信息包括所述患者(P)对问卷的一个或更多个回答;以及
所述监测数据(MD)包括所述健康状况信息。
要点6.根据要点5所述的方法,还包括:
基于所述医疗保健数据(HD)、所述监测数据(MD)和/或所述预测疾病状态(PDS)配置所述问卷;以及
将所述问卷转发到所述移动用户设备(100)以用于向所述患者(P)提供所述问卷。
要点7.根据要点5所述的方法,还包括:
基于所述医疗保健数据(HD)、所述监测数据(MD)和/或所述预测疾病状态(PDS)从多个预先配置的问卷中选择问卷;以及
将所选择的问卷转发到所述移动用户设备(100)以用于向所述患者(P)提供所述问卷;
预先配置的问卷优选地包括健康评定问卷(HAQ)、视觉模拟量表(VAS)问卷和/或类风湿性关节炎疾病影响(RAID)问卷中的至少一个。
要点8.根据前述要点中任一项所述的方法,还包括以下步骤:
根据评估(SP40)所确定的预测疾病状态(PDS)的步骤来建立所述远程平台(10)与所述移动用户设备(100)之间的双向通信信道,所述通信信道能够实现患者与平台用户之间的直接通信。
要点9.根据前述要点中任一项所述的方法,其中,
所述远程平台(10)被配置成托管多个不同的预测模型,每个预测模型被配置成和/或被训练成基于输入数据确定患者(P)的炎症性疾病的预测疾病状态(PDS);以及
所述方法还包括至少根据所接收到的监测数据(MD)选择(SP31)托管的预测模型中的一个预测模型的步骤;以及
确定(SP30)所述预测疾病状态(PDS)的步骤包括将所选择的预测模型至少应用于所接收到的监测数据(MD)。
要点10.根据前述要点中任一项所述的方法,还包括以下步骤:
得到(SP32)所述监测数据(MD)中包括的各个参数对所述预测疾病状态(PDS)有多大影响的值;以及
向所述远程平台(10)处的用户(U)和/或向所述移动用户设备(100)提供(SP50)所得到的值和/或相应参数中至少之一连同所确定的预测疾病状态(PDS)。
要点11.根据前述要点中任一项所述的方法,其中,
所述远程平台(10)与多个二级移动用户设备(100)进行无线数据通信,每个二级移动用户设备(100)分别与不同于所述患者(P)的其他患者相关联;以及
所述方法还包括以下步骤:
搜索(SP60)所述其他患者以获得相似患者,所述相似患者与已经确定(SP30)和评估(SP40)所述预测疾病状态的所述患者(P)具有一定程度的相似性;以及
所述远程平台(10)处的向与所述相似患者相关的用户(U)以及/或者向所述相似患者的移动用户设备(100)提供(SP70)所述预测疾病状态(PDS);以及/或者
分别确定(SP30)所述相似患者中的每个相似患者的二级预测疾病状态,并将所述二级预测疾病状态中的每个二级预测疾病状态与所述预测疾病状态(PDS)进行比较(SP80)。
要点12.根据要点11所述的方法,其中,
所述方法还包括以下两个步骤中的至少一个:
在所述远程平台(10)处从所述二级移动用户设备(100)接收(SP10)指示所述其他患者的健康状况的二级监测数据(MD),以及/或者
从用于存储患者的电子病历的数据库(300)中检索(SP20)与所述患者(P)相关联的医疗保健数据(HD)和与所述其他患者相关联的二级医疗保健数据(HD),其中,所述远程平台(10)与所述数据库(300)进行数据通信;以及
搜索(SP60)的步骤基于所述二级医疗保健数据(HD)与所述医疗保健数据(HD)的比较以及/或者所述二级监测数据(MD)与所述监测数据(MD)的比较。
要点13.一种用于确定患者(P)的炎症性疾病的预测疾病状态(PDS)的计算机实现的方法,在包括远程平台(10)和至少一个移动用户设备(100)的系统(1)中,所述移动用户设备(100)与所述患者(P)相关联并且与所述远程平台(10)进行无线数据通信,
所述方法包括以下步骤:
在所述移动用户设备(100)处收集(SU10)指示所述患者(P)的健康状况的监测数据(MD),
将所述监测数据(MD)发送(SU20)到所述远程平台(10),以便在所述远程平台(10)处基于所发送的监测数据(MD)确定所述患者(P)的炎症性疾病的预测疾病状态(PDS);
在所述移动用户设备(100)处从所述远程平台(10)接收(SU30)指示所确定的预测疾病状态(PDS)的信息;以及
向所述患者(P)提供(SU40)指示所接收到的信息的输出。
要点14.根据要点13所述的方法,还具有以下步骤:
在所述移动用户设备(100)处接收(SU100)预测模型,所述预测模型被配置成和/或被训练成在所述移动用户设备(100)处基于所述监测数据(MD)本地确定所述患者(P)的炎症性疾病的预测疾病状态(PDS);
在所述移动用户设备(100)处通过将所述预测模型应用于所述监测数据(MD)本地确定(SU110)所述患者(P)的预测疾病状态(PDS);以及
向所述移动用户设备(100)处的所述患者(P)和/或向所述远程平台(10)提供(SU120)指示本地确定的预测疾病状态(PDS)的信息。
要点15.根据要点14所述的方法,还包括:
使用指示本地确定的预测疾病状态(PDS)的信息,以及可选地,所述监测数据(MD)和/或所述医疗保健数据(HD),在所述远程平台(10)和/或所述移动用户设备(100)处进一步训练一个或更多个预测模型。
Claims (15)
1.一种用于确定患者(P)的炎症性疾病的预测疾病状态(PDS)的计算机实现的方法,在包括远程平台(10)和至少一个移动用户设备(100)的系统(1)中,所述移动用户设备(100)与所述患者(P)相关联并且与所述平台(10)进行数据通信,
所述方法包括以下步骤:
在所述远程平台(10)处从与所述患者(P)相关联的所述移动用户设备(100)接收(SP10)指示所述患者(P)的健康状况的监测数据(MD);
在所述远程平台(10)处基于所接收到的监测数据(MD)确定(SP30)所述患者(P)的炎症性疾病的预测疾病状态(PDS);
在所述远程平台(10)处评估(SP40)所确定的预测疾病状态(PDS);以及
