CN115917668A - 用于促进个体多发性硬化症受试者的协同治疗的大数据处理 - Google Patents

Abstract

本文公开了用于构建和使用数据平台以促进对多发性硬化症的治疗的智能选择以及识别对多发性硬化症治疗的指示的系统和方法。与多发性硬化症受试者相关联的记录的各种记录快照有助于高效查询，所述高效查询可用于探索异质性、非结构化和非分类数据集以生成具体的一般性假设和受试者特定的治疗预测。

Description

用于促进个体多发性硬化症受试者的协同治疗的大数据处理

相关申请的交叉引用

本申请要求于2020年6月12日提交的欧洲专利申请号20179750.3的申请日的权益，该申请的公开内容全文特此通过引用并入用于所有目的。

技术领域

本文公开的方法和系统总体上涉及用于使用平台来存储和处理与确定诊断和治疗策略有关的标记数据的系统和方法。时间敏感处理可用于预测时间相关数据并基于时间序列事件链生成预测的受试者状态。

背景技术

多发性硬化症(MS)是一种具有异质性表现的常见疾病。例如，在美国，大约每300个个体中就有1个患有MS(基于Wallin等人，“The prevalence of MS in the UnitedStates”Neurology,92(1),2019)。

尽管已经确定了各种风险因素，但该疾病的病因尚不清楚。被诊断患有MS的可能性取决于(例如)以下各项：家庭成员是否被诊断患有MS(或其他自身免疫性疾病)、受试者居住地的纬度、受试者是否居住在海岸附近、受试者是否为女性、受试者的年龄、受试者的种族、受试者是否感染了特定病毒(例如，爱泼斯坦-巴尔病毒)、受试者是否吸烟、以及受试者是否肥胖。

最初的疾病表现、疾病进展和对各种治疗的反应性在受试者之间差异巨大，以至于一些专家质疑MS是否实际上是一组不同的疾病。医学界已经确定了各种疾病亚型，并定义了可用于为治疗决策提供信息的医学检查。尽管如此，选择的治疗通常无效。

临床试验被不断地进行以确定特定新治疗或治疗组合的疗效。然而，合格标准通常具有限制性，因此试验中的受试者群组可能不代表向神经科医生寻求治疗建议的患者群组。此外，相对小型的受试者群组可能会限制数据科学家发现有助于疗效的因素。

幸运的是，在过去十年中，多发性硬化症的治疗方案数量激增。这是有益的，因为受试者不太可能对所有治疗方案都没有反应。然而，在存在额外的治疗可能性的情况下，反复地尝试每种治疗当前变得更加不切实际：通常需要半年或更长时间才能确定治疗是否减缓了进展速率。在此期间，受试者的多发性硬化症可能会不可逆转地进展，进展程度可能比使用另一种治疗更显著。因此，若存在可以提升受试者评定和治疗选择的系统或过程，则这将是有利的。

随着大量医疗数据能够以数字方式获得，用于个性化医疗的系统和方法也在不断增长。在一个实例中，美国专利申请公开号2015/0324530公开了基于患者群体的患者概况的医学病症和结果的个性化管理和比较，其被描述为可用于各种不同的医学病症，包括MS。然而，所公开的技术没有基于先前MS治疗以及何时曾应用这些治疗以便预先确定可能对特定MS患者有效的建议疗程来对患者进行匹配。

已经探索了其他智能医学方法，诸如由美国专利申请公开号2015/0161331所公开的，该专利描述了用于分析、分类和匹配来自许多来源和不同区域的大量医学信息的技术，其中针对包括MS在内的各种医学病症，根据患者临床参数、疾病模板、治疗和结果，将患者病历数据分类为多个级别的亚群组。当新患者进入系统时，将患者的参数和疾病模板与最接近的亚群组进行匹配，以建议具有潜在有利结果的治疗。然而，同样没有描述基于先前MS治疗以及何时曾应用这些治疗以便预先确定可能对特定MS患者有效的建议疗程来对患者进行匹配。

ALLAM等人：“Patient Similarity Analysis with Longitudinal HealthData”，ARXIV.ORG，2020年5月14日，XP081673418，该文献全面概述了用于利用纵向数据进行患者相似性分析的工具和方法，讨论了患者相似性分析在提升临床决策方面的潜力。然而，所公开的技术没有基于先前MS治疗以及何时曾应用这些治疗以便预先确定可能对特定MS患者有效的建议疗程来对患者进行匹配。

发明内容

在一些实施例中，提供了一种计算机实现方法。该方法包括：在基于云的应用程序服务器处，接收识别多发性硬化症的治疗的查询并使用治疗的标识符来查询数据存储，该数据存储已经至少部分地基于从护理提供者实体的分布式集合接收的输入来填充。第一实例的方法进一步包括：响应于该查询接收一组受试者标识符，其中一组受试者标识符中的每个受试者标识符指示对应于该受试者标识符的受试者接受了治疗。第一实例的方法进一步包括：对于一组受试者标识符中的每个受试者标识符，基于数据存储中的数据，确定与该受试者标识符对应的受试者开始治疗的时间；以及从与该受试者标识符相关联的一个或多个记录中提取：指示治疗的结果的一个或多个度量；以及一个或多个受试者属性。一个或多个度量的提取至少部分地基于开始治疗的时间，并且一个或多个受试者属性中的每一个反映记录对应受试者的特性或医学检查的结果。第一实例的方法还进一步包括：基于提取的度量和提取的受试者属性，生成另一受试者对治疗的预测反应性；以及输出对应于预测反应性的结果。

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，其有形地体现在非暂时性机器可读存储介质中，并且其包括指令，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。

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，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基于云的应用程序被托管在其中的网络环境。

图2是示出根据本公开的一些方面的过程的实例的流程图，该过程由基于云的应用程序进行以将压缩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使用者装置。

图3是示出根据本公开的一些方面的过程的实例的流程图，该过程用于监测治疗计划定义(例如，决策树或治疗工作流程)的使用者集成并基于监测的结果自动地更新治疗计划定义。

图4是示出根据本公开的一些方面的用于为受试者推荐治疗的过程的实例的流程图。

图5是示出根据本公开的一些方面的用于模糊查询结果以符合数据隐私规则的过程的实例的流程图。

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使用者交流的过程的实例的流程图。

图7A和图7B描绘了流程图，其示出用于构建和使用表示动态和分布式源数据的快照数据存储来表征亚群体以及生成受试者特定的预测的示例性过程。

图8描绘了示出用于使用快照数据存储来生成高级治疗反应预测和/或指示的示例性过程的流程图。

图9A至图9F描绘了用于接收输入以构建多发性硬化症数据存储的示例性界面。

在附图中，相似部位和/或特征可具有相同的参考标号。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

多发性硬化症是一种异质性疾病，具有许多不同类型的表现、症状和结果。这种情况对神经科医生选择治疗策略提出了挑战。然而，该疾病的令人遗憾的高患病率提供了一种手段，通过该手段可以收集和分析大数据以支持多维分析，从而为选择更有效的治疗策略提供信息。

临床数据的大数据分析很复杂，因为大多数临床疗程和患者属性对应于复杂的非二进制、非分类、非数字数据。因此，该数据中的大部分都以非结构化数据(例如医师笔记或放射科医师报告)来表示，这些数据难以查询和汇总。医学领域已经做出了一些努力，以将复杂的评估转换为分类或数字变量，但这可能导致信息丢失，并且在进行转换的参与者之间可能发生不一致的情况。

此外，神经科医师经常评定的信息类型涵盖许多数据类型。因此，即使查看单个受试者的文件，也会经常打开、查看不同文件类型的多个文件。一些文件可能包括大量MRI数据，其可能包括大脑和/或脊髓的各种虚拟切片的图像，这些图像通常会以不同的视角被反复地收集。神经科医师可能将来自最近时间周期的文件集合(或快照)的信息与来自对应于受试者的过去数据集合的对应信息进行比较，然后尝试确定是否有任何变化是可接受的。值得注意的是，目前几乎没有一种治疗方案被报道可以完全阻止MS的进展。相反，它们被报道会减缓MS的进展。因此，神经科医师的任务是假设任何观察到的变化是否会比提供不同的治疗时更明显。

