CN115917660A - 使用公开的基于云的注册表进行治疗的智能工作流分析 - Google Patents
使用公开的基于云的注册表进行治疗的智能工作流分析 Download PDFInfo
- Publication number
- CN115917660A CN115917660A CN202180036226.5A CN202180036226A CN115917660A CN 115917660 A CN115917660 A CN 115917660A CN 202180036226 A CN202180036226 A CN 202180036226A CN 115917660 A CN115917660 A CN 115917660A
- Authority
- CN
- China
- Prior art keywords
- subject
- record
- representation
- data
- records
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本文公开了用于构建和使用数据平台以进行智能治疗选择来协助做出临床决策的方法和系统。本公开涉及一种服务器,其被配置为将表征受试者的多种非数字特征的受试者记录转换成能够由机器学习或人工智能模型使用的经转换的表示。可以评估所述机器学习或人工智能模型的输出以实现智能治疗选择和其他增强分析,诸如,举例而言,自动检测和定义受试者群体,预测具有可能积极的反应性的治疗方案,以及识别沿一个或多个维度的受试者记录之间的相似性或不相似性。
Description
相关申请的交叉引用
本申请要求2020年5月20日提交的欧洲专利申请号EP20175829.9和2020年12月3日提交的欧洲专利申请号EP20211596.0的权益和优先权。这些申请中的每个申请出于所有目的特此通过引用整体并入本文。
技术领域
本文公开的方法和系统一般涉及使用受试者记录执行机器学习和人工智能模型以实现智能治疗选择和其他增强分析。更具体地,本公开涉及一种服务器,该服务器被配置为将表征受试者的多种非数字特征的受试者记录转换成能够由机器学习或人工智能模型使用的经转换的表示(例如,数字表示,诸如N维矩阵或向量)。可以评估机器学习或人工智能模型的输出以实现智能治疗选择和其他增强分析,诸如,举例而言,自动检测和定义受试者群体,预测具有可能积极的反应性的治疗方案,以及识别沿一个或多个维度的受试者记录之间的相似性或不相似性。
背景技术
受试者记录为表征与实体(诸如医疗设施)相关联的受试者的数字化数据元素集。包含在受试者记录中的数据元素集可以表示受试者的任何数量的属性或特性的复杂组合。例如,受试者记录可以包括第一数据元素、第二数据元素和第三数据元素。第一数据元素可以包括代表受试者已经发展的病症的唯一代码(例如,诊断代码);第二数据元素可以包括在一段时间(例如,年)内以不同间隔从受试者收集的纵向系列数据(例如,生命体征);以及第三数据元素可以包括受试者大脑的磁共振图像。因此,跨数据元素集的数据元素的值可以是不同的数据格式并且可以是不同的数据类型。
虽然受试者记录被配置为表征受试者的各种属性或特性,但是当使用算法技术分析受试者记录时这是有问题的。考虑到跨受试者记录中存在不同的数据格式和数据类型,获得对单个受试者记录或多个受试者记录比较的分析见解在计算上是有问题的。实际上,每个受试者记录内的不同数据格式和数据类型约束了使用分析技术处理(例如,输入以进行处理)的受试者记录的能力,例如,在算法上识别与给定受试者记录相似的受试者记录。此外,随着受试者记录池达到大数据规模并且每个个体受试者记录的复杂性增加,诸如在时域或频域中跨多个受试者记录分析数据元素的值的简单技术在计算上变得不切实际。因此,可能很难甚至不可能使用大数据集来检测哪些受试者记录对应于影响特定受试者的特定问题。因此,护理提供者可以在不使用大数据和/或仅依靠与特定问题具有某种关系的高级研究的情况下继续护理特定受试者。
US 2020/0075141公开了被配置为处理搜索存储的医疗信息的请求医疗信息管理设备。请求包括指示特定目标项目和对应内容(例如,疾病:肺癌)的键和值。基于请求检索医疗信息,并将匹配率定义为具有与请求中的键和值匹配的键值对的检索到的医疗信息的一部分。当匹配率等于或小于设置的阈值时,确定该值是特殊信息。例如,当仅0.01%的医疗信息中将肺癌识别为诊断疾病时,肺癌可能被视为特殊信息。在某些情况下,数据集中表示的特定个体不可识别可能很重要。因此,在识别特殊信息时,信息可能会被隐藏或匿名化。
美国专利号10,510,669公开了专家意见众包。提交者(例如,患者、保险公司、律师事务所等)可以向计算系统提交医疗案例(例如,检查)并请求反馈。计算系统可以将请求与可以从他/她的装置提供意见的专家相匹配。意见可以会返回到提交者。
“Click-to-call–Wikipedia”,2020年1月29日,XP055786480,[检索于2021-03-16]公开了一种点击呼叫动作,其中用户在计算机、智能手机等上点击或按下链接,并且有助于通话。当在计算机上单击链接时,点击可能会触发一个或多个动作,从而导致实体呼叫用户。当在具有蜂窝功能的装置上点击链接时,该点击可能会触发拨打与该链接相关联的号码。
WO 2007/056601公开了将单独文档表示为识别多个术语中的每个术语的出现的向量。然后可以通过余弦系数测量多个文档的相似性,并且可以对文档进行聚类。每个术语也可以表示为文档标识符的向量,以便可以识别术语之间的关联性。术语的向量表示可以用于识别症状和结构之间的关联性。
WO 2019/182508公开了词(为响应问题而提供的)可以被转换成语义表示向量。然后可以将向量与精神疾病或精神障碍所关联的状态的预定语义表示进行比较以提供诊断。
CN 111 008 957公开了使用神经网络来提取医疗图像的特征。将特征转换成特征向量,该特征向量随后被剪接,并用于得到分类结果。
因此,仍然需要能够从现有受试者记录中生成分析见解以提高护理提供者向受试者提供的护理水平的技术解决方案。
发明内容
在一些实施例中,提供了一种用于对受试者进行临床评定的计算机实现方法。计算机实现方法可以包括在计算系统处并从用户装置接收由用户使用界面识别的受试者的属性集。例如,属性集可以表征受试者和受试者的一种或多种症状。计算机实现方法可以包括为受试者生成记录。记录可以指示属性集中的每个属性,并且该记录可以包括数据元素,该数据元素包含表示一种或多种症状中的症状的非数字值。计算机实现方法还可以包括将表示症状的非数值转换成经转换的表示。经转换的表示可以以数字方式表示非数字值。计算机实现方法还可以包括将记录存储在中央数据存储中,以及接收经由界面提交的请求以发起咨询广播。计算机实现方法可以包括使用经转换表示来查询中央数据存储。查询可以包括将非数字值的经转换的表示与包含在另一记录的另一数据元素中的另一非数字值的另一经转换的表示进行比较。计算机实现方法可以包括基于比较结果识别其他记录集,以及识别目的地地址集。目的地地址集中的每个目的地地址可以与另一受试者的护理提供者相关联,该另一受试者与其他记录集中的一个或多个其他记录相关联。计算机实现方法还可以包括为受试者生成记录的省略或隐藏属性集中的至少一些属性的精简表示。计算机实现方法可以包括使用可选择元素将记录的精简表示传输到目的地地址集中的每个目的地地址。此外,计算机实现方法可以包括从对应于来自目的地地址集中的目的地地址的另一装置接收在另一装置选择可选择元素时生成的通信。计算机实现方法可以包括在用户装置与该另一装置之间建立通信渠道。
在一些实施例中,提供了一种系统,其包括:一个或多个数据处理器;以及包含指令的非暂时性计算机可读存储介质,所述指令在所述一个或多个数据处理器上被执行时使所述一个或多个数据处理器执行本文公开的一种或多种方法的部分或全部。
在一些实施例中,提供了一种计算机程序产品,该计算机程序产品有形地体现在非暂时性机器可读存储介质中,并且包含指令,该指令被配置为促使一个或多个处理器执行本文所公开的一种或多种方法的一部分或全部。
本公开的一些实施例包括一种系统,该系统包括一个或多个处理器。在一些实施例中,该系统包括包含指令的非暂时性计算机可读存储介质,该指令在一个或多个处理器上被执行时使该一个或多个处理器执行本文公开的一种或多种方法的部分或全部和/或本文公开的一种或多种过程的部分或全部。本公开的一些实施例包括一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品,其包括指令,该指令被配置为使一个或多个处理器执行本文公开的一种或多种方法的部分或全部和/或本文公开的一种或多种过程的部分或全部。
已使用的术语和表述被用作描述性而非限制性的术语,并且在使用此类术语和表述时无意排除示出和描述的特征或其部分的任何等效物,但应认识到在要求保护的本发明的范围内可以进行各种修改。因此,应当理解,虽然通过实施例和任选特征具体公开了要求保护的本发明,但是本领域技术人员可以对本文公开的概念进行修改和变化,并且此类修改和变化被认为是在所附权利要求书所限定的本发明范围内。
附图说明
结合以下附图描述本公开:
图1示出了根据本公开的一些方面的托管基于云的应用的网络环境。
图2是示出根据本公开的一些方面的由基于云的应用进行以将精简受试者记录分发到与请求协助治疗受试者的咨询广播相关联的用户装置的过程的示例的流程图。
图3是示出根据本公开的一些方面的用于监测治疗计划定义(例如,决策树或治疗工作流)的用户整合并基于监测结果自动更新治疗计划定义的过程的示例的流程图。
图4是示出根据本公开的一些方面的用于为受试者建议治疗的过程的示例的流程图。
图5是示出根据本公开的一些方面的用于混淆查询结果以符合数据隐私规则的过程的示例的流程图。
图6是示出根据本公开的一些方面的用于使用机器人脚本(诸如聊天机器人)与用户进行通信的过程的示例的流程图。
在附图中,相似组成部分和/或特征可具有相同的附图标记。此外,可通过在参考标号后面加上破折号和区分相似部位的第二标号来区分相同类型的各种部位。如果说明书中仅使用第一参考标号,则该描述适用于任何一个具有相同的第一参考标号的相似部位,而与第二参考标号无关。
具体实施方式
I.概述
技术涉及配置服务器以执行使实体的用户(例如,医师)能够使用受试者记录执行机器学习或人工智能技术的代码。受试者记录包括表征受试者的数据元素的复杂组合。作为说明性示例,受试者记录可以包括数千个数据字段的组合。一些数据字段可以包含固定的非数字值(例如,受试者的种族),其他数据字段可能包含非结构化文本数据(例如,医师准备的笔记),其他数据字段可以包含时变的一系列收集的测量值(例如,每年进行2到4次糖基化血红蛋白测量),并且其他数据字段可以包括图像(例如,受试者大脑的MRI)。受试者记录中的数据类型和格式的复杂性和差异性使得处理受试者记录在技术上具有挑战性,如果不是不可能的话,因为机器学习和人工智能模型通常被配置为以数字或向量形式处理数据。鉴于该客观的技术问题,本公开的某些方面和特征涉及将受试者记录转换成经转换的表示,诸如向量表示,该经转换的表示表征受试者记录的多个数据元素。
技术涉及将受试者记录中包括的非数字值转换成可以输入到机器学习或人工智能模型中以生成预测输出的数值表示(例如,特征向量)。执行代码的服务器通过将受试者记录转换成能够由机器学习或人工智能模型使用的经转换的表示来提供技术效果。“能够使用的”可以指以某种格式或形式的数据,机器学习或人工智能模型被配置为对其进行处理以生成预测输出。由于每个个体受试者记录中包含的多种不同数据格式和数据类型的数据元素的复杂组合,机器学习或人工智能模型未被配置为处理受试者记录(因为它们以存储状态存在于数据注册表中)。为了说明,对于给定的受试者记录,数据元素可以包括事件的纵向序列(例如,免疫记录),另一数据元素可以包括从受试者获取的测量值(例如,生命体征),又一数据元素可以包括由用户输入的文本(例如,由医师做的笔记),而另一数据元素可以是图像(例如,X射线)。可以对受试者记录进行有限或简单的分析(在任何转换之前),诸如基于数据元素的值对受试者进行分组(例如年龄组)。然而,因为受试者记录的复杂性和规模达到大数据规模,有限或简单的分析变得有问题或不可行。为了以大数据规模从受试者记录中处理和提取分析评定,可以使用机器学习或人工智能技术对受试者记录进行数据挖掘。然而,机器学习或人工智能模型被配置为接收数字或向量输入。例如,聚类操作(诸如k-means聚类)被配置为接收数字向量作为输入。因此,为了对受试者记录执行聚类操作,本公开通过将受试者记录转换成能够由机器学习或人工智能模型使用的经转换的表示,诸如数值向量表示,来提供技术效果。可以对处于经转换的表示状态的受试者记录进行智能分析。智能分析的非限制性示例(在服务器执行代码时执行)可以包括使用聚类技术自动检测受试者组,基于受试者记录中的数据元素的值生成预测某些结果的输出,以及识别与给定的或新的受试者记录相似的现有受试者记录。