基于评估(SP40)所确定的预测疾病状态(PDS)的步骤向所述远程平台(10)处的用户(U)和/或向所述移动用户设备(100)提供(SP50)所述预测疾病状态(PDS)。
2.根据权利要求1所述的方法,其中,所述预测疾病状态(PDS)与以下中的至少一个有关:
所述患者(P)的炎症性疾病的预测疾病活动度,特别是所述患者(P)的炎症性疾病的加剧和/或加重的发生,以及/或者
相对于所述患者(P)的炎症性疾病的治疗所述患者(P)的预测治疗反应,以及/或者
与所述患者(P)的炎症性疾病的治疗有关的不良反应的预测发生。
3.根据前述权利要求中任一项所述的方法,其中,
所述远程平台(10)与用于存储患者的电子病历的本地或基于云的数据库(300)进行数据通信,
所述方法还包括由所述远程平台(10)从至少一个数据库(300)检索(SP20)与所述患者(P)相关联的医疗保健数据(HD)的步骤;以及
确定(SP30)所述预测疾病状态的步骤附加地基于所述医疗保健数据(HD)。
4.根据权利要求3所述的方法,其中,在所述医疗保健数据(HD)中包括以下中的至少一个:有关治疗所述患者(P)的炎症性疾病所开的药物的信息、有关治疗所述患者(P)的炎症性疾病所开的药物剂量的信息、所述患者(P)的人口统计信息、所述患者(P)的医学图像数据、所述患者(P)的实验室数据、从所述患者(P)获取的先前监测数据、有关所述患者(P)的生活方式的信息、有关所述患者(P)的疾病史的信息和/或有关所述患者(P)的先前检查的信息。
5.根据前述权利要求中任一项所述的方法,其中,
所述移动用户设备(100)与至少一个医疗信息设备(200)进行数据连接,所述至少一个医疗信息设备(200)被配置成确定所述患者(P)的一个或更多个生理测量值,所述医疗信息设备(200)优选地选自以下中之一:体重计、脉搏血氧计、血压计、心率监测器、活动跟踪器、体温计、气流传感器、皮肤电反应传感器和/或血糖仪;以及
所述监测数据(MD)包括由所述至少一个医疗信息设备(200)确定的一个或更多个生理测量值。
6.根据前述权利要求中任一项所述的方法,其中,
所述移动用户设备(100)被配置成接收指示由所述患者(P)感知到的所述患者(P)的健康状况信息的所述患者(P)的输入,所述健康状况信息优选地包括以下中的至少一个:所述患者(P)感知到的安康的指示、由所述患者(P)确定的肿胀和/或压痛关节的数目、所述患者(P)的饮食、已经由所述患者(P)服用的药物、由所述患者(P)感知到的加剧的发生或开始、所述患者(P)对问卷的一个或更多个回答、和/或由所述患者(P)感知到的与给所述患者(P)开的药物有关的不良反应;以及
所述监测数据(MD)包括所述健康状况信息。
7.根据前述权利要求中任一项所述的方法,其中,
所述移动用户设备(100)被配置成采集易于影响所述患者(P)的健康状况的当前和/或未来本地环境信息,所述本地环境信息优选地包括以下中的至少一个:当前天气状况、当前空气污染值、当前过敏原浓度、未来天气状况、未来空气污染值和/或未来过敏原浓度;以及
所述监测数据(MD)包括所述本地环境信息。
8.根据前述权利要求中任一项所述的方法,其中,
所述远程平台(10)被配置成托管至少一个预测模型,所述至少一个预测模型被配置成和/或被训练成基于输入数据确定患者(P)的炎症性疾病的预测疾病状态(PDS);以及
确定(SP30)所述预测疾病状态(PDS)的步骤包括将所述至少一个预测模型至少应用于所接收到的监测数据(MD)。
9.根据前述权利要求中任一项所述的方法,其中,
所述远程平台(10)与多个二级移动用户设备(100)进行无线数据通信,每个二级移动用户设备(100)分别与不同于所述患者(P)的其他患者相关联;以及
所述方法还包括以下步骤:
搜索(SP60)所述其他患者以获得相似患者,所述相似患者与已经确定(SP30)和评估(SP40)所述预测疾病状态的所述患者(P)具有一定程度的相似性;以及
向所述远程平台(10)处与所述相似患者相关的用户(U)以及/或者向所述相似患者的移动用户设备(100)提供(SP70)所述预测疾病状态(PDS);以及/或者
分别确定(SP30)所述相似患者中的每个相似患者的二级预测疾病状态,并将所述二级预测疾病状态中的每个二级预测疾病状态与所述预测疾病状态(PDS)进行比较(SP80)。
10.根据前述权利要求中任一项所述的方法,其中,
所述方法还包括提供预定关联的步骤,所述预定关联将预测疾病状态(PDS)的不同阶段与对所述患者(P)和/或所述远程平台(10)的用户(U)的行动和/或建议联系起来;
评估(SP40)的步骤包括确定所确定的预测疾病状态(PDS)的阶段并且基于所确定的阶段和所述预定关联选择行动和/或建议;以及
向所述远程平台(10)处的用户(U)和/或向所述移动用户设备(100)提供(SP50)所选择的行动和/或建议。
11.根据前述权利要求中任一项所述的方法,还具有以下步骤:
向所述移动用户设备(100)提供(SP100)预测模型,所述预测模型被配置成和/或被训练成在所述移动用户设备(100)处基于所述监测数据(MD)本地确定所述患者(P)的炎症性疾病的预测疾病状态(PDS);
在所述远程平台(10)处接收(SP110)本地确定的预测疾病状态(PDS);以及,可选地,
在所述远程平台(10)处将所述患者(P)的本地确定的预测疾病状态(PDS)与在所述远程平台(10)处确定的预测疾病状态(PDS)进行比较(SP120)。
12.一种用于确定患者(P)的炎症性疾病的预测疾病状态(PDS)的患者监测平台(10),所述患者监测平台(10)包括:
接口单元(11),其被配置成与至少一个移动用户设备(100)进行通信,以用于从所述移动用户设备(100)接收指示所述患者(P)的健康状况的监测数据(MD),所述至少一个移动用户设备(100)与所述患者(P)相关联并且被布置在远离所述患者监测平台(10)的位置处;以及
计算单元(12),其被配置成:
基于所接收到的监测数据(MD)确定(SP30)所述患者(P)的预测疾病状态(PDS);
评估(SP40)所确定的预测疾病状态(PDS);以及
基于所述评估向所述患者监测平台(10)处的用户(U)和/或向所述移动用户设备(100)提供(SP50)所述预测疾病状态(PDS)。
13.一种用于确定患者(P)的炎症性疾病的预测疾病状态(PDS)的系统(1),所述系统(1)包括根据权利要求12所述的患者监测平台(10)以及与所述患者(P)相关联的至少一个移动用户设备(100),所述移动用户设备(100)被配置成收集指示所述患者(P)的健康状况的监测数据(MD),并将所述监测数据(MD)发送至所述患者监测平台(10)。
14.一种计算机程序产品,其包括程序元件,当所述程序元件被加载到用于确定患者(P)的炎症性疾病的预测疾病状态(PDS)的系统的计算单元(12,102)的存储器中时,所述程序元件使所述计算单元(12,102)执行根据权利要求1至11中任一项所述的方法的步骤。
15.一种计算机可读介质,在所述计算机可读介质上存储有程序元件,所述程序元件能够由用于确定患者(P)的炎症性疾病的预测疾病状态(PDS)的系统的计算单元(12,102)读取和执行,以在所述程序元件由所述计算单元(12,102)执行时执行根据权利要求1至11中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21182428.9A EP4113535A1 (en) | 2021-06-29 | 2021-06-29 | Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases |
EP21182428.9 | 2021-06-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115547483A true CN115547483A (zh) | 2022-12-30 |
Family
ID=76708069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210733378.7A Pending CN115547483A (zh) | 2021-06-29 | 2022-06-27 | 用于监测患慢性炎症性疾病的患者的远程监测方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220415462A1 (zh) |
EP (1) | EP4113535A1 (zh) |
CN (1) | CN115547483A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023058013A1 (en) * | 2021-10-05 | 2023-04-13 | Nimbio Ltd | System and method for non-invasive assessment and treatment of inflammatory conditions |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7733224B2 (en) * | 2006-06-30 | 2010-06-08 | Bao Tran | Mesh network personal emergency response appliance |
EP2210226A4 (en) * | 2007-10-12 | 2013-11-06 | Patientslikeme Inc | SELF-IMPROVED METHOD OF USING ONLINE COMMUNITIES TO PREDICT CLINICAL RESULTS |
WO2014028888A2 (en) * | 2012-08-16 | 2014-02-20 | Ginger.io, Inc. | Method for modeling behavior and health changes |
ES2967738T3 (es) * | 2015-04-07 | 2024-05-03 | Mcneil Ab | Sistemas y métodos de cuantificación y predicción del uso de tabaco |
US10832815B2 (en) * | 2017-05-18 | 2020-11-10 | International Business Machines Corporation | Medical side effects tracking |
EP3567594B1 (en) * | 2018-05-09 | 2021-07-07 | Sap Se | Diabetes management system with dynamic selection of prediction logic |
EP3573068A1 (en) | 2018-05-24 | 2019-11-27 | Siemens Healthcare GmbH | System and method for an automated clinical decision support system |
US20220280040A1 (en) * | 2019-07-31 | 2022-09-08 | Resmed Corp. | System and method for continuous monitoring of respiratory ailments |
EP3798934A1 (en) | 2019-09-27 | 2021-03-31 | Siemens Healthcare GmbH | Method and system for scalable and decentralized incremental machine learning which protects data privacy |