本文公开的一些系统和方法被配置成构建和使用MS大数据集以促进个性化医疗，其中部分地基于定量多变量分析为个体选择治疗。特别而言，基于云的应用程序可以提供界面，使用者(例如，护理提供者、放射科医师、实验室和/或受试者)可以通过该界面提供表征受试者的状态的输入。该界面可以被配置成(例如，针对一些或所有类型的信息)选择性地接收与定义的结构相对应的输入。经由界面呈现的字段数据可以识别该结构。例如，界面可以指示残疾相关信息要包括根据特定量表(例如，扩展残疾状态量表)的评分和/或MRI信息要包括特定类型病变(例如，如在特定类型扫描中检测到的强化/非强化的)的计数。

在一些情况下，界面可以进一步被配置成接收弱结构化、半结构化或非结构化数据。非结构化数据可以包括(例如)医师笔记、受试者的文本性自我评定报告等。非结构化数据可以被处理以识别对应的结构化数据(例如，使用自然语言处理和/或关键字检测)。在一些情况下，非结构化数据被用作支持信息并以非结构化形式保存。例如，除了接收一个或多个定量MRI度量外，该界面还可以接受MRI图像。尽管MRI图像可能符合MRI标准，但数据的精确配置可能取决于(例如)所使用的机器类型和所选择的扫描。

基于云的应用程序可以被配置成为多种类型的使用者提供多种类型的界面。例如，第一界面可以供医师使用，并且可以包括被配置成接收对应于在场评价、办公室内评定、处方依据等的输入的一个或多个页面；一个或多个第二界面可用于实验室和/或成像设施，并且可包括被配置成接收医学检查结果(例如，血液检查结果、MRI图像、MRI统计数据等)的一个或多个页面；并且第三界面可供受试者使用，并且可包括被配置成接收自我评价反应或自我评定的一个或多个页面。例如，受试者界面可以被配置成呈现健康相关问题并接收对应的答案。基于云的应用程序可以进一步为访问基于云的应用程序的每个使用者检测角色和权限。各种权限可以允许使用者输入特定类型的信息(例如，对应于特定字段)、启动或控制特定类型的动作(例如，数据处理)和/或查看特定类型的数据(例如，对应于特定字段和/或特定受试者)。

除了收集有助于大数据查询的受试者评定数据外，基于云的应用程序还可以自动地收集或经由输入收集一个或多个上下文数据点。例如，基于云的应用程序可以检测使用者计算机所在的管辖范围和/或与受试者的地址(例如，如使用者所输入)相对应的管辖范围。又如，基于云的应用程序可以自动地检测或经由输入检测与评定、医学检查或输入相对应的时间周期(例如，日期、时间、日期周期和/或时间周期)。

基于云的应用程序可以进一步接收关于特定受试者的信息。该信息可以包括人口统计信息、病史信息、就业信息等。该信息可以包括关于以下的指示：受试者正服用哪种(哪些)药物、在哪个时间周期服用该药物、在该时间周期经历的任何不良反应、以及受试者停止服用该药物的可能原因。可以通过来自使用者的输入、电子病历、自动文本识别等来检测特定受试者信息。

在一些情况下，基于云的应用程序处理数据以为每个受试者构建时间序列数据，该时间序列数据将各个时间周期与(例如)受试者正在接受的任何药物、残疾程度/评分、MRI统计数据或特征、健康指数、症状表现和/或不良事件相关联。在一些情况下，可以基于包括一系列时间戳和相关联的临床、生物标志物、医学检查和/或自我评定度量的数据来生成事件链。因此，事件链可以识别受试者接受了哪些治疗、接受各种治疗的时间周期、治疗时间周期期间进行的临床评定、接收的一个或多个MRI的结果、治疗时间周期期间的受试者报告或自我评价等。

基于云的应用程序可以使用受试者的事件链来(例如)生成与给定治疗的有效性相对应的预测，预测给定治疗的有效性，预测预后，和/或识别推荐的治疗。例如，基于云的应用程序可以使用受试者的事件链来识别要施加于大数据群体的一个或多个对应的过滤器，识别一个或多个亚群体类别，和/或识别一个或多个最近邻居。在一些情况下，事件链被输入到一个或多个人工智能模型(例如，一个或多个经训练的机器学习模型)中以生成预测使用一种或多种治疗的疗效和/或结果的一个或多个输出。例如，一个或多个模型中的每一个可以生成与将受试者从当前治疗切换到另一模型对应治疗的预测相对应的输出。该输出可以包括(例如)残疾评分、病变负荷、强化病变的数量的总和等的预测绝对值或变化。然后可以基于输出来选择治疗。

又如，事件链可用于识别接受给定治疗的一组相似受试者。可以通过以下方法来识别相似受试者：计算给定受试者的多维事件链与接受给定治疗的一组其他受试者中的每一个之间的距离度量，并识别该一组其他受试者中与低于特定阈值的距离度量相关联的子组。给定受试者对给定治疗的反应性的预测可以基于受试者子组对给定治疗的反应性(例如，时间周期之内的平均或中位残疾进展、时间周期之内的平均或中位复发次数、时间周期之内的平均或中位新病变数量等)。

界面可以被配置成接收输入，针对与给定受试者相关联地做出的每个治疗选择，该输入识别治疗的标识符(例如，姓名)、开始治疗的日期或时间周期、受试者所经历的与治疗相关联的任何不良事件(例如，以及何时经历这些不良事件)、和/或治疗终止的日期或时间周期。可以更新受试者的事件链以反映部分或全部治疗信息。

在一些情况下，与给定受试者相关联的数据(例如，受试者的事件链)可用于识别一个或多个对应受试者。对应受试者和给定受试者可以是相似的和/或与一个或多个相同或相似的属性相关联。例如，每个对应受试者可能已经接受了与该受试者正在接受、将要接受或正在考虑的治疗相同的特定治疗。对应受试者和给定受试者可以与相似或相同类型的多发性硬化症、相似或相同的残疾评分、相似或相同的治疗历史等相关联。哪些属性将影响对应受试者组的定义可以经由使用者输入来定义，可以进行预定义，或者可以由模型学习。

例如，基于云的应用程序的使用者可以通过以下方法来发起查询：选择字段约束并识别受试者(患有复发缓解型多发性硬化症且完全不需卧床的受试者可能最近已从干扰素β治疗过渡到奥瑞珠单抗(ocrelizumab)治疗)。可以查询数据存储以识别其他受试者，针对其他受试者的字段约束被满足，因为他们也完全不需卧床并且在他们也从干扰素β治疗过渡到奥瑞珠单抗治疗的时间被诊断出患有复发缓解型多发性硬化症。尽管在该示例性实例中，字段约束对应于受试者的实际属性，但在一些情况下，一个或多个约束可能对应于潜在属性(例如，正在为受试者考虑治疗)。值得注意的是，该查询可以是向后查询，以便识别先前与各种特性(当前与给定受试者相关联)相关联的受试者。

为了便于进行回顾性查询，基于云的应用程序可以为每个受试者生成和存储针对每个治疗过渡点(在该点开始、更改或终止治疗)的快照。快照可以包括最后报告的信息和/或计算的信息。快照可以包括本文描述的字段和/或信息，诸如最近的治疗、一个或多个MRI统计数据、一个或多个非卧床度量(例如，受试者是否使用拐杖、受试者是否使用双侧步行支架、受试者是否使用助行器、和/或受试者是否使用轮椅)、多发性硬化症类型等。例如，如果受试者在2017年7月更换了药物，则可能没有同时提供关于许多其他字段的信息.但是，可以查询先前接收的信息以检测(例如)：所开出的最近治疗是在2016年1月并且是芬戈莫德(fingolimod)；2017年4月进行的最近一次MRI对应于一组相关的MRI统计数据；对应于2017年3月的办公室访问的数据条目表明该受试者正使用拐杖；从2008年9月起的最新诊断是复发缓解型多发性硬化症。因此，该信息基本上被拉到了2017年7月的快照中。