为了说明并且仅作为非限制性示例,受试者的受试者记录包括四个数据元素。第一数据元素包含表示病症诊断的唯一代码。第二数据元素包含受试者大脑的MRI。第三数据元素包含一年中一系列时变测量值,诸如血压读数。第四数据元素包含非结构化注释,例如,通过检查或运行一个或多个测试检测到的病症的备注。根据某些实施方式,第一数据元素、第二数据元素、第三数据元素和第四数据元素中的每个都可以被转换成经转换的表示(例如,向量)。用于转换四个数据元素内包含的值的技术可能取决于数据元素中包含的数据类型。例如,对于第一数据元素,表示诊断的唯一代码可以表示为固定长度的向量,使得向量的大小由代码词汇表的大小确定,并且词汇表中的每个代码由固定长度向量的向量元素表示。可以将包含在第一数据元素内的一个或多个唯一代码与代码词汇表进行比较。如果唯一代码与词汇表的代码匹配,则可以将“1”分配给对应于该唯一代码的向量位置处的向量元素,并且可以将“0”分配给该向量的所有其余向量元素。鉴于上述情况,可以生成第一向量来表示第一数据元素的值。作为另一示例,对于第二数据元素,可以使用经训练的自动编码器神经网络来生成图像的潜在空间表示。输入图像的潜在空间表示可以是输入图像的降维版本。经训练的自动编码神经网络可以包括两个模型:编码器模型和解码器模型。可以训练编码器模型以从图像内检测到的特征集中提取显著特征的子集。显著特征(例如,关键点)可以是图像内的高强度区域(例如,受试者的边缘)。编码器模型的输出可以是输入图像的潜在空间表示。潜在空间表示可以由经训练的自动编码器模型的隐藏层输出,因此,潜在空间表示可能只能由服务器解释。可以训练解码器模型以从提取的显著特征子集重建原始输入图像。编码器模型的输出可以用作表示第二数据元素中包括的图像的像素值的特征向量。鉴于上述情况,可以生成第二向量(例如,潜在空间表示)来表示包含在第二数据元素中的图像。作为另一示例,对于第三数据元素,可以以数字方式表示时变的测量值的序列。在一些实施方式中,可以由从受试者进行测量的实例的总数来表示时变序列。在其他实施方式中,可以使用在一个时间段(例如,一年)期间发生的从测量实例中取得的测量值的平均值、平均数或中值来以数字方式表示时变序列。在其他实施方式中,可以计算测量频率并用于以数字方式表示时变的测量序列。鉴于上述情况,可以生成第三向量来表示包含在第三数据元素内的值的时变序列。作为又一示例,对于第四数据元素,可以使用任何数量的自然语言处理(NLP)文本向量化技术来处理和向量化由用户输入的备注。在一些实施方式中,可以执行诸如Word2Vec模型的词向量机器学习模型来将包含在第四数据元素中的备注转换成单个向量表示。在其他实施方式中,可以训练卷积神经网络以从包含在第四数据元素中的备注中检测指示症状、治疗或诊断的文本内的词或数字。鉴于上述情况,可以生成第四向量以将第四数据元素所包含的备注的文本表示为向量表示。因此,表示整个受试者记录的最终特征向量可以是向量的向量,包括第一向量、第二向量、第三向量和第四向量的串联。在其他示例中,可以使用第一向量、第二向量、第三向量和第四向量的平均值来以数字方式表示整个受试者记录。作为非限制性示例,可以对第一向量、第二向量、第三向量等中的任何一个或多个执行任何转换(例如,线性变换),以确保每个向量具有相同的维度.第一向量、第二向量、第三向量和第四向量的其他组合可用于生成以数字方式表示整个受试者记录的最终特征向量。
在一些实施方式中,代替生成向量以用数字方式表示受试者记录中的每个数据元素,可以执行技术以通过从数据元素集中识别和选择数据元素的子集来减少受试者记录的维度。数据元素的子集可以表示“重要”数据元素,其中数据元素的“重要性”是基于使用诸如Singular Value Decomposition(SVD)之类的特征提取技术的预测来确定的。例如,将受试者记录转换成机器学习和人工智能模型可使用的经转换的表示可以包括对受试者记录中包括的数据元素的非数字值进行一种或多种特征提取技术,以生成以数字方式表示非数字值的分解版本的特征向量。在一些实施方式中,特征提取技术可以包括,例如,将受试者记录的数据元素集(例如,表示受试者的特征或维度的每个数据元素)的维度减少为特征的最优子集,该子集用于,例如预测结果或事件。减少数据元素集的维度可以包括将N个数据元素减少为M个元素的子集,其中M小于N。在这些实施例中,可以将M个元素子集的每个元素转换成数值。在一些实施方式中,可以生成特征向量来表示受试者记录的N个数据元素。特征向量可以包括用于数据元素集中的每个数据元素的向量。例如,特征向量可以是受试者记录的数据元素的复杂组合的数字表示。可以对受试者记录的数据元素中的每个非数字值进行向量化以生成表示向量。表示受试者记录中的数据元素集的向量可以被连接或组合(例如,作为平均值或加权平均值)以生成以数字方式表征受试者记录的整个数据元素集的特征向量。特征向量由经训练的机器学习或人工智能模型使用。一旦生成了受试者记录的特征向量,就可以使用机器学习和人工智能技术单独或成组地评估受试者记录。在已生成并存储了标识号每个受试者记录的特征向量之后,可以将存储在中央数据存储中的受试者记录的特征向量输入到机器学习或人工智能模型中,或者可以对受试者记录的数字表示进行其他增强分析。例如,可以关于一个或多个维度比较两个不同的受试者记录。维度可以表示受试者记录的特征或数据元素,沿该维度在两个或更多个受试者记录之间进行比较。为了说明,第一受试者记录的数据元素包含由第一用户(例如,医生)输入的描述第一受试者症状的文本。可以使用上述文本向量化技术(例如Word2Vec)对文本(例如,第一受试者记录的数据元素的值)进行向量化,以生成第一向量,以数字方式表示与数据元素相关联的文本。文本向量化技术可以为在文本中包括的每个词生成N维词向量。第二受试者记录的匹配数据元素(例如,另一受试者记录的数据元素也包含由医师输入的描述另一受试者的症状的文本)可以包含由第二用户输入的描述第二受试者的症状的文本。可以使用上述文本向量化技术对文本(例如,第二受试者记录的数据元素的值)进行向量化,以生成第二向量(例如,N维词向量)来表示与数据元素相关联的文本。服务器可以在欧几里得或余弦空间中将第一向量与第二向量进行比较,以量化第一受试者记录和第二受试者记录之间至少关于受试者症状表示的维度的相似性或不相似性。如果第一向量和第二向量在欧几里得空间中彼此靠近(或在阈值距离内)(例如,如果第一向量和第二向量之间的欧几里得距离很小),那么第一受试者所经历的症状(如数据元素文本中所述)可能类似于第二受试者所经历的症状(如数据元素文本中所述)。然而,如果第一向量和第二向量之间的欧几里得距离大或高于阈值距离(例如,或者如果欧几里得距离高于阈值),则可以预测第一受试者所经历的症状不同于第二受试者所经历的症状。
在一些实施方式中,服务器可以被配置为执行应用,该应用使实体的用户能够构建用于存储受试者记录以供后续处理的数据注册表。受试者记录的数据可以包括非结构化数据,诸如医师笔记的电子副本和/或对开放式问题的回答。通过将非结构化数据的部分映射到结构化数据记录的固定部分(例如,数据元素),可以将非结构化数据摄入到数据注册表中。结构化数据记录的固定部分可以指包含对应于预定类型的非结构化数据(例如,医师笔记、对特定问题的响应、图像类型或生命体征等)和/或预定值的数据元素,这些数据可以与非结构化数据相关联(例如,可以在非结构化数据中描述的可能的症状集,可能的病症集等)。可以使用(例如)来自对应于特定用例(例如,特定疾病、特定试验等)的模块的规范来定义结构化数据记录的结构。例如,可以将非结构化笔记数据(例如,文本)中的每个词转换成数字表示,并且可以分解与非结构化笔记数据相关联的多种数字表示(例如,使用SVD)以检测描述受试者表现出的症状的特定集合的词。非结构化笔记数据的数字表示的分解可以去除非信息性词,诸如“and”、“the”、“or”等。其余的词表示特定的症状集。笔记数据的某些部分可以与结构化数据中的数据元素无关和/或可能比包含在数据元素中的数据更具体或更不具体。在一些情况下,可以使用多种映射(例如,将“平衡不良”症状映射到“神经”症状)、自然语言处理或基于界面的方法(例如,向用户请求新信息)来获取结构化数据记录。界面还可以用于接收识别关于新的或现有受试者的新信息的输入,并且界面可以包括映射到数据记录结构的输入组成部分和选择选项。
此外,技术涉及配置基于云的应用以将包含在受试者记录的数据元素中的非数字值转换为数字表示,以便基于云的应用可以使用存储在数据注册表中的受试者记录的数字表示(例如,经转换的表示)执行智能分析功能。将受试者记录的数据元素的非数字值转换成数字表示可能取决于数据元素中包含的数据类型。例如,对于包括文本的数据元素,诸如用户记下的笔记,可以使用自然语言处理技术(诸如Word2Vec或其他文本向量化技术)将文本转换成文本的数字表示。作为另一示例,对于包括图像(例如,MRI)或视频(例如,超声视频)的图像帧的数据元素,可以使用经训练的自动编码器神经网络,该经训练的自动编码器神经网络经训练以生成输入图像的潜在空间表示。输入图像的精简表示(例如,潜在空间表示)可以用作以数字方式表示输入图像的向量。作为又一示例,对于包括信息(例如,在一段时间内发生的事件)的时变序列的数据元素,可以使用若干示例性变换将时变信息表示为数字表示。在一些情况下,事件的计数可以用作表示时变信息的向量。在其他情况下,事件发生的频率或速率(例如,每周、每月、每年等)可以用作表示时变信息的向量。在再一些情况下,与时变信息中的每个事件相关联的测量值的平均值或组合可以用作表示时变信息的向量。本公开不限于这些示例,因此,时变信息的其他数值表示可以用作表示数字表示的向量。智能分析功能可以通过使用数据记录执行经训练的机器学习或人工智能模型来进行。模型输出可用于指示从数据记录中提取的某些分析。
此外,本文公开的技术涉及配置基于云的应用以执行数据隐私协议,该数据隐私协议使实体能够传输和/或接收一个或多个数据记录或表征受试者的其他信息(例如,经历医疗症状和/或具有与外部实体进行可能或已确认的医疗病症的诊断),同时满足跨多个管辖范围的数据隐私规则所施加的约束。基于云的应用可以配置为通过算法评定数据隐私违规行为,并自动忽略、混淆或以其他方式修改数据记录以符合数据隐私规则。这些技术可以与本文描述的任何技术组合执行。
在一些情况下,可以提供来自受试者记录的数据传输以制定个体受试者的治疗计划。例如,受试者记录信息(例如,通过例如选择省略和/或隐藏数据来遵守数据隐私约束)可以被广播和/或传输到选定的用户装置组。例如,可以响应于来自用户的输入,将广播传输到与类似数据记录相关联的用户装置,该输入对应于发起与类似受试者相关联的用户的咨询的请求。如果接收广播的用户接受咨询请求(经由提供对应输入),则可以在用户之间建立安全的数据通道,并且可能共享更多的受试者记录(例如,同时遵守适用于两个用户的数据隐私约束)。可以通过使用两个或更多个受试者记录的向量表示执行最近邻技术来识别与给定受试者相似的受试者记录。最近邻技术可以通过跨多个受试者记录比较单个数据元素的向量来执行(例如,最近邻可以与受试者记录的维度或特征相关联来确定)。当比较单独数据元素的向量时,单独的元素可以是匹配数据元素,诸如对应于第一(相应、第二、第三等)数据元素或第一(相应第二、第三等)类型的数据元素的向量,其中类型可以指例如自由文本笔记、图像、来自特定成像模式的图像、时间序列、生命体征等。替代地,最近邻技术可以通过将表征整个受试者记录的整体向量与表征另一整个受试者记录的整体向量进行比较来进行。整体向量可以是表示数据元素值的单独向量的串联,或者可以是表示数据元素值的单独向量的平均值或组合。