-
2021
- 2021-06-29 EP EP21182428.9A patent/EP4113535A1/en active Pending
-
2022
- 2022-06-24 US US17/848,993 patent/US20220415462A1/en active Pending
- 2022-06-27 CN CN202210733378.7A patent/CN115547483A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4113535A1 (en) | 2023-01-04 |
US20220415462A1 (en) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230082019A1 (en) | Systems and methods for monitoring brain health status | |
US20210193320A1 (en) | Machine-learning based query construction and pattern identification for hereditary angioedema | |
KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
EP3394825B1 (en) | Platform and system for digital personalized medicine | |
JP6909078B2 (ja) | 疾病発症予測装置、疾病発症予測方法およびプログラム | |
Xiang et al. | Integrated Architectures for Predicting Hospital Readmissions Using Machine Learning | |
JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
WO2019070200A1 (en) | HEALTH CARE INFORMATION MANAGEMENT SYSTEM | |
JP2008546117A (ja) | 疾患予後の動的定量のためのシステムおよび方法 | |
US20210082575A1 (en) | Computerized decision support tool for post-acute care patients | |
Do et al. | Classification of asthma severity and medication using TensorFlow and multilevel databases | |
EP3979258A1 (en) | Wound healing analysis and tracking | |
CN112970070A (zh) | 用于健康护理提供者辅助系统的方法和系统 | |
US11972336B2 (en) | Machine learning platform and system for data analysis | |
Kirubakaran et al. | Echo state learned compositional pattern neural networks for the early diagnosis of cancer on the internet of medical things platform | |
CN115547483A (zh) | 用于监测患慢性炎症性疾病的患者的远程监测方法和系统 | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
WO2021247557A1 (en) | Artificial intelligence and/or machine learning based systems, devices, and methods for designing patient prescriptions | |
US7877341B2 (en) | Self-adaptive data pre-fetch by artificial neuron network | |
Purushotham et al. | Remote Health Prediction System Using Machine Learning Algorithms | |
US11322250B1 (en) | Intelligent medical care path systems and methods | |
US20230395204A1 (en) | Survey and suggestion system | |
US20220375617A1 (en) | Computerized decision support tool for preventing falls in post-acute care patients | |
US20230395213A1 (en) | Recurring remote monitoring with real-time exchange to analyze health data and generate action plans | |
US20220319650A1 (en) | Method and System for Providing Information About a State of Health of a Patient |
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 |