因此，快照可以有助于使用不需要被同时观察的约束来进行回顾性多维查询。对于每个对应受试者，可以将开始治疗的日期设置为时间零点。可以收集与对应受试者和后续时间点(例如，直到并包括对应受试者终止使用特定治疗的日期)相关联的一个或多个数据点。后续数据点可以指示(例如)活动能力或非卧床水平、残疾程度、一个或多个MRI度量、不良事件指标和/或任何治疗终止指标。然后可以基于后续数据点并可能基于快照数据生成汇总统计数据。

例如，汇总统计数据可以包括期间对应受试者保持在特定治疗中的时间段的分布。又如，汇总统计数据可以包括针对每个时间周期的统计数据(例如，中位数、平均数或众数)，该统计数据：表征在对应受试者中检测到的新病变的数量；表征新强化病变的数量；表征特定类型病变的总体积的变化；表征残疾程度的变化；表征非卧床水平的变化；表征健康指数的变化；表征不良事件的存在、发生率或严重性)；和/或表征复发的概率或次数。可以基于对应于查询的输入或基于预定配置来确定跟踪哪个治疗后信息。

在一些情况下，可以将对应受试者分成两个或更多个群组，并且可以为每个群组生成汇总统计数据。例如，第一群组可以包括继续接受治疗至少预定时间量(诸如18个月)的对应受试者，并且第二群组可以包括在预定时间量之前停止治疗的对应受试者。又如，第一群组可以包括接受治疗至少第一时间周期(例如，至少6个月)并且其扩展残疾状态量表(EDSS)评分保持不变或在第二时间周期内(例如，12个月内)变化小于1.5分的对应受试者，而第二群组可以包括接受治疗至少第一时间段内并且其EDSS评分在第二时间周期内变化1.5或更多分的对应受试者。

就任一实例而言，对于每个群组，所生成的汇总统计数据可以表示该群组中的受试者在基线(时间零点)的信息，诸如人口统计信息(例如，年龄分布、性别分布)、病史信息(例如，合并症的患病率)、基线MRI统计数据(例如，病变负荷、病变总数、强化病变数量)和/或残疾度量(例如，EDSS评分或非卧床水平)。因此，汇总统计数据可用于预测哪些类型的受试者属性和/或上下文可预测治疗疗效和/或治疗期间的积极预后。护理提供者或受试者可以使用受试者的预测和特定属性来确定是选择治疗还是继续使用治疗。在一些情况下，可以针对多种治疗策略(例如，与不同的对应受试者群体相关联)中的每一种为受试者生成对疗效和/或预后的预测，并且可以基于预测为受试者选择治疗。

在一些情况下，在给定受试者已开始治疗后，可以针对给定受试者跟踪一个或多个数据点并针对对应受试者或对应受试者内的一个或多个群组将其与汇总统计数据进行比较。例如，在治疗开始后的第四个月，可以为给定受试者确定T2病变负荷的变化、EDSS评分的变化和增强病变的数量。模型(例如，分类器)或多变量分析可用于预测受试者特定的数据点是否与“反应者”群体亚群组或“无反应者”群体亚群组更紧密地对齐(例如，其中反应者亚群组与治疗的较长使用时间、较小的基于MRI的进展、较小的残疾进展相关联)。护理提供者或受试者可以使用预测来确定是否更改受试者的治疗策略或考虑进行该更改。

在一些情况下，可以进行查询，该查询包括对应于与给定受试者相关联的症状集、残疾评分和/或检查结果集的约束。症状集、残疾评分和/或检查结果可能(但不一定)不足以支持多发性硬化症诊断。可以识别具有相似症状、残疾评分和/或检查结果的其他受试者群体。可以进行查询以便进一步施加负面约束(例如，指示未经历一种或多种其他症状)。可以基于所使用的治疗方法对该群体进行细分。对于该群体之内的每个群组，可以生成统计数据，该统计数据指示(例如)：转变为多发性硬化症的另一种亚型或多发性硬化症的诊断的可能性(例如，相对于时间或在时间周期之内)：残疾评分的变化(例如，相对于时间的中位变化或者在时间周期之内出现较差评分的概率)；相对于时间改变治疗的概率等。然后，护理提供者可以推荐与以下相关联的治疗：转变到另一种亚型的相对低的可能性、残疾评分的相对小的变化(或无变化)、和/或改变治疗的相对小的概率。

基于云的应用程序可以进行操作以实现数据隐私协议，该数据隐私协议使实体能够与外部实体传输和/或接收一个或多个数据记录或表征受试者(例如，经历医学症状和/或被诊断可能或确定患有医学病症)的其他信息，同时满足数据隐私规则在各个管辖范围所施加的约束。基于云的应用程序可以被配置成经算法评定数据隐私侵犯行为，并自动地略去、模糊或以其他方式修改数据记录以符合数据隐私规则。例如，基于云的应用程序可以被配置成确定基于与一组对应受试者相关联的数据生成的汇总统计数据是否可能有泄露识别信息的风险。当(例如)发生以下情况时，此类信息可能更容易被泄露：用于识别对应受试者的约束特别窄、对应受试者群体(或本文的亚群组)的规模特别小、所使用或所呈现的汇总统计数据的数量特比高等等。举例来说，如果查询包括邮政编码约束以及三个其他约束，并且由此得到的受试者群体仅包括3个受试者，则即使是基于来自所有3个受试者的数据生成的统计数据的呈现也可能存在泄露个人识别信息的风险。

如果确定响应于查询有泄露个人识别信息的风险，则基于云的应用程序可以确定使用者是否被授权查看受试者的将在数据中表示的信息。如果否，则基于云的应用程序可能会拒绝查询或可能修改查询以包括限制性较小的约束。

本公开的一些实施例通过以下方法提供了优于常规系统的技术优势：提供被配置成在不违反数据隐私规则的情况下与外部实体交换受试者信息的基于云的应用程序。基于云的应用程序有利于选择性地收集和处理数据，以获得跨受试者和其他使用者在内容和格式上相对一致的数据集。数据表示可以进一步促进数据查询，因为可以识别其约束的字段可以是可识别的。然后可以利用逻辑操作数和/或基本搜索而非进行自然语言处理查询来进行针对受试者群体的查询。此外，将受试者记录转换为事件流和/或在特定重要事件处生成快照可有助于在各种数据点未在时间上对齐时执行查询。使用机器学习模型(例如分类器)和群体数据可以有助于提升影响治疗疗效和/或耐受性的预测因素。

虽然上文的公开内容描述了一种基于云的应用程序，其被配置成进行关于促进多发性硬化症的诊断和治疗的智能功能，但是该基于云的应用程序可以被配置成识别针对任何疾病、病症、研究领域或障碍的潜在诊断或潜在治疗，包括但不限于：癌症，包括肺癌、乳腺癌、结肠直肠癌、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，诸如肉瘤和恶性肿瘤；免疫系统癌，包括淋巴瘤(诸如霍奇金淋巴瘤或非霍奇金淋巴瘤)；以及血癌(血液系统癌)和骨髓癌，诸如白血病(诸如急性淋巴细胞白血病(ALL))和急性髓性白血病(AML))、淋巴瘤和骨髓瘤。另外的障碍包括：血液障碍，诸如贫血；出血性障碍，诸如血友病；血栓；眼科障碍，包括糖尿病性视网膜病变、青光眼和黄斑变性；神经系统障碍，包括帕金森病、脊髓性肌萎缩症、亨廷顿舞蹈症、肌萎缩侧索硬化症(ALS)和老年痴呆症；自身免疫性障碍，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)、格雷夫斯病、桥本氏甲状腺炎、湿疹、血管炎、过敏和哮喘。