作为另一示例,响应于对匹配特定约束的受试者记录的查询,可以返回一个或多个处理的数据记录。在一些情况下,第一用户可以提交识别第一受试者记录的查询。查询可以对应于识别与第一受试者记录相似的其他受试者记录的请求。服务器可以使用上文和本文所讨论的某些转换技术将第一受试者记录转换成经转换的表示。替代地,第一受试者记录的经转换的表示可能先前已经生成并存储在数据库中。不管第一受试者记录的经转换的表示是在接收查询之前还是之后生成的,将第一受试者记录转换成第一受试者记录的经转换的表示可以包括生成第一受试者记录的数据元素的一个或多个非数字值的向量。向量化包含在第一受试者记录内的一个或多个非数字值可以包括为在第一受试者记录中包括的每个数据元素中的每个值(例如,对于诸如注释的非数字文本)生成数字向量表示。各种向量表示可以被连接或以其他方式组合(例如,可以计算平均值)以生成表示整个第一受试者记录的特征向量。可以在域空间(例如,欧几里得空间或余弦空间)中将以数字方式表示第一受试者记录的向量表示与其他受试者记录的向量表示进行比较。例如,当两个向量表示之间的欧几里得距离在阈值距离内时,与这两个向量表示相关联的两个受试者记录可以被解释为(例如,由服务器)至少关于一个或多个维度是相似的。
对于受试者记录中的每个数据元素,用于生成与数据元素关联的值的向量表示的技术可能取决于与数据元素关联的数据类型。在一些示例中,受试者记录的数据元素可以与一个或多个图像相关联,诸如受试者的X射线。可以执行特征提取技术以生成与数据元素相关联的每个图像的向量表示。例如,服务器可以被配置为执行经训练的自动编码器神经网络以生成图像的降维版本。经训练的自动编码神经网络可以包括两个模型:编码器模型和解码器模型。可以训练编码器模型以从图像内检测到的特征集中提取显著特征的子集。显著特征(例如,关键点)可以是图像内的高强度区域(例如,受试者的边缘)。编码器模型的输出可以是输入图像的潜在空间表示。潜在空间表示可以由经训练的自动编码器模型的隐藏层输出,因此,潜在空间表示可能只能由服务器解释。可以将表征受试者记录的潜在空间表示的显著特征的子集与表征另一受试者记录的潜在空间表示的显著特征的子集进行比较,以产生某些分析见解。解码器模型可以被训练以从显著特征的提取子集中重建原始输入图像。编码器模型的输出可以是与包括受试者记录的图像相关联的数据元素的向量表示。在其他示例中,可以执行关键点匹配技术(例如,将在一个图像中检测为关键点的像素集与在另一图像中检测为关键点的不同像素集进行比较的技术)以匹配包含在第一受试者记录的数据元素中的图像的关键点到包含在第二受试者记录的数据元素中的另一图像的关键点。输入图像的向量表示(例如,潜在空间表示)可由机器学习或人工智能模型使用,因此,可以将两个不同的受试者记录(每个都包括图像)彼此相互比较以确定两个不同的受试者记录之间的相似性或不相似性。
为了说明且仅作为非限制性示例,捕获受试者大脑的磁共振图像MRI。MRI存储在与受试者相关联的受试者记录中。服务器被配置为使用使用特征提取技术诸如关键点检测、自动编码到潜在空间表示、SVD和其他合适的计算机视觉技术来生成包含在受试者记录中的MRI的经转换的表示。将包含MRI的数据元素的向量表示与数据元素集中的一些或全部其余数据元素的向量表示连接或以其他方式组合(例如,平均),以生成表征整个受试者记录的特征向量。用户可以访问应用以查询其他受试者记录的数据库,以检索包含类似于受试者大脑MRI的MRI的其他受试者记录的子集的集合。识别与受试者记录相似的其他受试者记录(至少关于MRI之间的相似性)可能涉及计算受试者记录的k最近邻。例如,可以在域空间(例如欧几里得空间或余弦空间)上(视觉地或由计算系统在内部)绘制经转换的表示。每个其他受试者记录的经转换的表示也可以被绘制(视觉上或由计算系统在内部)。可以执行最近邻技术以将受试者记录的向量表示与其他受试者记录的向量表示进行比较,以识别受试者向量的k最近邻。可以预测被识别的k个最近邻具有与受试者大脑的MRI相似的MRI。可以识别和检索被识别为最近邻的每个其他受试者记录,以使用应用进行进一步评估或处理。
在一些实施方式中,计算系统可以执行数据处理技术(例如,最近邻技术)来识别相似的受试者记录。在该搜索中可以对多个数据元素进行差异加权(例如,根据预定义的数据元素权重、指示匹配多个数据元素的重要性的用户输入和/或特定数据元素值在整个受试者记录集中的普遍性)。在记录集中搜索潜在匹配项时,一些记录可能缺少多个数据元素的值。在这些情况下,可以确定(例如)数据元素值不匹配和/或在评估潜在匹配时数据元素可能未加权。缺失值的处理可能取决于数据元素的值在记录集中的分布和/或查询中的数据元素的值。
此外,一些技术涉及定义和使用规则集,该规则集用于在给定受试者记录中识别的症状集的情况下识别受试者的潜在治疗方案。为了说明,目标受试者记录可以代表最近经历三种症状的目标受试者:上呼吸道感染、发烧和喉咙痛。这三种症状可以写为目标受试者记录的数据元素内的文本(例如,由诸如分号的标签标记的词之间的分隔)。诸如云服务器135之类的服务器可以将文本“上呼吸道感染”、“发烧”和“喉咙痛”单独输入到经训练的Word2Vec模型或其他文本到向量模型中,诸如词汇映射。可以训练Word2Vec模型为每个表示症状的词生成向量表示。针对三个症状的向量表示可以被平均(或连接或以其他方式组合,如上所述)以生成针对目标受试者记录的“症状”数据元素的单个向量表示。可以处理针对目标受试者记录的“症状”数据元素的单个向量表示以识别在“症状”数据元素中包括相似词的其他受试者记录。存储在数据库中的每个受试者记录可以与现有的“症状”数据元素相关联,该数据元素已被转换成数字表示,例如向量。可以绘制“症状”数据元素的向量并将其与目标受试者记录的“症状”数据元素的向量进行比较。服务器可以识别与表征“症状”数据元素的向量最近的向量。最接近目标受试者记录的向量的“症状”数据元素的向量可以被预测为与受试者相似。可以识别并进一步评估与最接近目标受试者记录的向量的向量相关联的受试者记录以确定提供给该受试者的治疗方案。提供给与最接近目标受试者记录的向量的向量相关联的受试者的治疗可以用作治疗目标受试者的潜在治疗方案。此外,每个潜在的治疗方案可以通过其他受试者经历的反应性来加权。潜在的治疗方案可以根据其他受试者经历的反应性进行分类。
可以基于与用户界面的用户交互来定义规则集,该规则集可以包括特定标准和相关联的特定医学治疗的规范和/或一个或多个先前定义的规则(其指定标准和治疗)的选择。例如,可以经由界面呈现一个或多个现有规则,并且用户可以选择规则以并入与用户所关联的账户相关联的规则库中。一个或多个规则可以从由多个用户(例如,与一个或多个机构相关联)定义的规则集中选择和/或可以基于由多个用户生成的规则生成。当用户选择要合并到规则库中的规则时,应用可以向云服务器135生成反馈信号。反馈信号可以包括与用户选择相关联的元数据。元数据可以指示规则是未经修改还是经过修改并入规则库。如果修改了规则库,则元数据将指示对规则进行了哪些修改。元数据还可以指示规则是否被拒绝、删除或以其他方式确定对用户无用。为了说明并且作为非限制性示例,计算系统可以检测将一种或多种特定类型的症状和/或测试结果与给定治疗相关的规则被用户相对频繁地定义和/或选择,并且计算系统然后可以生成与特定类型的症状和/或测试结果以及治疗有关的一般规则。一般规则可以定义为具有(例如)最严格、最具包容性或中间标准。在一些情况下,可以处理用户的规则库以检测规则之间的任何标准重叠。在识别重叠时,可以呈现识别该重叠的警报。规则库的规则可用于评估受试者记录以定义与受试者记录相关联的群体(例如,通过分类)。使用规则评估受试者记录可以作为决策树进行,例如,在决策树中将规则的第一标准与受试者记录中包括的属性进行比较。如果满足第一标准,则将下一标准与受试者记录中包括的属性进行比较。如果满足下一标准,则对规则中包括的每个标准继续进行比较。即使不满足下一标准,比较也可以继续。在这种情况下,标准(以及规则中包括的任何其他标准)的不满足与满足的标准一起被存储并呈现给用户装置。
此外,本公开的实施例提供了基于云的应用,该应用被配置为与外部实体交换受试者信息而不违反数据隐私规则。基于云的应用被配置为自动评定涉及跨不同管辖范围的共享受试者信息的数据隐私规则。基于云的应用被配置为执行混淆或以其他方式修改受试者信息的协议,从而在算法上确保遵守数据隐私规则。
II.用于托管配置有智能功能的基于云的应用的网络环境
图1示出了网络环境100,其中托管了基于云的应用的实施例。网络环境100可以包括云网络130,该云网络130包括云服务器135和数据注册表140。云服务器135可以执行基于云的应用的源代码。数据注册表140可以存储从使用一个或多个用户装置(诸如计算机105、膝上型电脑110和移动装置115)摄入或识别的数据记录。
存储在数据注册表140中的数据记录可以根据固定部分(例如,数据元素)的骨架结构来构造。计算机105、膝上型电脑110和移动装置115每个都可以由各种用户操作。例如,计算机105可以由医师操作,膝上型计算机110可以由实体的管理员操作,并且移动装置115可以由受试者操作。可以使用网关120和网络125将移动装置115连接到云网络130。在一些示例中,计算机105、膝上型电脑110和移动装置115中的每个都与相同的实体(例如,相同的医院)相关联。在其他示例中,计算机105、膝上型计算机110和移动装置与不同实体(例如,不同医院)相关联。计算机105、膝上型电脑110和移动装置115的用户装置是用于说明目的的示例,因此,本公开不限于此。网络环境100可以包括任何数量或配置的任何装置类型的用户装置。
在一些实施例中,云服务器135可以通过与计算机105、膝上型电脑110或移动装置115中的任何一者交互来获得用于存储在数据注册表140中的数据(例如,受试者记录)。例如,计算机105通过使用界面与云服务器135交互以选择受试者记录或本地存储(例如,存储在计算机105本地的网络中)的其他数据记录以摄入到数据注册表140中。作为另一示例,计算机105与界面交互以向云服务器135提供存储受试者记录或其他数据记录的数据库的地址(例如,网络位置)。云服务器135然后从数据库中检索数据记录并将数据记录摄入到数据注册表140中。
在一些实施例中,计算机105、膝上型电脑110和移动装置115与不同实体(例如,医疗中心)相关联。云服务器135从计算机105、膝上型电脑110和移动装置115获得的数据记录可以存储在不同数据注册表中。虽然来自计算机105、膝上型电脑110和移动装置115中的每一个的数据记录可以存储在云网络130内,但是这些数据记录没有混合。例如,由于数据隐私规则的约束,计算机105不能访问从膝上型电脑110获得的数据记录。然而,云服务器135可以被配置为在不同实体查询这些数据记录时自动混淆、隐藏或掩蔽数据记录中的一部分。因此,从实体摄入的数据记录可能会以混淆、隐藏或掩蔽的形式暴露给不同实体,以遵守数据隐私规则。
一旦从计算机105、膝上型电脑110和移动装置115收集数据记录,数据记录就可以用作训练数据以训练机器学习或人工智能模型以提供本文所述的智能分析功能。假设当与实体相关联的用户装置查询数据注册表140并且查询结果包括源自不同实体的数据记录时,这些数据记录也可用于任何实体的查询,这些数据记录可被提供或暴露给符合数据隐私规则的模糊形式的用户装置。
云服务器135可以专门的方式被配置为执行代码,该代码在被执行时使使用受试者记录的经转换的表示(例如,以数字方式表示存储在受试者记录中的信息的向量)来进行智能功能。例如,可以通过使用云服务器135执行代码来进行智能功能。执行的代码可以表示经训练的神经网络模型。神经网络模型可以已经过训练以进行智能功能,诸如预测受试者对治疗方案的反应性、识别相似患者、为患者生成治疗方案建议以及其他智能功能。可以使用训练数据集来训练神经网络模型,该训练数据集包括先前已针对病症进行治疗并经历结果(例如,克服病症、增加病症的严重性、降低病症的严重性等)的受试者的受试者记录。此外,所执行的代码可以被配置为使云服务器135将现有受试者记录的非数字值转换成数字表示(例如,经转换的表示),该数字表示可以由经训练的神经网络模型处理。例如,由云服务器135执行的代码可以被配置为接收受试者记录集中的每个受试者记录作为输入,并且对于每个受试者记录,该代码当被执行时可以使云服务器135进行本文描述的操作用于将每个受试者记录的每个数据元素转换成经转换的表示,诸如向量表示。执行智能功能可以包括将存储在数据注册表140的数据记录中的至少一部分输入到经训练的机器学习或人工智能模型中,以生成用于进一步分析的输出。在一些实施例中,输出可用于提取数据记录内的模式或预测与数据记录的数据字段相关联的值或结果。下面描述由云服务器135执行的智能功能的各种实施例。
在一些实施例中,云服务器135被配置为使用户装置(例如,由医生操作的)能够访问基于云的应用以将咨询广播发送到一组目的地装置。咨询广播可以是关于治疗与受试者记录相关联的受试者的支持或帮助请求。目标装置可以是由与另一实体(例如,另一医疗中心的医生)相关联的另一用户操作的用户装置。如果目标装置接受与咨询广播相关联的帮助请求,则基于云的应用可以生成受试者记录的精简表示,该精简表示省略或隐藏受试者记录的某些数据字段。精简表示可以遵守数据隐私规则,因此,受试者记录的精简表示不能用于唯一识别与受试者记录相关联的受试者。基于云的应用可以将受试者记录的精简表示传输到接受帮助请求的目标装置。操作目标装置的用户可以评估精简表示并使用通信渠道与用户装置进行通信以讨论用于治疗受试者的选项。例如,通信渠道可以被配置为安全聊天室,使得用户装置(例如,由请求咨询的医生操作)能够与目标装置(例如,由提供咨询的其他医生操作)安全地进行通信。
在一些实施例中,云服务器135被配置为向用户装置提供治疗计划定义界面。治疗计划定义界面使用户装置能够定义针对病症的治疗计划。例如,治疗计划可以是用于治疗患有该病症的受试者的工作流。工作流可以包括一个或多个标准,用于将受试者群体定义为具有该病症。工作流还可以包括针对该病症的特定类型的治疗。云服务器135从用户装置集中的每个用户装置接收并存储针对特定病症的治疗计划定义。基于云的应用可以将针对给定症状的治疗计划分发给用户装置集。用户装置集中的两个或更多个用户装置可以与不同实体相关联。为两个或更多个用户装置中的每个用户装置提供选项以将任何部分或整个治疗计划集成到客户规则集中。云服务器135可以监测用户装置是完全集成共享治疗计划还是集成部分治疗计划。用户装置与共享治疗计划之间的交互可以用于确定是否更新治疗计划或基于治疗计划创建的规则。
在一些实施例中,云服务器135使操作用户装置的用户能够访问基于云的应用以确定针对患有病症的受试者的建议治疗。用户装置加载与基于云的应用相关联的界面。界面使操作用户装置的用户能够选择与被用户所治疗的受试者相关联的受试者记录。基于云的应用可以评估其他受试者记录以识别与被用户所治疗的受试者相似的先前治疗的受试者。例如,可以使用受试者记录的阵列表示来确定受试者之间的相似性。阵列表示(例如,经转换的表示,诸如向量、N维矩阵或非数字值的任何数字表示)可以是受试者记录的数据字段的值的任何数字和/或分类表示。例如,受试者记录的阵列表示可以是受试者记录在域空间中(诸如在欧几里得空间中)的向量表示。在一些情况下,云服务器135可以被配置为将整个受试者记录转换成数字表示,诸如向量。对于给定的受试者记录,云服务器135可以评估每个数据元素以确定该数据元素中包含或包括的数据类型。数据类型可以通知云服务器135关于进行哪个过程或技术来将该数据元素的数字或非数字值转换成数字表示。作为说明性示例,云服务器135可以将受试者记录的数据元素的非数字值(例如,医师笔记的文本)转换成数字表示(例如,向量)。转换可以包括使用自然语言处理技术,诸如Word2Vec或其他文本向量化技术,以生成表示每个文本词的数字值。生成的数字值可以用作向量输入到经训练的神经网络中来进行智能分析。作为另一说明性示例,对于包括图像(例如,MRI数据)或视频的图像帧(例如,超声的视频数据)的数据元素,可以使用经训练的自动编码器神经网络将每个图像或图像帧转换成数字表示(例如,向量),该神经网络经训练以生成输入图像的潜在空间表示。输入图像的精简表示(例如,潜在空间表示)可以用作输入图像的数字表示。该数字表示可以输入到神经网络或其他机器学习模型中,以执行相关联的受试者记录的智能分析。作为又一示例,对于包括信息(例如,在一段时间内发生的事件或从受试者获取的测量值)的时变序列的数据元素,可以使用若干示例性转换将时变信息表示为数字表示。在一些情况下,事件的计数可以用作表示时变信息的向量。例如,如果在一年内对受试者进行了四次测量,则数字表示可以是“4”。在其他情况下,事件发生的频率或速率(例如,每周、每月、每年等)可以用作表示时变信息的向量。在再一些情况下,与时变信息中的每个事件相关联的测量值的平均值或组合可以用作表示时变信息的向量。本公开不限于这些示例,因此,时变信息的其他数值表示可以用作表示数字表示的向量。
在一些情况下,阵列表示中的多个值对应于单个数据元素。例如,数据元素的值可以由多个二进制值来表示,该多个二进制值经由独热编码生成。作为另一示例,受试者记录的单个数据元素中的多个值中的每个值可以被单独地转换成数字表示,如上所述。表示多个值的每个值的数字表示可以组合成对应于数据元素的单个数字表示。可以使用任何向量组合技术(诸如平均向量幅度、添加向量或将多个向量连接成单个向量)来组合多个数字表示。在一些情况下,基于云的应用可以为一组受试者记录中的每个受试者记录生成阵列表示。两个受试者记录之间的相似性可以通过比较两个阵列表示来表示以确定它们之间的距离。受试者记录也可以沿维度(例如,数据元素)进行比较,而不是将整个受试者记录的数字表示与另一受试者记录的另一数字表示进行比较。例如,沿维度比较两个受试者记录可以包括将受试者记录的数据元素的数字表示与另一受试者记录的匹配数据元素的另一数字表示进行比较。此外,基于云的应用可以被配置为识别与用户装置使用界面选择的受试者记录最近邻的受试者。最近邻可以通过将多个受试者记录中的数字表示与目标受试者记录的数字表示进行比较来确定。基于云的应用可以识别先前对作为最近邻的受试者执行的治疗。基于云的应用可以在界面上利用先前对最近邻进行的治疗。
在一些实施例中,云服务器135被配置为创建搜索先前治疗受试者的数据库的查询。云服务器135可以执行查询并检索满足查询约束的受试者记录。然而,在呈现查询结果时,基于云的应用可以仅针对创建查询的用户已接受或正在接受治疗的受试者完全呈现受试者记录。基于云的应用掩蔽或以其他方式混淆了未被创建查询的用户治疗的受试者的受试者记录中的一部分。查询结果中包含的受试者记录中的一部分的掩蔽或混淆使用户能够遵守数据隐私规则。在一些实施例中,可以针对受试者记录内的模式或共同属性自动评估查询结果(无论查询结果是否被混淆)。
在一些实施例中,云服务器135将聊天机器人嵌入到基于云的应用中。聊天机器人被配置为自动与用户装置进行通信。聊天机器人可以在通信会话中与用户装置进行通信,其中在用户装置与聊天机器人之间交换消息。聊天机器人可以被配置为选择对从用户装置接收到的问题的答案。聊天机器人可以从基于云的应用可访问的知识库中选择答案。当用户装置向聊天机器人传输问题,并且该聊天机器人没有存储在知识库中的预先存在的答案时,则存在存储在知识库中的预先存在的答案的问题的不同表示。可以提示与聊天机器人进行通信的用户关于聊天机器人提供的答案是否准确或有帮助。
应当理解,可以执行任何机器学习或人工智能算法以生成本文描述的任何经训练的机器学习模型。可以训练并然后执行多种不同类型和技术的基于人工智能和机器学习的模型,以生成一个或多个预测用户结果的输出,用于执行协议或功能。模型的非限制性示例包括朴素贝叶斯模型、随机森林或梯度推进模型、逻辑回归模型、深度学习神经网络、集成模型、监督学习模型、无监督学习模型、协同过滤模型和任何其他合适的机器学习或人工智能模型。
应当理解,基于云的应用可以被配置为执行智能功能,以咨询外部医师、确定诊断和提出针对任何疾病、病症、研究领域或疾患的治疗,包括但不限于COVID-19;肿瘤学,包括肺癌、乳腺癌、结直肠癌、前列腺癌、胃癌、肝癌、子宫颈癌(宫颈癌)、食道癌、膀胱癌、肾癌、胰腺癌、子宫内膜癌、口腔癌、甲状腺癌、脑癌、卵巢癌、皮肤癌和胆囊癌;实体瘤,诸如肉瘤和癌;免疫系统癌症,包括淋巴瘤(诸如霍奇金氏淋巴瘤和非霍奇金氏淋巴瘤);以及血液癌症(血液学癌症)和骨髓癌症,诸如白血病(诸如急性淋巴细胞性白血病(ALL)和急性髓细胞性白血病(AML)),淋巴瘤和骨髓瘤。其他疾患包括血液疾患,诸如贫血、出血性疾患,诸如血友病、血栓;眼科疾患,包括糖尿病性视网膜病、青光眼和黄斑变性;神经疾患,包括多发性硬化症、帕金森病、脊髓性肌萎缩症、亨廷顿病、肌萎缩性脊髓侧索硬化症(ALS)和阿尔茨海默病;自身免疫性疾患,包括多发性硬化症、糖尿病、系统性红斑狼疮、重症肌无力、炎症性肠病(IBD)、银屑病、格林巴利综合征、慢性炎症性脱髓鞘性多发性神经病(CIDP)、格雷夫斯氏病、桥本氏甲状腺炎、湿疹、血管炎、过敏和哮喘。
其他疾病和疾患包括但不限于肾病;肝病;心脏病;脑卒中;胃肠道疾患,诸如乳糜泻、克罗恩病、憩室病、肠易激综合征(IBS)、胃食管反流病(GERD)和消化性溃疡;关节炎;性传播疾病;高血压;细菌和病毒感染;寄生虫感染;结缔组织疾病;乳糜泻;骨质疏松症;糖尿病;狼疮;中枢和周围神经系统疾病,诸如注意力缺陷/多动症(ADHD)、僵住症、脑炎、癫痫和癫痫症、周围神经病、脑膜炎、偏头痛、脊髓病、自闭症、双相情感障碍和抑郁症。
II.A.基于云的应用使用户装置能够向其他用户装置广播咨询请求并自动精简受
试者记录以遵守数据隐私规则
图2是示出由基于云的应用进行的过程200的流程图,该过程200与请求协助治疗受试者的咨询广播相关联地将精简受试者记录分发到用户装置。过程200可以由云服务器135执行,以使与不同实体(例如,医院)相关联的用户装置能够关于受试者的治疗进行协作或咨询,同时遵守数据隐私规则。
过程200开始于框210,其中云服务器135从用户装置接收属性集。属性集中的每个属性都可以表示受试者(例如,患者)的任何特征。属性集可以由用户使用由云服务器135提供的界面来识别。例如,属性集识别受试者的人口统计信息和受试者最近经历的症状。人口统计信息的非限制性示例包括年龄、性别、种族、居住的州或城市、收入范围、教育水平或任何其他合适的信息。最近症状的非限制性示例包括受试者当前或最近(例如,在最后一次访视时、摄入时、24小时内、一周内)经历特定症状(例如,呼吸困难、高于阈值温度的发烧、血压高于阈值血压等)。
在框220,云服务器135为受试者生成记录。记录可以是包括一个或多个数据字段的数据元素。记录指示与受试者相关联的属性集中的每个属性。记录可以存储在中央数据存储处,诸如数据注册表140或任何其他基于云的数据库。在框230,云服务器135接收由用户使用界面提交的请求。请求可以是发起咨询广播。例如,与实体相关联的用户为在医疗中心治疗受试者的医师。用户可以操作用户装置来访问基于云的应用以广播协助治疗受试者的请求。可以将广播传输到与不同实体相关联的其他用户装置集中。
在框240,云服务器135使用包括在与受试者相关联的属性集中包含的一个或多个最近症状来查询中央数据存储。查询结果包括其他记录集。其他记录集中的每个记录都与另一受试者相关联。在一些情况下,云服务器135可以查询中央数据存储以识别与受试者记录相似的其他受试者记录。可以通过将整个受试者记录的经转换的表示与每个其他受试者记录的经转换的表示进行比较来确定相似性。经转换的表示的比较可能会产生距离(例如,欧几里得距离),该距离表示两个受试者记录之间的相似性程度。在其他情况下,可基于在数据元素中包含的值来确定相似性。例如,目标受试者记录可以包括目标数据元素,该目标数据元素包括表示受试者经历的症状的文本。存储在中央数据存储中的每个其他受试者记录还可以包括数据元素,该数据元素包括表示相关联的受试者的症状的文本。云服务器135可以使用上述技术(例如,经训练的卷积神经网络、文本向量化技术,诸如Word2Vec等)将目标数据元素中包含的文本转换成数字表示。可以将目标数据元素中包含的文本的数字表示与每个其他受试者记录的匹配数据元素中包含的文本的数字表示进行比较。两个数字表示之间的比较的结果(例如,在域空间中,诸如欧几里得空间)可以指示目标数据元素中包含的文本与另一受试者的数据元素中包含的文本相似的程度记录。在框250,云服务器135识别目的地地址集(例如,与不同实体相关联的其他用户装置)。目的地地址集中的每个目的地地址与另一受试者的护理提供者相关联,该另一受试者与在框240识别的其他记录集中的一个或多个其他记录相关联。在块260,云服务器135生成受试者的记录的精简表示。记录的精简表示省略、隐藏或混淆记录的至少一部分。记录的精简表示可以在外部系统之间交换而不会违反数据隐私规则,因为记录的精简表示不能用于唯一识别与记录相关联的受试者。云服务器135可以执行任何掩蔽或混淆技术来生成记录的精简表示。