其他疾病和障碍包括但不限于：肾病、肝病、心脏病、中风、胃肠道紊乱(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)和胃溃疡)、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、中枢及周围神经系统疾病(诸如注意力缺陷/多动障碍(ADHD))、僵住症、脑炎、癫痫和抽搐)、周围神经病、脑膜炎、偏头痛、脊髓病、自闭症、双相障碍和抑郁症。

II.MS亚型、诊断规程、相关医学检查、进展评定和可用治疗的总结

II.A.多发性硬化症的类型

医学界已经定义了多种类型的MS，它们可能影响治疗选择并为预后提供信息。

II.A.1.复发缓解型多发性硬化症(RRMS)

在85％至90％的病例中，多发性硬化症首先表现为复发性多发性硬化症(RRMS)类型。RRMS患者经历不连续的恶化(或“复发”)，在此期间出现新的神经系统症状或者在此期间旧症状恶化。突出的机制假设为，恶化是自身免疫级联反应的结果，在自身免疫级联反应期间，自身反应性白细胞从外周穿过血脑屏障并攻击中枢神经系统的神经元突起上的髓鞘保护层。自身免疫级联反应被认为主要涉及T细胞，但也涉及一些B细胞(例如，召集巨噬细胞、激活补体途径和/或产生影响T细胞分化的共刺激分子)。另一种理论为，这种攻击是由具有故障免疫调节机制的髓鞘特异性T细胞进行的。

每次恶化都可能导致一种或多种生理症状。生理症状可以是与八个功能系统中的一个相关联的症状。功能系统和选择的相关症状包括锥体系统(症状：肌肉无力或四肢行动不便)；小脑系统(平衡问题或震颤)；脑干系统(说话或吞咽困难)；感觉系统(麻木或刺痛)；肠道或膀胱系统(失禁)；视觉系统(模糊或失明)；大脑系统(记忆力、多任务或思维缺陷)；以及其他系统。在恶化之间，症状可能部分或完全消失。当复发发生在更接近诊断日期(与稍晚的时间周期相比)时，更有可能从复发中完全康复。在疾病早期，复发通常涉及锥体、小脑、感觉或视觉功能系统。在疾病后期，复发通常涉及脑干、肠道或膀胱、或脑功能系统。

II.A.2.活动性或非活动性继发性渐进型多发性硬化症(SPMS)

如果不接收治疗，大约90％的RRMS患者将在25年之内转变为继发性渐进型多发性硬化症(SPMS)(其中约50％在10年之内发生转变)。医学界对于哪些精确指标标志着从RRMS到SPMS的转变并没有普遍的共识。

还继续经历症状性复发和炎症的SPMS患者被认为患有活动性SPMS，而没有复发的那些被认为患有非活动性SPMS。然而，无论如何，由于神经损伤或丧失，这些患者通常会经历逐渐且通常单调的功能下降。换句话说，在SPMS患者中观察到的下降通常被认为主要是由于神经退行性变，而非由于不连续的免疫攻击。

II.A.3.原发性渐进型多发性硬化症(PPMS)

一些MS患者从未被诊断为RRMS形式，而是最初被诊断患有原发性渐进型多发性硬化症(PPMS)。与患有SPMS的情况一样，这些患者通常经历症状的逐渐且持续的恶化以及脑损伤。就SPMS和PPMS而言，功能逐渐丧失可能会在数月至数年的时间周期内发生，因此令其难以检测。大多数患有PPMS的人最初会出现运动症状(而感觉和/或视觉症状在RRMS中更为普遍)。PPMS诊断的突出标准为：功能系统损伤逐渐发生且与不连续复发无关(因此逐渐恶化不是由复发引发的任何残留损伤的结果)。

II.A.4.渐进型复发多发性硬化症

有些人在诊断出MS后经历症状性复发和/或强化病变。在这些情况下，患者被诊断患有渐进型复发MS，因为渐进型MS的初始诊断并未被丢弃。

II.A.5.临床孤立综合征(CIS)

尽管临床孤立综合征(CIS)被认为是多发性硬化症的一种亚型，但CIS实际上与多发性硬化症不同。CIS的诊断表明：受试者在至少24小时内经历了第一神经系统症状，该第一神经系统症状在时间上被孤立，且并非由于另一种医学病症(例如，卒中或莱姆病)。如果受试者回忆起一种或多种其他先前的神经系统症状，或者如果MRI识别出旧的(非强化)病变，则受试者将被诊断患有多发性硬化症，而非CIS。

患有CIS的受试者随后可能会或可能不会经历另外的症状并接受多发性硬化症诊断。CIS患者可能会接受选择的多发性硬化症药物，这可能降低受试者被诊断患有多发性硬化症的可能性或延长受试者被诊断患有多发性硬化症的时间。

II.B.多发性硬化症的诊断

在确定是否诊断患者患有多发性硬化症和/或诊断患者患有特定亚型的多发性硬化症时，给护理提供者的患者症状报告以及护理提供者进行的功能评定是高度相关的。然而，几项其他医学检查的结果可能对诊断有很大影响。

II.B.1.医学检查可能为多发性硬化症诊断提供信息

II.B.1.a.磁共振成像

磁共振成像(MRI)机器包括产生强磁场的大型磁铁。这些场使体内的质子与场对齐。共振频率射频(RF)场使质子相对于磁场旋转而失去平衡。当射频场关闭时，质子释放能量，同时与磁场重新对齐。MRI机器包括测量这种能量释放的接收线圈。不同类型的生物结构会导致不同的能量释放曲线(例如，确定返回到平衡状态所实耗的时间)。两个操作设置包括重复时间和回波时间。重复时间是连续RF脉冲之间的时间。长重复时间使所有质子在下一脉冲之前与磁场重新对齐，而短重复时间致使许多质子仅部分地重新对齐。回波时间指示测量质子产生的信号的时间。较长的回波时间使灰质和白质中的质子更有可能异相，这可能产生较长的信号。同时，液体在这方面较不敏感，因此其信号将保持较强。

MRI图像可以包括T1加权图像(T1图像)、T2加权图像(T2图像)或FLAIR图像。T1图像是响应短回波时间(例如，14毫秒)和短重复时间(例如，500毫秒)产生的。在T1图像中，白质(例如，轴突)是浅色的，灰质(例如，神经细胞体和树突)是灰色的，脊髓是灰色的，脑脊液(CSF)是深色的，并且炎症是深色的。黑色孔洞将在T1图像中显示为低信号(深色)区域。当向受试者施用造影剂(例如，钆)时，只有在血脑屏障最近被破坏并且可以泄漏到最近形成的病变中的情况下，它才可能穿过该屏障。然后，T1图像会将这些病变描绘为亮色区域。

T2图像是响应长回波时间(例如，90毫秒)和长重复时间(例如，4000毫秒)产生的。在T2图像中，白质为深灰色，灰质为浅灰色，脊髓为浅灰色，CSF为亮色，并且炎症为亮色。因此，T2图像可用于检测新的和旧的病变(其会呈现亮色)。FLAIR图像是响应更长的回波时间(例如，114毫秒)和更长的重复时间(例如，9000毫秒)产生的。在FLAIR图像中，白质为深灰色，灰质为浅灰色，脊髓为浅灰色，CSF为深色，炎症为亮色。与T2图像相比，FLAIR图像允许更好地观察CSF附近的病变。