在框270,云服务器135利用到目的地地址集中的每个目的地地址的连接输入组成部分(例如,使得建立通信渠道的可选择链接,诸如超链接)的记录的精简表示.连接输入组成部分可以是呈现给每个目的地地址的可选择元素。连接输入组成部分的非限制性示例包括按钮、链接、输入元素和其他合适的可选择元素。在框280,云服务器135接收来自与目的地地址相关联的目标装置的通信。通信包括操作目标装置的用户选择与记录的精简表示相关联的连接输入组成部分的指示。在框290,云服务器135在用户装置和选择连接输入组成部分的目标装置之间建立通信渠道。通信渠道使操作用户装置的用户(例如,治疗受试者的医师)能够与选择连接输入组成部分的目的地地址所关联的目标装置交换消息或其他数据(例如,视频馈送)(例如,另一医院的医师同意协助治疗患者)。
在一些实施例中,云服务器135被配置为自动确定用户装置的位置和选择连接输入组成部分的目标装置的位置。云服务器135还可以比较位置以确定是否生成记录的精简表示。例如,在框260,云服务器135可以生成记录的精简表示,因为云服务器135确定目的地地址集中的每个目的地地址不与发起咨询广播的用户装置共置。在这种情况下,云服务器135可以自动确定,以生成记录的精简表示,以遵守数据隐私规则。作为另一示例,如果目的地地址集与相同于发起咨询广播的用户装置实体相关联,则云服务器135可以将记录完全(例如,不混淆记录的一部分)传输到与目的地地址相关联的目标装置,同时仍遵守数据隐私规则。
在一些实施例中,云服务器135生成多个其他精简记录表示。多个其他精简记录表示中的每个其他精简记录表示都与另一受试者相关联。云服务器135将多个其他精简记录表示传输到用户装置;并且从用户装置接收识别对多个其他精简记录表示的子集的选择的通信。目的地地址集中的每个目的地地址都由精简记录表示中的一个精简记录表示表示。例如,生成精简记录表示包括确定与精简记录表示相关联的另一受试者的管辖范围,确定控制管辖范围内的受试者记录的交换的数据隐私规则,并且生成精简记录表示以符合数据隐私规则。多个其他精简记录表示中的第一其他精简记录表示可以包括特定类型的数据。多个其他精简记录表示中的第二其他精简记录表示可以省略或隐藏特定类型的数据。例如,特定类型的数据可以是联系信息、识别信息,诸如姓名、社会保险号码,以及可用于唯一识别其他受试者的其他合适信息。
在一些实施方式中,可以在中央数据存储处接收通信。通信可以由用户操作的用户装置传输,并且可以包括目标受试者的目标受试者记录的标识符。当在中央数据存储处接收到通信时,该通信可以使中央数据存储查询所存储的受试者记录集以识别受试者记录集的不完整子集。可以识别不完整子集的每个受试者记录并将其包括在不完整子集中,因为受试者记录被确定为在至少一个维度上与目标受试者记录相似。沿维度的两个受试者记录之间的相似性可以表示关于受试者记录的数据元素的相似性,诸如关于症状、诊断、治疗或任何其他合适的数据元素的相似性。一个或多个维度(沿该一个或多个维度确定相似性或不相似性)可以自动定义或可以是用户定义的。确定目标受试者记录与存储在中央数据存储中的受试者记录集中的每个受试者记录之间的相似性或不相似性可以包括至少以下操作:基于包含在通信中的标识符检索目标受试者记录,生成目标受试者记录的经转换的表示(或检索目标受试者记录的现有经转换的表示),并使用目标受试者记录的经转换的表示和受试者记录集中的每个受试者记录的经转换的表示进行聚类操作。可以关于一个或多个维度(例如,受试者记录的一个或多个特征)执行聚类操作。例如,聚类操作可以基于包含表示受试者症状的值的数据元素对存储在中央数据存储中的受试者记录集进行聚类。目标受试者记录的经转换的表示可以包括数据元素的向量表示,该数据元素包含表示受试者症状的值。可以比较目标受试者记录的该数据元素的向量表示和受试者记录集中的每个受试者记录中的对应数据元素的向量表示以定义受试者记录的聚类。每个受试者记录的聚类可以定义一组一个或多个受试者记录,该一个或多个受试者记录共享与被选为相似性维度的数据元素相关联的共同特征。在每个受试者记录的聚类中,可以计算目标受试者记录的经转换的表示与受试者记录集的其他经转换的表示之间的欧几里得距离。例如,当受试者记录的经转换的表示与目标受试者记录的经转换的表示之间的欧几里得距离在阈值内时,可以确定受试者记录与目标受试者记录相似。因此,由所述应用执行的基于云的应用和方法使用户能够识别和任选地共享与查询受试者相关的临床相关的受试者记录。
II.B.基于聚合用户集成更新可共享的治疗计划定义
图3是示出用于监测治疗计划定义(例如,决策树或治疗工作流)的用户集成并基于监测结果自动更新治疗计划定义的过程300的流程图。过程300可以由云服务器135执行以使用户装置能够定义用于治疗患有病症的受试者群体的治疗计划。用户装置可以将治疗计划定义分发给连接到内部或外部网络的用户装置。接收治疗计划定义的用户装置可以确定是否将治疗计划定义集成到自定义规则库中。可以监控与自定义规则库的集成,并用于自动修改治疗计划定义。
在框310,云服务器135存储界面数据,当用户装置加载界面数据时,该界面数据使得治疗计划定义界面被显示。当用户装置访问云服务器135以导航到治疗计划定义界面时,将治疗计划定义界面提供给用户装置集中的每个用户装置。在一些实施例中,治疗计划定义界面使用户能够定义治疗计划以用于治疗患有病症(例如,淋巴瘤)的受试者群体。
在框320,云服务器135接收通信集。通信集中的每个通信是从用户装置集中的用户装置接收的,并且是响应于用户装置和治疗计划定义界面之间的交互而生成的。在一些实施例中,通信包括一个或多个标准,例如,用于定义受试者记录群体。每个标准可以由变量类型表示。例如,变量类型可以是用作标准条件的值或变量。规则的标准的变量类型也可以是将受试者群体约束到不完整子组的条件的任何值。例如,定义孕妇群体的规则的变量类型是“如果(IF)‘受试者怀孕’”。标准可以是用于过滤受试者记录池的过滤条件。例如,定义与可能发展为淋巴瘤的受试者相关联的受试者记录群体的标准可能包括“间变性淋巴瘤激酶(ALK)异常”和“60岁以上”的过滤条件。通信还可以包括针对病症的特定类型的治疗。特定类型的治疗可以与某个行动(例如,接受手术)或避免某些行动(例如,减少盐摄入量)相关,该行动旨在治疗与受试者记录群体所表示的受试者相关联的病症。
在框330,云服务器135将规则集存储在中央数据存储中,诸如数据注册表140或云网络130内的任何其他中央服务器。规则集中的每个规则包括一个或多个标准和包括在来自用户装置的通信中的特定治疗类型。作为说明性示例,规则表示用于治疗受试者淋巴瘤的治疗工作流。该规则包括以下标准(例如,“IF”语句之后的条件)和下一步操作(例如,由用户定义或选择的特定治疗类型,并且在“THEN”语句之后):“如果(IF)‘淋巴结活检指示存在淋巴瘤细胞’并且(AND)‘血液测试揭示存在淋巴瘤细胞’,那么(THEN)‘用化疗治疗’和‘主动监视’”。此外,规则集中的每个规则与对应于从其接收到通信的用户装置的标识符相关联地存储。
在框340,云服务器135经由治疗计划定义界面识别跨实体可用的规则集的子集。规则的子集可以包括与症状相关联的规则集的子集,并且其被分发到外部系统,诸如其他医疗中心,以用于评估。例如,可以通过评估规则的特性或与规则相关联的标识符来选择规则以包括在规则子集中。规则的特性可以包括存储或附加到存储规则的代码或标志。代码或标志指示规则通常可用于外部系统(例如,可用于实体)。
在框350,对于在框340识别的规则子集中的每个规则,云服务器135监测与规则的交互。交互可以包括将规则集成到自定义规则库中的外部实体(例如,与定义规则所关联的治疗计划的用户相关联的实体外部)。例如,与外部实体(例如,不同的医院)相关联的用户装置评估可用于外部实体的规则。评估包括确定规则是否适用于集成到由外部实体定义的规则集中。当与外部实体相关联的用户装置指示使用规则定义的治疗工作流适合治疗与该规则对应的病症时,该规则可能是适合的。继续上面的说明性示例,用于治疗淋巴瘤的规则可以用于外部医疗中心。与外部医疗中心相关联的用户确定用于治疗淋巴瘤的规则适合集成到由外部医疗中心定义的规则集中。因此,在将规则集成到外部医疗中心定义的自定义规则库中后,与外部医疗中心关联的其他用户将能够通过从自定义规则库中选择集成规则来执行集成规则。此外,云服务器135通过检测当治疗计划定义界面从与外部相关联的用户装置接收到对应于将规则集成到自定义规则库的输入时生成或使得生成的信号来监测可用规则的集成。
作为另一说明性示例,与外部实体相关联的用户装置使用治疗计划定义将规则的交互指定修改版本集成到自定义规则库中。规则的交互指定修改版本是选择用于集成到自定义规则库的规则的一部分。选择规则的一部分进行集成包括选择少于包含在规则中的所有标准以集成到自定义规则库中。继续上面的说明性示例,与外部实体相关联的用户装置选择“如果(IF)‘淋巴结活检指示存在淋巴瘤细胞’”的标准以集成到自定义规则库中,但用户装置没有选择“血液测试揭示存在淋巴瘤细胞”的标准以集成到自定义规则库中。因此,集成到自定义规则库中的规则的交互特定修改版本是“如果(IF)‘淋巴结活检指示存在淋巴瘤细胞’,那么(THEN)‘用化疗治疗’和(AND)‘主动监视’。”“血液测试揭示存在淋巴瘤细胞”的标准从规则中删除,以创建规则的交互指定修改版本,该版本集成到自定义规则库中。
在框360,云服务器135可以检测到规则的交互指定的修改版本被集成到由外部实体定义的自定义规则库中。一旦检测到,云服务器135可以更新存储在云网络130的中央数据存储中的规则。可以基于所监测的交互来更新规则。该示例中的术语“基于”对应于“评估后”或“使用评估结果”监测的交互。例如,云服务器135检测到与外部实体相关联的用户装置集成了规则的交互指定修改版本。响应于检测到规则的交互指定修改版本,云服务器135可以将存储在中央数据存储中的规则从现有规则更新为规则的交互指定修改版本。
在一些实施例中,云服务器135通过生成要跨外部实体使用的更新版本来更新规则。另一原始版本可以保持未更新并且可供与用户装置相关联的用户使用,从该用户装置接收识别标准和特定治疗类型的一个或多个通信。例如,云服务器135更新存储在中央数据存储处的规则,但云服务器135不更新存储在中央数据存储处的规则集中的另一规则。
在一些实施例中,云服务器135可以在已满足更新条件时更新规则。更新条件可以是阈值。例如,阈值可以是已将规则的修改版本集成到其自定义规则库中的外部实体的数量或百分比。作为另一示例,可以使用经训练的机器学习模型的输出来确定更新条件。为了说明,云服务器135可以将从外部实体接收到的检测信号输入到多臂老虎机模型中,该模型自动确定是否和/或何时利用规则和/或是否以及何时利用规则的更新版本。为了说明且仅作为非限制性示例,可以将规则定义为可执行代码,使得该规则在执行时自动查询中央数据存储以识别受试者记录集的子集以进一步分析。此外,规则可以包括用于治疗与所识别的受试者记录的子集相关联的受试者的一个或多个治疗方案。规则可以被定义为用于定义受试者记录集的子集并处理与受试者记录的子集相关联的子集的工作流。例如,规则可以包括一个或多个标准,用于从受试者记录集中过滤受试者记录,以及用于对与其余受试者记录相关联的受试者执行某些治疗协议(例如,过滤后其余的受试者记录已被对受试者记录集执行)。虽然规则是由第一实体的用户定义的,但规则可以被第二实体(例如,第一和第二实体是两个不同的医疗机构)的外部用户(例如,在不同医院工作的医生)接受(例如,集成到第二实体的规则库中)、修改或完全拒绝。在一些示例中,每次第二实体的外部用户接受规则并因此将规则完全集成到其代码库中时,可以将反馈信号传输到云服务器135。在其他示例中,每次第二实体的用户修改规则时,都可以向云服务器135传输反馈信号。在其他示例中,每次第二实体的用户完全拒绝规则时,可以将反馈信号传输到云服务器135。在以上每个示例中,反馈信号可以包括指示规则(例如,规则标识符)以及规则是否被接受、修改或拒绝的数据。多臂老虎机模型(由云服务器135执行)可以被配置为智能地选择原始规则、修改的规则或完全不同的规则之一用于广播给其他实体的外部用户。原始规则、修改的规则或不同规则的选择可以至少部分地基于多臂老虎机的配置。在一些示例中,多臂老虎机可以配置有εgreedy搜索技术。在εgreedy搜索技术中,多臂老虎机模型可以选择原始规则以“1–epsilon”的概率向其他实体的外部用户广播,其中epsilon表示探索新规则或修改的规则的概率。因此,多臂老虎机模型可以选择原始规则的修改版本或具有已定义epsilon概率的全新规则。多臂老虎机模型可以基于从其他实体接收到的反馈信号来改变epsilon。例如,如果反馈信号指示规则已经被不同的外部用户以特定方式修改超过阈值次数,那么多臂老虎机模型可以学习选择以特定方式修改的规则,广播给外部用户,而不是广播原始规则。
在一些实施例中,云服务器135识别规则集中的多个规则,该多个规则包括对应于相同变量类型的标准并且识别相同或相似类型的治疗。变量类型可以是用作标准条件的值或变量。规则的标准的变量类型也可以是将受试者群体约束到子组的条件的任何值。例如,定义孕妇群体的规则的变量类型是“如果(IF)‘受试者怀孕’”。当新规则通常被传输到由其他实体操作的服务器时,云服务器135确定作为多个规则的精简表示的新规则。
在一些实施例中,云服务器135提供被配置为接收受试者的属性集中的另一界面。例如,用户操作用户装置以访问该另一界面并使用该另一界面选择包括属性集的受试者记录。受试者记录的选择可以使云服务器135接收受试者的属性集。云服务器135基于受试者的属性集识别(例如,确定)满足标准的特定规则。例如,根据存储在中央数据存储中的规则的标准评估受试者记录的属性集。为了说明,如果属性集包括包含值“怀孕”的数据字段,并且如果规则包括“如果(IF)‘受试者怀孕”的单个标准,则云服务器135识别该规则。云服务器135更新该另一界面以呈现特定规则和与特定规则相关联的每个特定类型的治疗。
在一些实施例中,规则的标准是与特定人口统计变量和/或特定症状类型变量相关的变量类型。人口统计变量的非限制性示例包括表征受试者的人口统计信息的任何信息项,诸如年龄、性别、种族、种族、收入水平、教育水平、位置和其他合适的人口统计信息项。症状类型变量的非限制性示例指示受试者当前或最近(例如,在最后一次访视时、摄入时、24小时内、一周内)是否经历了特定症状(例如,呼吸困难、昏厥、高于阈值温度的发烧、高于阈值血压的血压等)。
在一些实施例中,云服务器135监测受试者记录的注册表中的数据,诸如存储在数据注册表140中的受试者记录。云服务器135针对规则的子集中的每个规则(在框340处识别)监测受试者记录的注册表中的数据。针对规则的标准被满足,并且特定的治疗先前被开具给受试者,云服务器135识别受试者集。云服务器135为受试者集中的每个受试者识别如从评定或测试所指示的或使用评定或测试所指示的受试者的报告的状态。例如,报告的状态是在一个方面表征受试者状态的任何信息,诸如受试者是否已出院、受试者是否还活着、受试者血压的测量值、受试者在睡眠阶段期间醒来的次数和其他合适的状态。云服务器135基于报告的状态确定受试者集对特定治疗的估计的反应性度量。例如,如果规则的特定治疗是开具药物,则估计的反应性度量是药物解决受试者所经历的症状或病症的程度的表示。作为非限制性示例,受试者集的估计的反应性度量可以是平均值、加权平均值或分配给受试者集中的每个受试者的评分的任何总和。评分可以表示或衡量受试者对治疗的反应性的有效性。在一些情况下,云服务器135可以通过使用聚类技术生成表示受试者对治疗的反应性的有效性的评分。为了说明且仅作为非限制性示例,受试者记录集可以表示先前经历了用于治疗病症的特定治疗方案的受试者。受试者记录集中的每个受试者记录可以被标记(例如,由用户)为具有对特定治疗方案的积极的反应性、对特定治疗方案的中性的反应性或对特定治疗方案的消极的反应性之一.然后可以将受试者记录集分为三个子集(例如,聚类);受试者记录的第一子集可以对应于对特定治疗方案具有积极的反应性的受试者,受试者记录的第二子集可以对应于对特定治疗方案具有中性的反应性的受试者,并且受试者记录的第三子集可以对应于对特定治疗方案具有中性反应的受试者。根据上述实施方式,云服务器135可以将受试者记录的第一子集中的每个受试者记录转换成经转换的表示。云服务器135还可以使用上述技术将受试者记录的第二子集中的每个受试者记录转换成经转换的表示。最后,云服务器135可以使用上述技术将受试者记录的第三子集中的每个受试者记录转换成经转换的表示。在一些实施方式中,确定新受试者对特定治疗方案的预测的反应性可以包括将新受试者的新受试者记录转换成新的经转换的表示。新的经转换的表示可以在域空间(例如,欧几里得空间)中与每个聚类或受试者记录子集的经转换的表示进行比较。如果新的经转换表示最接近与第一子集相关联的经转换表示的表示值(例如,质心),则预测新受试者对特定治疗具有积极的反应性。如果新的经转换的表示最接近第二子集的经转换的表示的表示值(例如,质心),则预测新受试者对特定治疗具有中性的反应性。最后,如果新的经转换的表示最接近第三子集的经转换的表示的表示值(例如,质心),则预测新受试者对特定治疗方案具有消极的反应性。质心可以是与子集相关联的经转换的表示的多维平均值。云服务器135可以使规则集的子集和受试者集的估计的反应性度量被显示或以其他方式呈现在治疗计划定义界面中。
II.C.使用对类似受试者开具的治疗提出具有相关联的疗效的治疗建议
图4是示出用于为受试者建议治疗的过程400的流程图。过程400可以由云服务器135执行以向与医疗实体相关联的用户装置显示针对受试者的建议的治疗和每个建议的治疗的功效。可以使用评估先前对类似受试者开具的治疗效果的结果来识别建议的治疗。
在框410,云服务器135接收对应于表征受试者的方面的受试者记录的输入。从与实体相关联的用户装置接收输入。此外,响应于用户装置使用与被配置为管理受试者记录的注册表的平台的实例相关联的界面来选择或以其他方式识别受试者记录而接收输入。用户装置可以通过加载存储在连接在云网络130内的网络服务器(未示出)上的界面数据来访问界面。网络服务器可以包括在云服务器135上或在云服务器135上执行。
在框420,云服务器135从在框410接收的受试者记录中提取受试者属性集。受试者属性表征受试者的方面。受试者属性的非限制性示例包括在电子健康记录中发现的任何信息(例如,如上所述的数据元素)、任何人口统计信息、年龄、性别、种族、最近或历史症状、病症、病症的严重程度,以及表征受试者的任何其他合适的信息。
在框430,云服务器135使用受试者属性集(例如,通过转换如上所述的受试者记录)生成受试者记录的阵列表示。例如,阵列表示是受试者记录中包含的值的向量表示。向量表示可以是域空间(诸如欧几里得空间)中的向量。然而,阵列表示可以是受试者记录的数据元素的值的任何数字表示。在一些实施例中,云服务器135可以执行特征分解技术,诸如奇异值分解(SVD),以生成表示受试者记录的阵列表示的受试者属性集的值。
在框440,云服务器135访问表征多个其他受试者的其他阵列表示集。在其他阵列表示集中包含的阵列表示可以是表征另一受试者(例如,多个其他受试者之一)的受试者记录的向量表示。
在框450,云服务器135确定表示受试者的阵列表示与其他受试者中的每个受试者的阵列表示之间的相似度的相似度评分。例如,使用表示受试者的阵列表示与表示其他受试者的阵列表示之间的距离(在域空间中)的函数来计算相似度评分。为了说明并且仅作为非限制性示例,可以使用“0”到“1”的范围来计算相似度评分,其中“0”表示超出定义的阈值的距离,且“1”表示阵列表示具有它们之间没有距离。为了说明并且仅作为非限制性示例,相似度评分可以基于两个阵列表示(例如,向量)之间的欧几里得距离。
在框460,云服务器135识别多个其他受试者的第一子集。当与受试者相关联的相似度评分在预定的绝对或相对范围内时,受试者可以被包括在第一子集中。类似地,在框470,云服务器识别多个其他受试者的第二子集。然而,当该受试者的相似度评分在另一预定范围内时,该受试者可以被包括在第二子集中。
在框480,云服务器135为多个其他受试者的第一子集中和第二子集中的每个受试者检索记录数据。记录数据包括包含在表征受试者的受试者记录中的属性。例如,受试者记录数据识别受试者接受的治疗以及受试者对治疗的反应性。对治疗的反应性可以由文本表示(例如,“受试者对治疗做出积极反应”)或指示受试者对治疗做出积极或消极反应的程度的评分(例如,从“0”到“1”的评分”,“0”表示消极的反应性,“1”表示积极的反应性)。在一些情况下,治疗反应性可以指示受试者对先前对受试者进行的治疗做出积极反应的程度。例如,治疗反应性可以是数字(例如,从“0”到“10”的评分)或非数字值(例如,分配来表示反应性的词,例如“积极”、“中性”或“消极”)。在一些示例中,先前治疗的受试者的治疗反应性可以是用户定义的。在其他示例中,可以基于从用户取得的测试或测量结果自动确定治疗反应性。例如,可以基于对受试者进行的血液测试中包括的值来自动确定治疗响应性。
在框490,云服务器135生成要呈现在用户装置上的界面处的输出。输出可以指示,例如,对受试者的一种或多种治疗的建议。可以基于例如第一和第二子集中的其他受试者接受的治疗、第一和第二子集中的受试者的治疗反应性以及第二子集中的受试者的受试者属性与受试者的受试者属性之间的差异来确定一种或多种治疗的建议。
在一些实施例中,云服务器135确定受试者和来自第一或第二子集中的受试者之一正在被相同的医疗实体治疗或被相同的医疗实体治疗。云服务器135确定第一或第二子集的受试者和另一受试者正在被不同的医疗实体治疗或被不同的医疗实体治疗。云服务器135可以经由界面利用受试者的记录的不同混淆版本。基于不同管辖范围的数据隐私规则对数据共享施加的不同约束,基于云的应用可以自动向实体提供不同混淆版本的记录。在一些实施例中,云服务器135通过对受试者记录集的经转换的表示进行聚类操作来识别受试者记录的第一子集和第二子集。
II.D.自动混淆来自外部实体的查询结果
图5是示出用于混淆查询结果以符合数据隐私规则的过程500的流程图。过程500可以由云服务器135作为确保与外部实体的受试者记录的数据共享符合数据隐私规则的执行规则来执行。基于云的应用可以使用户装置能够向数据注册表140查询满足查询约束的受试者记录。然而,查询结果可能包括源自外部实体的数据记录。因此,过程500使云服务器135能够向用户装置提供来自外部实体的关于治疗的附加信息,同时遵守数据隐私规则。
在框510,云服务器135从与第一实体相关联的用户装置接收查询。例如,第一实体为与第一受试者记录集相关联的医疗中心。查询可以包括与医疗病症相关联的症状集或约束数据注册表140的查询搜索的任何其他信息。
在框520,云服务器135使用从用户装置接收到的查询来查询数据库。在框530,云服务器135生成对应于症状集并且与医疗病症相关联的查询结果数据集。对应于症状集的查询结果可以包括受试者记录,该受试者记录包括症状集中的至少一个症状。例如,用户装置传输对已被诊断患有淋巴瘤的受试者的受试者记录的查询。查询结果包括来自第一受试者记录集(其源于或在第一实体处创建)中的至少一个受试者记录和来自与第二实体(例如,不同于第一实体的医疗中心)相关联的第二受试者记录集中的至少一个受试者记录。来自第一受试者记录集的受试者记录和来自第二受试者记录集的受试者记录中的每个受试者记录都可以包括受试者属性集。受试者属性可以表征受试者的任何方面。
在框540,云服务器135向用户装置呈现(例如,有效或以其他方式使可用)针对第一受试者记录集中包含的受试者记录的全部受试者属性组,因为这些记录源自第一实体。完全呈现受试者记录包括使在受试者记录中包含的属性集对用户装置可用,以用于使用界面进行评估或交互。在框550,云服务器135还或替代地向用户装置提供针对在第二组受试者记录中包含的每个受试者记录的受试者属性组的不完整子集。提供受试者属性集的不完整子集为受试者提供匿名性,因为受试者属性的不完整子集不能用于唯一标识受试者。例如,提供不完整子集可以包括使10个受试者属性中的4个受试者属性可用,以匿名化与10个受试者属性相关联的受试者。在一些实施例中,在框550,云服务器135为在第二受试者中包含的每个受试者记录利用混淆的受试者属性集。混淆属性集包括减少所提供信息的粒度。例如,不是利用受试者地址的受试者属性,混淆的属性可以是邮政编码或受试者居住的州。无论是使用不完整的受试者还是混淆的子集,云服务器135都将与受试者记录相关联的受试者匿名化。
II.E.聊天机器人与自学知识库的集成
图6是示出用于使用诸如聊天机器人之类的机器人脚本与用户进行通信的过程600的流程图。过程600可以由云服务器135执行,用于将由用户提供的新问题自动链接到知识库中的现有问题以提供对新问题的响应。聊天机器人可以被配置为提供与病症相关联的问题的答案。例如,问题可以涉及对受试者的诊断、预后和/或治疗的识别。因此,下面解释的过程可以作为诊断与受试者相关联的病症的计算机实现方法、识别针对受试者的治疗或治疗计划的计算机实现方法、或为受试者提供预后的计算机实现方法的一部分来实现。