脑和/或脊髓的MRI图像可用于促进多发性硬化症的诊断、促进特定类型的多发性硬化症的诊断、促进表征受试者多发性硬化症的进展、促进表征疗法有效治疗受试者的程度、和/或促进确定是否更改受试者的治疗策略。病变的数量、位置、大小和形状可以为这些决策中的一个或多个提供信息。例如，“道森指”是RRMS患者中常见的病变。道森指是卵形的多重病变，位于大脑中基于心室的静脉(深髓静脉)附近。虽然病变可能出现在任何CNS白质中，但多发性硬化病变经常出现在脑室周围白质、小脑、脑干和脊髓中。

MRI分析通常涉及确定MRI图像是否描绘了任何对比强化病变，因为此类病变通常指示受试者的多发性硬化症最近呈活动状态。T2加权病变也经常用于测量病变总体积。在疾病过程早期测量的T2疾病负担度量(例如，在CIS或RRMS中)可以提供有关受试者的长期残疾和/或疾病进展的信息。

此外，MRI可用于识别横截面积(例如，在脊髓的一段)或体积(例如，脑的)，其可用于估计受试者的萎缩程度。可以通过将基于受试者最近的MRI生成的面积/体积度量与基于受试者较旧的MRI生成的那些度量进行比较来估计萎缩。可以通过将基于受试者最近的MRI生成的面积/体积度量与基于可比较群体生成的统计数据进行比较来进一步估计萎缩。萎缩统计数据可用于为与MS诊断和/或治疗决策有关的确定提供信息。

如下文进一步描述的，多个解剖区域中病变的存在和/或病变的时分发生指示多发性硬化症。可以通过以下方法来检测病变的时分发生：比较在不同时间点采集的MRI或检测至少一个病变是对比强化的(指示最近的炎症)以及至少一个病变不是对比强化的。

II.B.1.b.脑脊液分析

与一般群体相比，患有多发性硬化症的大多数受试者(以及患有其他炎症性医学病症的许多受试者)的脑脊液(CSF)包含相对高浓度的免疫球蛋白G(IgG)。IgG似乎是多发性硬化症的继发效应，但仍提供有用的生物标志物。

因此，脑脊液分析经常在多发性硬化症的诊断阶段进行。CSF经由脊椎穿刺从受试者采集。进行一项或多项实验室检查(例如，蛋白质电泳、蛋白质印迹或等电聚焦和银染的组合)以检测每个CSF样品中以及可能的血清样品(例如，稀释的血清样品)中的蛋白质。

在脑脊液中检测IgG带与多发性硬化症的诊断一致。另外地或可替代地，检测CSF和血清中的寡克隆带以及CSF中的额外带也与多发性硬化症诊断一致。这些检测中的任何一种可以进一步预测患有CIS的受试者是否会转变为临床确诊的MS。

与IgG相对于血清中白蛋白的比率相比，IgG CSF指数被定义成IgG相对于CSF中白蛋白的比率。高于1的值表明中枢神经系统正产生IgG。IgG CSF指数也可用于生成IgG合成率。

II.B.1.c.视觉诱发电位

轴突的髓鞘形成增加了动作电位沿轴突移动的速度。因此，若髓鞘外层受到炎症性多发性硬化症发作攻击，则神经冲动传导可能随后会减慢。可以在多发性硬化症的诊断中提供信息的一项检查是诱发动作电位并测量其传播速度。通常，对于这种评定，通过呈现特定的视觉刺激(例如，二进制、动态棋盘)来诱发电位，同时非侵入性地记录(例如，经由脑电图)脑信号(例如，在枕叶皮质中)。然而，可替代地使用听觉或体感刺激。诱发电位包括两个负峰和一个正峰(在两个负峰之间)。这些峰中的每一个的幅度和/或时间可以为多发性硬化的诊断和/或预后提供信息。例如，称为视神经炎的多发性硬化症的症状可导致正峰消失和/或高度减弱的反应。

II.B.2.用于多发性硬化症诊断的标准

没有单一的检查或单一的评定可以可靠地确定受试者是否患有多发性硬化症。在一些情况下，单个检查结果(例如，一组MRI图像)可能足以诊断多发性硬化症，但该检查结果在受试者和环境之间并不能可靠地确定。

许多医疗提供者将多发性硬化症的诊断描述为排除性诊断，因为临床医师的任务是开出检查处方并进行分析，以排除观察到的异常的潜在其他原因。例如，许多神经系统症状和/或MRI结果可以用传染病(例如，莱姆病)、脊髓压迫、维生素B₁₂缺乏或非MS炎症性脱髓鞘疾病(例如，结节病、系统性红斑狼疮、视神经脊髓炎或急性播散性脑脊髓炎)来解释。如果不能确定此类替代解释，诊断出多发性硬化症是合适的。

遗憾的是，排除诊断不是快速诊断。当受试者等待能够接受各种检查、等待检查结果并等待其护理提供者的评定时，他们的多发性硬化症可能会继续发展。各种规程和疾病鉴定都试图将此类情况考虑在内。例如，诊断多发性硬化症的大多数标准并不依赖于排除所有潜在的替代原因(尽管有些人可能会在多发性硬化症诊断多年后发现他们实际上有不同的医学病症)；此外，临床孤立综合征(CIS)的确立使医师能够开出可能会减缓进展的一些多发性硬化药物，尽管尚未得到确定的多发性硬化症诊断。

II.B.2.a.McDonald标准

一种诊断多发性硬化症的突出标准是McDonald标准。该标准的基础是医师通常要具有在空间和时间上分离的证据来诊断患有多发性硬化症的受试者。空间上的分离可能对应于影响身体不同部位或不同功能系统的症状或中枢神经系统不同部位存在的病变。时间上的分离可能对应于在不同时间出现的症状和/或病变，其可以经由在不同时间进行的多次评定(例如，多次MRI或多次临床/症状评定)或通过检测一些对比强化病变(例如，指示最近的炎症)和一些非强化病变(例如，指示它们不是最近形成的)检测到。

McDonald标准已成为多发性硬化症诊断常用的标准。在该标准下，有下列情形之一者可诊断为多发性硬化症，否则不予诊断为多发性硬化症。

·两次或更多次复发以及两个或更多个病变的症状性临床证据

·两次或更多次复发、中枢神经系统病变的临床证据、以及多发性硬化症的一种或多种典型病变；

·两次或更多次复发、中枢神经系统病变的临床证据、以及表明中枢神经系统另一部位损伤的另一次复发；

·一次复发、两个或更多个病变的临床证据(例如，两个或更多个功能系统或身体的两个或更多个部位的损伤)；以及不同的免疫系统活性，如基于多个时间分离的脊椎穿刺确定的寡克隆带所证明；

·一次复发、两个或更多个病变的临床证据(例如，两个或更多个功能系统或身体的两个或更多个部位的损伤)；以及自上次扫描以来新病变的MRI证据；

·一次复发、两个或更多个病变的临床证据(例如，两个或更多个功能系统或身体的两个或更多个部位的受损)；以及进一步的症状复发；

·一次复发、一个病变的临床证据、多发性硬化症的一个或多个典型的MRI病变；

·一次复发、一个病变的临床证据、另一次复发显示中枢神经系统不同部位的活动(如寡克隆带所指示)、MRI显示自上次扫描或新复发后出现新病变；

·一次复发、一个病变的临床证据、多发性硬化症的一个或多个典型的MRI病变；或者

·多发性硬化症典型的神经系统症状逐渐进展一年，加上以下中的任何两种：至少一个多发性硬化症的典型脑病变、脊髓中两个或更多个病变、或脊髓液中的寡克隆带。

II.C.多发性硬化症进展的评定

在受试者被诊断出患有多发性硬化症后，通常会定期与神经科医师会面以评定各种功能并传达当前或最近的症状。在一些情况下，这些会面是定期(例如，每6个月)安排的。在一些情况下，受试者要求进行一次或多次会面以讨论新的症状恶化、药物副作用等。神经科医师还常常建议受试者定期接受MRI。同样，可以定期安排MRI来总体评定进展，或者可以进行MRI来确定新的潜在或实际症状是否可能对应于恶化或确定当前治疗是否有效减缓或停止疾病的进展。

因此，医师可以根据以下各项中的一项或多项来确定受试者的多发性硬化症是否进展和/或其进展程度：新症状的频率；新症状的严重程度；旧症状的恶化；出现症状的功能系统的数量变化；新病变发展的频率；病变负荷的变化；萎缩的变化；和/或受试者自我评定。已经开发了各种量表来更客观地评定多发性硬化症的进展。一些量表被设计成评定受试者的健康，并基于受试者对一系列问题的回答。

一些量表基于医师对受试者功能能力的评定。一种此类基于功能的量表是扩展残疾状态量表。该量表在很大程度上取决于受试者的行走能力。量表范围从0到10，并以0.5为增量进行离散化。0到4.5之间的评分是基于受试者正经历症状或残疾的功能系统的数量和症状/残疾的严重程度来区分的。4.5到7.5之间的评分是基于受试者可以移动多远以及是否需要和/或需要哪种类型的助行器来进行移动来区分的。7.5到9.5之间的评分是受试者被限制在床上并保有任何功能的程度来区分的。评分10指示因多发性硬化症而死亡。

II.D.多发性硬化症治疗

近年来，许多新的多发性硬化症治疗已推向市场。治疗可根据其机制(这些治疗中的许多仅被部分了解)、其给药途径以及治疗被描绘为一线方法还是二线或三线方法来区分。

可注射药物包括干扰素β和醋酸格拉替雷(glatiramer acetate)。干扰素β是一种免疫调节剂，其降低CD4+和CD8+T细胞的反应性。干扰素β被标记在三个商品名(

和

)之下，它们在剂量配方、给药途径和使用频率方面各不相同。醋酸格拉替雷是一种免疫调节剂，其类似于髓磷脂，与主要组织相容性复合物结合，并减少T细胞与抗原的结合。

最近，已经可以获得更多的口服药物，包括特立氟胺(teriflunomide)、富马酸单甲酯、芬戈莫德(fingolimod)、辛波莫德(siponimod)、克拉屈滨(cladribine)、富马酸二甲酯、拉喹莫德(laquinimod)和奥扎莫德(ozanimod)。特立氟胺抑制线粒体酶二氢乳清酸脱氢酶。富马酸二甲酯、富马酸单甲酯和富马酸地罗昔美(diroximel fumarate)通过目前仍在探索的诱导淋巴细胞减少的机制起作用。芬戈莫德和辛波莫德调节1-磷酸鞘氨醇(S1P)，其中辛波莫德和奥扎尼莫德对S1P₁和S1P₅为选择性的，而芬戈莫德是非选择性S1P调节剂。克拉屈滨消耗CD4⁺和CD8⁺淋巴细胞。拉喹莫德干扰T细胞到中枢神经系统的迁移并降低IL-17水平。

还有其他药物通过静脉给药，包括奥瑞珠单抗、奥法木单抗(ofatumamab)、乌利妥昔单抗(ublituximab)、利妥昔单抗(rituximab)、那他珠单抗(natalizumab)、阿仑单抗(alemtuzumab)和米托蒽醌(mitoxantrone)。奥瑞珠单抗、奥法木单抗、乌利妥昔单抗和利妥昔单抗经由补体依赖性细胞毒性作用靶向CD20⁺B细胞。那他珠单抗是一种靶向表达CD52的淋巴细胞的单克隆抗体。阿仑单抗是一种单克隆抗体，其与T和B细胞上的CD52结合，以启动T和B细胞的破坏。米托蒽醌是一种II型拓扑异构酶抑制剂，其抑制免疫细胞增殖、削弱抗原呈递、增强T细胞抑制功能并抑制B细胞。

还有另一种治疗方法是自体造血干细胞疗法。这种方法包括：去除患者的一些骨髓干细胞(响应于化疗剂释放到血液中)；进行多天的化疗(以消耗受试者的大部分或全部免疫细胞)；以及施用储存的干细胞(以促进恢复)。

还可以根据药物被批准用于治疗哪种多发性硬化症亚型来区分药物。大多数批准的多发性硬化症药物都被批准用于治疗RRMS。被批准用于治疗SPMS的药物包括米托蒽醌、克拉屈滨和辛波莫德。截至2020年6月，美国和欧洲唯一批准用于治疗PPMS的药物是奥瑞珠单抗。

更多的治疗可用于治疗多发性硬化症的症状(而不是疾病本身)。例如，达法吡啶(dalfampridine)可用于改善步行，托特罗定(tolterodine)可用于治疗失禁，或者巴氯芬(baclofen)可用于治疗痉挛。此外，甲强龙(solumedrol)(静脉施用)、泼尼松(prednisone)(口服)和/或甲泼尼龙(methylprenisolone)(口服)经常用于治疗多发性硬化症复发(例如，以加速从复发恢复和/或增加从复发完全恢复的可能性)。

每种治疗可用作一线、二线或三线治疗。一般而言，二线治疗是在确定一种或多种一线治疗已失败、对受试者不再有效或对受试者导致无法忍受的不良事件后施用的一种治疗。类似地，三线治疗是在确定一种或多种二线治疗失败、对受试者不再有效或对受试者导致无法忍受的不良事件后施用的一种治疗。不同的医师可能会就哪些治疗被认为是一线治疗做出不同的决定。这些决定可能基于不良事件概况，因为如果其他治疗方案已失败，则更高的不良反应风险和/或更严重不良反应的风险可能更容易接受。根据MS基金会，通常用作一线治疗的治疗包括特立氟胺、干扰素β、醋酸格拉替雷、奥瑞珠单抗、聚乙二醇干扰素β(peginterferon beta)和富马酸二甲酯。通常用作二线或三线治疗的治疗包括芬戈莫德、阿仑单抗、克拉屈滨、辛波莫德、米托蒽醌和那他珠单抗。

III.用于托管配置有智能功能的基于云的应用程序的网络环境

图1示出了网络环境100，其中托管了基于云的应用程序的实施例。网络环境100可以包括云网络130，其包括云服务器135和数据注册表140。云服务器135可以执行基于云的应用程序底层的源代码。数据注册表140可以存储从一个或多个使用者装置(诸如计算机105、膝上型计算机110和移动装置115)摄取或利用其识别的数据记录。

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，数据字段)的骨架结构来构造。计算机105、膝上型计算机110和移动装置115各自可以由各种使用者操作。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。移动装置115可以使用网关120和网络125连接到云网络130。在一些实例中，计算机105、膝上型计算机110和移动装置115中的每一者与同一实体(例如，同一医院)相关联。在其他实例中，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。使用者设备(计算机105、膝上型计算机110和移动装置115)是用于说明目的实例，并且因此，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使用者装置。

在一些实施例中，云服务器135可以通过与计算机105、膝上型计算机110或移动装置115中的任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取到数据注册表140中。又如，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取到数据注册表140中。

在一些实施例中，计算机105、膝上型计算机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、膝上型计算机110和移动装置115获得的数据记录可以存储在不同的数据注册表中。虽然来自计算机105、膝上型计算机110和移动装置115中的每一者的数据记录可以存储在云网络130之内，但是这些数据记录可能未混合。例如，由于数据隐私规则所施加的限制，计算机105无法访问从膝上型计算机110获得的数据记录。然而，云服务器135可以被配置成在不同实体查询数据记录时自动模糊、模糊或掩蔽这些数据记录的部分。因此，从实体摄取的数据记录可能会以模糊、模糊或掩蔽的形式暴露给不同实体，以符合数据隐私规则。作为说明性实例，医师或其他医疗专业人员可以输入受试者的症状，这些症状可能与多发性硬化症有关。症状可以作为受试者记录的与受试者相关联的一部分存储在云网络130之内。