在框605,云服务器135定义知识库,该知识库包括答案集。知识库可以是存储在存储器中的数据结构。数据结构存储文本表示已定义问题的答案集。响应于在通信会话期间从用户装置接收到的问题,可以由聊天机器人选择每个答案。知识库可以被自动定义(例如,通过从数据源检索文本并使用自然语言处理技术解析文本)或用户定义(例如,由研究人员或医师)。
在框610,云服务器135接收来自特定用户装置的通信。通信对应于发起与特定聊天机器人的通信会话的请求。例如,医师或受试者可以操作用户装置以在聊天会话中与聊天机器人进行通信。云服务器135(或存储在云服务器135内的模块)可以管理或建立用户装置和聊天机器人之间的通信会话。在框615,云服务器135在通信会话期间从特定用户装置接收特定问题。问题可以是使用自然语言处理技术处理的文本字符串。
在框620,云服务器135使用从特定问题中提取的至少一些词来查询知识库。可以使用自然语言处理技术从表示特定问题的文本串中提取词。在框625,云服务器135确定知识库不包括特定问题的表示。在这种情况下,接收到的问题可以是新提出给聊天机器人的。在框630,云服务器135从知识库中识别另一问题表示。云服务器135可以通过将从用户装置接收的问题与知识库中存储的其他问题表示进行比较来识别另一问题表示。如果例如基于使用自然语言处理技术对问题表示的分析确定了相似性,则云服务器135识别其他问题表示。
在框635,云服务器135检索在知识库中与另一问题表示相关联的答案集中的答案。在框640,即使基于知识的不包括接收到的问题的表示,在框635检索到的答案作为对接收到的问题的答案被传输到特定用户装置。在框645,云服务器135从特定用户装置接收指示。例如,可以响应于指示由聊天机器人提供的答案是对特定问题的响应的用户装置而接收指示。
在框650,云服务器135更新知识库以包括特定问题的表示或特定问题的不同表示。例如,存储问题的表示包括将问题中包含的关键字存储在数据结构中。云服务器135还可以将特定问题的相同或不同表示与传输到特定用户装置的更多答案相关联。
在一些实施例中,云服务器135访问与特定用户装置相关联的受试者记录。云服务器135确定特定问题的多个答案。云服务器135然后从答案集中选择答案。然而,答案的选择至少部分地基于在与特定用户装置相关联的受试者记录中包含的一个或多个值。例如,受试者记录中包含的值可以表示受试者最近所经历的症状。聊天机器人可以被配置为选择取决于受试者最近所经历的症状的答案。在一些情况下,云服务器135可以访问已经被训练的排序学习机器学习模型以预测答案集中的每个答案的顺序。可以使用训练答案集对排序学习机器学习模型进行训练。训练答案集中的每个答案都可以用一种或多种症状和该症状的相关性评分来标记。相关性评分可以表示相关联的答案与一种或多种症状中的给定症状的相关性。相关性评分可以是用户定义的或基于某些因素自动确定,诸如训练答案中的词(例如,针对症状的词)的频率。训练答案集可以与聊天机器人在生产环境中运行时使用的答案集不同。排序学习机器学习模型可以基于排序学习模型学习到的模式,根据症状(从受试者资料中检测到的)的相关性来学习如何对答案集(在生产环境中使用的)进行排序(例如,标记的训练答案集与针对一种或多种症状中的每个症状的相关联的相关性评分之间的模式)。聊天机器人可以基于答案集的预测顺序从生产环境中使用的答案集中选择答案。在一些情况下,答案集中的每个答案可以与指示与答案相关联的一种或多种症状的标签或代码相关联。云服务器135可以将表示受试者最近经历的症状的值与每个答案所关联的标签或代码进行比较。
III.附加考虑
本公开的一些实施例包括一种系统,该系统包括一个或多个数据处理器。在一些实施例中,该系统包括包含指令的非暂时性计算机可读存储介质,所述指令在所述一个或多个数据处理器上被执行时使所述一个或多个数据处理器执行本文公开的一种或多种方法的部分或全部和/或本文公开的一种或多种过程的部分或全部。本公开的一些实施例包括一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品,其包括指令,所述指令被配置为使一个或多个数据处理器执行本文公开的一种或多种方法的部分或全部和/或本文公开的一种或多种过程的部分或全部。
已使用的术语和表述被用作描述性而非限制性的术语,并且在使用此类术语和表述时无意排除示出和描述的特征或其部分的任何等效物,但应认识到在要求保护的本发明的范围内可以进行各种修改。因此,应当理解,虽然通过实施例和任选特征具体公开了要求保护的本发明,但是本领域技术人员可以对本文公开的概念进行修改和变化,并且此类修改和变化被认为是在所附权利要求书所限定的本发明范围内。
随后的描述仅提供优选的示例性实施例,并不旨在限制本公开的范围、适用性或配置。相反,优选示例性实施例的随后描述将为本领域技术人员提供用于实现各种实施例的可行描述。应当理解,在不脱离所附权利要求中阐述的精神和范围的情况下,可以对元件的功能和布置进行各种改变。
在以下描述中给出具体细节以提供对实施例的透彻理解。然而,应当理解,可以在没有这些具体细节的情况下实践实施例。例如,电路、系统、网络、过程和其他部件可以展示为框图形式中的部件,以免不必要的细节使实施例晦涩难懂。在其他情况下,为了避免使实施例晦涩难懂,可以在没有不必要的细节的情况下示出公知的电路、过程、算法、结构和技术。
Claims (15)
1.一种对受试者进行临床评定的计算机实现方法,其包括:
在计算系统处并从用户装置接收由用户使用界面识别的所述受试者的属性集,所述属性集表征所述受试者和所述受试者的一种或多种症状;
为所述受试者生成记录,所述记录指示所述属性集中的每个属性,所述记录包括数据元素,所述数据元素包含表示所述一种或多种症状中的症状的非数字值;
将表示所述症状的所述非数字值转换成经转换的表示,所述经转换的表示以数字方式表示所述非数字值;
将所述记录存储在中央数据存储中;
接收经由所述界面提交的请求以发起咨询广播;
使用所述经转换的表示查询所述中央数据存储,其中查询包括将所述非数字值的所述经转换的表示与包含在另一记录的另一数据元素中的另一非数字值的另一经转换的表示进行比较;
基于所述比较的结果识别其他记录集;
识别目的地地址集,所述目的地地址集中的每个目的地地址与另一受试者的护理提供者相关联,所述另一受试者与所述其他记录集中的一个或多个其他记录相关联;
为所述受试者生成所述记录的省略或隐藏所述属性集中的至少一些属性的精简表示;
使用可选择元素将所述记录的所述精简表示传输到所述目的地地址集中的每个目的地地址;
从对应于来自所述目的地地址集的所述目的地地址的另一装置接收在另一装置选择所述可选择元素时生成的通信;以及
在所述用户装置与所述另一装置之间建立通信渠道。
2.根据权利要求1所述的计算机实现方法,其中进行所述临床评定包括以下中的一者或多者:识别针对所述受试者的治疗,识别与所述受试者相关联的病症,确定针对所述受试者的预后,其中所述识别和/或确定是基于所述其他记录集,和/或其中所述用户装置和所述另一装置与不同的医疗护理机构相关联。
3.根据权利要求1至2中任一项所述的计算机实现方法,其中将表示所述症状的所述非数字值转换成所述经转换的表示进一步包括:
识别来自所述非数字值的一个或多个词,所述非数字值表示所述一种或多种症状中的所述症状;
将所述一个或多个词中的每个词输入到词向量机器学习模型中;以及
基于所述词向量机器学习模型的输出生成所述经转换的表示,所述经转换的表示是表征所述一个或多个词中的每个词的N维向量。
4.根据权利要求1至3中任一项所述的计算机实现方法,其中所述非数字值的所述经转换的表示与另一非数字值的另一经转换的表示的所述比较进一步包括:
确定域空间中所述经转换的表示与所述另一经转换的表示之间的距离,所述距离表示所述记录和所述另一记录相似的程度。
5.根据权利要求1至4中任一项所述的计算机实现方法,其中所述域空间为欧几里得空间。
6.根据权利要求1至5中任一项所述的计算机实现方法,其中,当所述经转换的表示与所述另一经转换的表示之间的所述距离在阈值内时,所述记录和所述另一记录被确定为相似。
7.根据权利要求1至6中任一项所述的计算机实现方法,其进一步包括:
生成多个其他精简记录表示,包括针对所述多个其他精简记录表示中的每个其他精简记录表示:
确定对应于另一受试者的管辖范围,所述另一受试者对应于所述其他精简记录表示;
确定与所述管辖范围相关联的一个或多个其他数据隐私规则;以及
基于所述一个或多个其他数据隐私规则生成所述其他精简记录表示,其中所述多个其他精简记录表示中的第一其他精简记录表示包括特定类型的数据,并且其中所述多个其他精简记录表示中的第二其他精简记录表示省略或隐藏所述特定类型的数据。
8.根据权利要求1至7中任一项所述的计算机实现方法,其中查询所述中央数据存储进一步包括:
针对多个其他记录中的每个其他记录,确定表征所述其他记录的至少一部分与所述受试者的所述记录的至少一部分之间的相似性的分数,所述相似性是基于所述域空间中所述经转换的表示与多个记录中的每个其他记录的所述经转换的表示之间的距离确定的;以及
将所述其他记录集定义为所述分数在阈值内的相关联的所述多个其他记录的子集。
9.根据权利要求1至8中任一项所述的计算机实现方法,其进一步包括:
识别包括在所述记录中的数据元素集中的另一数据元素,所述另一数据元素包含表示与所述受试者相关联的图像的图像数据;
将所述图像数据输入到经训练的自动编码器神经网络中;以及
基于所述经训练的自动编码器神经网络的输出,生成所述图像数据的降维版本,所述图像数据的所述降维版本被用作所述图像数据的经转换的表示。
10.根据权利要求1至9中任一项所述的计算机实现方法,其进一步包括:
识别包括在所述记录中的所述数据元素集的另一数据元素,所述另一数据元素包含表示与所述受试者相关联的一系列事件的时变信息;以及
将所述时变信息转换成经转换的表示。
11.根据权利要求1至10中任一项所述的计算机实现方法,其进一步包括:
通过组合所述非数字值的所述经转换的表示、所述图像数据的所述经转换的表示以及所述时变信息的所述经转换的表示来生成表征包括在所述记录中的所述数据元素集的经转换的表示。
12.根据权利要求11所述的计算机实现方法,其进一步包括:
识别来自所述其他记录集的相似记录,所述相似记录是基于表征所述记录的所述经转换的表示与表征另一记录的另一经转换的表示之间的比较来识别的。
13.根据权利要求1至12中任一项所述的计算机实现方法,其中所述中央数据存储的所述查询进一步使用人口统计信息中的至少一些人口统计信息以识别所述其他记录集。
14.根据权利要求1至13中任一项所述的计算机实现方法,其中所述通信渠道为安全聊天室。
15.一种系统,其包括:
一个或多个处理器;以及
非暂时性计算机可读存储介质,其包含指令,所述指令当在所述一个或多个处理器上被执行时,使所述一个或多个处理器执行如在权利要求1至14中所指定的操作。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20175829.9 | 2020-05-20 | ||
EP20175829 | 2020-05-20 | ||
EP20211596.0 | 2020-12-03 | ||
EP20211596 | 2020-12-03 | ||
PCT/US2021/033048 WO2021236702A1 (en) | 2020-05-20 | 2021-05-19 | Intelligent workflow analysis for treatments using exposable cloud-based registries |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115917660A true CN115917660A (zh) | 2023-04-04 |
Family
ID=76270118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180036226.5A Pending CN115917660A (zh) | 2020-05-20 | 2021-05-19 | 使用公开的基于云的注册表进行治疗的智能工作流分析 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230197271A1 (zh) |