一旦从计算机105、膝上型计算机110和移动装置115采集了数据记录，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描述的智能分析功能。假设当与实体相关联的使用者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，数据记录可被以符合数据隐私规则的模糊形式提供或暴露给使用者装置，则这些数据记录也可用于供任何实体进行查询。

云服务器135可以被配置成执行智能功能以处理存储在数据注册表140中的数据记录。例如，执行智能功能可以包括：将存储在数据注册表140中的数据记录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之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被配置成使使用者装置(例如，由医生操作)能够访问基于云的应用程序以将咨询广播传输到一组目标装置。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协助请求。目标装置可以是由与另一实体(例如，另一医疗中心的医生)相关联的另一使用者操作的使用者装置。若目标设备接受与咨询广播相关联的协助请求，则基于云的应用程序可以生成受试者记录的压缩表示，其略去或模糊受试者记录的某些数据字段。压缩表示可以符合数据隐私规则，并且因此，受试者记录的压缩表示无法用于唯一识别与受试者记录关联的受试者。基于云的应用程序可以将受试者记录的压缩表示传输到接受协助请求的目标装置。操作目标装置的使用者可以评估压缩表示并使用通信信道与使用者装置通信以讨论用于治疗受试者的方案。作为说明性实例，医师可能正治疗可能、很可能或确认诊断出患有多发性硬化症的受试者。医师可以寻求关于如何治疗多发性硬化症受试者的额外建议或咨询。该医师可以使广播咨询被传输到在不同医院工作的医师。受试者记录的各种受试者属性可以被模糊，然后传输送给其他医师。然后，两个医师可以在诸如聊天室之类的通信会话期间就模糊的多发性硬化症记录进行交流。

在一些实施例中，云服务器135被配置成向使用者装置提供治疗计划定义界面。治疗计划定义界面使使用者装置能够定义针对一种病症的治疗计划。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程。工作流程可以包括用于将受试者群体定义为患有该病症的一个或多个标准。该工作流程还可以包括针对该病症的特定类型的治疗。云服务器135从一组使用者装置中的每个使用者装置接收并存储针对特定病症的治疗计划定义。基于云的应用程序可以将针对给定病症的治疗计划分发给一组使用者装置。该一组使用者装置中的两个或更多个使用者装置可以与不同实体相关联。两个或更多个使用者装置中的每一个可以被提供将任何部分或整个的治疗计划集成到客户规则集中的选项。云服务器135可以监测使用者装置是完整地集成了共享治疗计划，还是集成了治疗计划的一部分。使用者装置与共享治疗计划之间的交互可用于确定是否对治疗计划或基于治疗计划创建的规则进行更新。

在一些实施例中，云服务器135使操作使用者装置的使用者能够访问基于云的应用程序以确定针对患有病症的受试者的建议治疗。使用者装置加载与基于云的应用程序相关联的界面。该界面使操作使用者装置的使用者能够选择与由使用者治疗的受试者相关联的受试者记录。基于云的应用程序可以评估其他受试者记录以识别与由使用者治疗的受试者相似的先前治疗的受试者。可以使用受试者记录的数组表示来确定例如受试者之间的相似性。数组表示可以是受试者记录的数据字段的值的任何数值和/或分类表示。例如，受试者记录的数组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矢量表示。在一些情况下，数组中的多个值对应于单个字段。例如，字段值可以由经由独热编码生成的多个二进制值来表示。基于云的应用程序可以为受试者记录的群组中的每个受试者记录生成数组表示。两个受试者记录之间的相似性可以由两个受试者记录的数组表示之间的距离来表示。此外，基于云的应用程序可以被配置成识别与使用者装置使用界面选择的受试者记录最近的受试者。基于云的应用程序可以识别先前对作为最近邻居的受试者进行的治疗。基于云的应用程序可以在界面上利用先前对最近邻居进行的治疗，以供操作使用者装置的使用者进行评估。

在一些实施例中，云服务器135被配置成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的约束的受试者记录。然而，在呈现查询结果时，基于云的应用程序可能仅对已经或正在被创建查询的使用者治疗的受试者完整地呈现受试者记录。基于云的应用程序掩蔽或以其他方式模糊受试者记录中针对未被创建查询的使用者治疗的受试者的部分。掩蔽或模糊受试者记录的包括在查询结果中的部分使使用者能够符合数据隐私规则。在一些实施例中，可以针对受试者记录之内的模式或共同属性自动地评估查询结果(无论查询结果是否被模糊)。

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程序中。聊天机器人被配置成自动地与使用者装置通信。聊天机器人可以在通信会话中与使用者装置通信，其中在使用者装置与聊天机器人之间交换消息。聊天机器人可以被配置成选择对从使用者装置接收的问题的答案。聊天机器人可以从基于云的应用程序可访问的知识库中选择答案。当使用者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，存在针对存储在知识库中的预先存在的答案的问题的不同表示。可以向与聊天机器人交流的使用者提供关于聊天机器人提供的答案是否准确或有帮助的提示。

III.A.基于云的应用程序使使用者装置能够向其他使用者装置广播咨询请求并自动压缩受试者记录以符合数据隐私规则

图2是示出过程200流程图，该过程由基于云的应用程序执行以将压缩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使用者装置。过程200可以由云服务器135进行以使与不同实体(例如，医院)相关联的使用者装置能够就针对受试者的治疗进行协作或咨询，同时符合数据隐私规则。

过程200开始于框210，其中云服务器135从使用者装置接收一组属性。该一组属性中的每个属性可以表示受试者(例如，患者)的任何特性。该一组属性可以由使用者使用由云服务器135提供的界面来识别。例如，该一组属性识别受试者的人口统计信息和受试者经历的最近症状。人口统计信息的非限制性实例包括年龄、性别、民族、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实例包括当前或最近(例如，最后一次就诊时、摄入时、24小时之内、一周之内)经历了特定症状(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处，云服务器135为受试者生成记录。该记录可以是包括一个或多个数据字段的数据元素。该记录指示与受试者相关联的一组属性中的每个属性。该记录可以存储在中央数据存储(诸如数据注册表140或任何其他基于云的数据库)处。在框230处，云服务器135接收由使用者使用界面提交的请求。该请求可以是发起咨询广播。例如，与实体相关联的使用者是在医疗中心治疗受试者的医师。使用者可以操作使用者装置来访问基于云的应用程序以广播帮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一组其他使用者装置。

在框240处，云服务器135使用包括在与受试者相关联的一组属性中的一个或多个最近症状来查询中央数据存储。查询结果包括一组其他记录。该一组其他记录中的每个记录与另一受试者相关联。在框250处，云服务器135识别一组目标地址(例如，与不同实体相关联的其他使用者装置)。该一组目标地址中的每个目标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处识别的一组其他记录中的一个或多个其他记录相关联。在框260处，云服务器135生成受试者的记录的压缩表示。记录的压缩表示略去、模糊或模糊记录的至少一部分。记录的压缩表示可以在不违反数据隐私规则的情况下在外部系统之间交换，因为记录的压缩表示不能用于唯一地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模糊技术来生成记录的压缩表示。

在框270处，云服务器135利用到一组目标地址中的每个目标地址的连接输入部件对记录的压缩表示进行利用。连接输入部件可以是呈现给每个目标地址的可选择元素。连接输入部件的非限制性实例包括按钮、链接、输入元素和其他合适的可选择元素。在框280处，云服务器135从与目标地址相关联的目标装置接收通信。该通信包括以下指示：操作目标装置的使用者选择了与该记录的压缩表示相关联的连接输入部件。在框290处，云服务器135促进在使用者装置与在其处选择了连接输入部件的目标装置之间建立通信信道。通信信道使操作使用者装置的使用者(例如，治疗受试者的医师)能够与与在其处选择了连接输入部件的目标地址相关联的目标装置(例如，同意协助治疗受试者的另一医院的医师)交换消息或其他数据(例如，视频馈送)。