EP (1) | EP4154258A1 (zh) |
JP (1) | JP2023527290A (zh) |
KR (1) | KR20230009918A (zh) |
CN (1) | CN115917660A (zh) |
IL (1) | IL298379A (zh) |
WO (1) | WO2021236702A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11893030B2 (en) * | 2020-09-29 | 2024-02-06 | Cerner Innovation, Inc. | System and method for improved state identification and prediction in computerized queries |
US20220189635A1 (en) * | 2020-12-15 | 2022-06-16 | Dishahealth.AI, Inc. | System and method of assisting medical treatment |
WO2023194848A1 (en) * | 2023-03-29 | 2023-10-12 | Lemon Artificial Intelligence Ltd | Method for automated prediction of user data and features using a predictive model |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007056601A2 (en) | 2005-11-09 | 2007-05-18 | The Regents Of The University Of California | Methods and apparatus for context-sensitive telemedicine |
US8227904B2 (en) | 2009-06-24 | 2012-07-24 | Intel Corporation | Multi-chip package and method of providing die-to-die interconnects in same |
US10510449B1 (en) * | 2013-03-13 | 2019-12-17 | Merge Healthcare Solutions Inc. | Expert opinion crowdsourcing |
US11176188B2 (en) * | 2017-01-11 | 2021-11-16 | Siemens Healthcare Gmbh | Visualization framework based on document representation learning |
US11469001B2 (en) * | 2018-03-15 | 2022-10-11 | Topcon Corporation | Medical information processing system and medical information processing method |
WO2019182508A1 (en) | 2018-03-23 | 2019-09-26 | Kjell Oscar | Method for determining a representation of a subjective state of an individual with vectorial semantic approach |
US11948669B2 (en) | 2018-08-29 | 2024-04-02 | Canon Medical Systems Corporation | Medical information management apparatus and medical information management system |
CN111008957A (zh) | 2019-11-19 | 2020-04-14 | 北京推想科技有限公司 | 医疗信息处理方法和装置 |
-
2021
- 2021-05-19 KR KR1020227042665A patent/KR20230009918A/ko unknown
- 2021-05-19 US US17/926,331 patent/US20230197271A1/en active Pending
- 2021-05-19 JP JP2022570469A patent/JP2023527290A/ja active Pending
- 2021-05-19 WO PCT/US2021/033048 patent/WO2021236702A1/en unknown
- 2021-05-19 EP EP21730076.3A patent/EP4154258A1/en active Pending
- 2021-05-19 CN CN202180036226.5A patent/CN115917660A/zh active Pending
- 2021-05-19 IL IL298379A patent/IL298379A/en unknown
Also Published As
Publication number | Publication date |
---|---|
US20230197271A1 (en) | 2023-06-22 |
EP4154258A1 (en) | 2023-03-29 |
KR20230009918A (ko) | 2023-01-17 |
JP2023527290A (ja) | 2023-06-28 |
IL298379A (en) | 2023-01-01 |
WO2021236702A1 (en) | 2021-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Data-driven identification of post-acute SARS-CoV-2 infection subphenotypes | |
Taylor et al. | Prediction of in‐hospital mortality in emergency department patients with sepsis: a local big data–driven, machine learning approach | |
EP3977343A1 (en) | Systems and methods of clinical trial evaluation | |
US20230197271A1 (en) | Intelligent workflow analysis for treatments using exposable cloud-based registries | |
US20120245952A1 (en) | Crowdsourcing medical expertise | |
US20230402180A1 (en) | Techniques for generating predictive outcomes relating to spinal muscular atrophy using artificial intelligence | |
JP6908977B2 (ja) | 医療情報処理システム、医療情報処理装置及び医療情報処理方法 | |
Uddin et al. | a novel approach utilizing machine learning for the early diagnosis of Alzheimer's disease | |
Nanehkaran et al. | Diagnosis of chronic diseases based on patients’ health records in IoT healthcare using the recommender system | |
Joudar et al. | Artificial intelligence-based approaches for improving the diagnosis, triage, and prioritization of autism spectrum disorder: a systematic review of current trends and open issues | |
US9721068B2 (en) | System and method for providing evidence-based evaluation | |
Dai et al. | Patient similarity: methods and applications | |
Barakat et al. | A machine learning approach on chest X-rays for pediatric pneumonia detection | |
US20210335491A1 (en) | Predictive adaptive intelligent diagnostics and treatment | |
US20210133627A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
CN118013001A (zh) | 基于知识库和大语言模型的互动式知识交互系统 | |
WO2023217737A1 (en) | Health data enrichment for improved medical diagnostics | |
Rajathi et al. | Named Entity Recognition-based Hospital Recommendation | |
Yang et al. | POPDx: an automated framework for patient phenotyping across 392 246 individuals in the UK Biobank study | |
US20210183515A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
US20230197218A1 (en) | Method and system for detection of waste, fraud, and abuse in information access using cognitive artificial intelligence | |
Archana et al. | RETRACTED ARTICLE: Prediction of autism spectrum disorder from high-dimensional data using machine learning techniques | |
Aryal et al. | Application of Machine learning algorithms in diagnosis and detection of psychological disorders | |
Hossain | Predictive Modelling of the Comorbidity of Chronic Diseases: A Network and Machine Learning Approach | |
Soares et al. | Automated and intelligent system for World Health Organization data forecasting |
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 |