在一些实施例中，云服务器135被配置成自动地确定使用者装置的位置和在其处选择了连接输入部件的目标装置的位置。云服务器135还可以比较这些位置以确定是否生成记录的压缩表示。例如，在框260处，云服务器135可以生成记录的压缩表示，因为云服务器135确定该一组目标地址中的每个目标地址不与发起咨询广播的使用者装置并置。在这种情况下，云服务器135可以自动地确定生成记录的压缩表示以符合数据隐私规则。又如，若该一组目标地址与与发起咨询广播的使用者装置相同的实体相关联，则云服务器135可以将记录完整地(例如，在不模糊记录的一部分的情况下)传输到与目标地址相关联的目标装置，同时仍符合数据隐私规则。

在一些实施例中，云服务器135生成多个其他压缩记录表示。多个其他压缩记录表示中的每一个与另一受试者相关联。云服务器135将多个其他压缩记录表示传输到使用者装置；并从使用者装置接收识别对多个其他压缩记录表示的子组的选择的通信。一组目标地址中的每一个由压缩记录表示中的一个表示。例如，生成压缩记录表示包括：确定与压缩记录表示相关联的另一受试者的管辖范围；确定管辖管辖范围之内的受试者记录的交换的数据隐私规则；以及生成压缩记录表示以符合数据隐私规则。多个其他压缩记录表示中的第一其他压缩记录表示可以包括特定类型的数据。多个其他压缩记录表示中的第二其他压缩记录表示可以略去或模糊特定类型的数据。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、以及可用于唯一识别其他受试者的其他合适信息。

在一些实施例中，使用一个或多个最近症状来查询中央数据存储包括：确定多个其他记录中的每个其他记录的评分。评分可以表征其他记录的至少一部分与受试者的记录的至少一部分之间的相似性。查询可以进一步包括：将该一组其他记录定义为分数高于阈值的相关联的多个其他记录的子组。对中央数据存储的查询可以包括：使用至少一些人口统计信息来识别该一组其他记录。例如，其他记录中的一个可以包括包含人口统计信息项(诸如年龄、性别、民族等)的数据字段。在一些实施例中，使用者装置和其他装置(例如，与目标地址相关联的目标装置)与不同的医疗机构相关联。

III.B.基于汇总使用者集成更新可共享的治疗计划定义图3是示出过程300的流程图，该过程用于监测治疗计划定义(例如，决策树或治疗工作流程)的使用者集成并基于监测的结果自动地更新治疗计划定义。过程300可以由云服务器135进行以使使用者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。使用者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使用者装置。接收治疗计划定义的使用者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。可以监测与自定义规则库的集成，并将其用于自动地修改治疗计划定义。

在框310处，云服务器135存储界面数据，当使用者装置加载界面数据时，该界面数据使治疗计划定义界面被显示。当使用者装置访问云服务器135以导航到治疗计划定义界面时，治疗计划定义界面被提供给一组使用者装置中的每个使用者装置。在一些实施例中，治疗计划定义界面使使用者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处，云服务器135接收一组通信。该一组通信中的每个通信是从该一组使用者装置中的一个使用者装置接收的，并且是响应于该使用者装置与治疗计划定义界面之间的交互生成的。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。每个标准可以由可变类型表示。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包括“间变性淋巴瘤激酶(ALK)异常”和(AND)“60岁以上”的过滤条件。该通信还可以包括针对该病症的特定类型的治疗。特定类型的治疗可以与被提议用于治疗与由受试者记录群体所代表的受试者相关联的病症的行动(例如，接受手术)或非行动(例如，减少盐摄入)相关联。

在框330处，云服务器135将规则集存储在中央数据存储(诸如数据注册表140或云网络130之内的任何其他中央服务器)中。规则集中的每个规则包括一个或多个标准和包括在来自使用者装置的通信中的特定治疗类型。作为说明性实例，规则表示用于治疗受试者的淋巴瘤的治疗工作流程。该规则包括以下标准(例如，“如果”语句之后的条件)和下一行动(例如，由使用者定义或选择的特定治疗类型，并且其在“则”语句之后)：“如果‘淋巴结活检表明存在淋巴瘤细胞’并且(AND)‘血液检查显示存在淋巴瘤细胞’，则‘用化疗进行治疗’并且‘进行主动监测’”。另外，规则集中的每个规则与对应于从其接收通信的使用者装置的标识符相关联地存储。

在框340处，云服务器135经由治疗计划定义界面识别规则集中跨实体可用的子集。规则子集可以包括规则集中与病症相关联并被分发到外部系统(诸如其他医疗中心)用于评估的子集。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的规则的代码或标志。代码或标志指示该规则通常可用于外部系统(例如，可用于实体)。

在框350处，对于在框340处识别的规则子集中的每个规则，云服务器135监测与该规则的交互。交互可以包括：外部实体(例如，在与定义了与规则相关联的治疗计划的使用者相关联的实体的外部)将规则集成到自定义规则库中。例如，与外部实体(例如，不同的医院)相关联的使用者装置评估可用于外部实体的规则。评估包括：确定规则是否适合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使用者装置指示，使用该规则定义的治疗工作流程适合治疗与该规则对应的病症时，该规则可能是适合的。继续上文的说明性实例，治疗淋巴瘤的规则可用于外部医疗中心。与外部医疗中心相关联的使用者确定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之后，与外部医疗中心关联的其他使用者将能够通过从自定义规则库选择集成的规则来执行该集成的规则。另外，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使用者装置接收到与将规则集成到自定义规则库相对应的输入时生成或导致生成的信号来监测可用规则的集成。

作为另一说明性实例，与外部实体相关联的使用者装置使用治疗计划定义将交互特定修改版本的规则集成到自定义规则库中。交互特定修改版本的规则是被选择用于集成到自定义规则库中的规则的一部分。选择用于集成的规则的一部分包括：选择包括在用于集成到自定义规则库中的规则的不到全部标准。继续上文的说明性实例，与外部实体相关联的使用者装置选择标准“如果‘淋巴结活检表明存在淋巴瘤细胞’”以集成到自定义规则库中，但使用者装置没有选择标准“血液检查显示存在淋巴瘤细胞”以集成到自定义规则库中。因此，集成到自定义规则库中的交互特定修改版本的规则为：“如果‘淋巴结活检表明存在淋巴瘤细胞’，则‘用化疗进行治疗’并且‘进行主动监测’”。标准“血液检查显示存在淋巴瘤细胞”从规则中移除，以创建交互特定修改版本的规则，其被集成到自定义规则库中。

在框360处，云服务器135可以检测到交互特定修改版本的规则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就可以更新存储在云网络130的中央数据存储中的规则。可以基于监测的交互来更新规则。对于监测的交互，该示例中的术语“基于”对应于“评估……后”或“使用对……评估的结果”。例如，云服务器135检测到与外部实体相关联的使用者装置集成了交互特定修改版本的规则。响应于检测到交互特定修改版本的规则，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交互特定修改版本的规则。

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使用者装置相关联的使用者使用，从该使用者装置接收到识别标准和特定类型的治疗的一个或多个通信。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，阈值可以是已将修改版本的规则集成到其自定义规则库中的外部实体的数量或百分比。又如，可以使用经训练的机器学习模型的输出来确定更新条件。举例来说，云服务器135可以将从外部实体接收的检测到的信号输入到多臂老虎机模型中，该多臂老虎机模型自动确定是否以及何时利用该规则和/或是否以及何时利用更新版本的规则。检测到的信号指示外部实体是否将规则集成到其自定义规则库中，或者外部实体是否集成了交互特定修改版本的规则。

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可变类型的标准并且识别相同或相似类型的治疗。可变类型可以是用作标准的条件的值或变量。规则的标准的可变类型也可以是将受试者群体约束到亚群组的条件的任何值。例如，定义孕妇群体的规则的可变类型是“如果‘受试者怀孕了’”。当新规则通常被跨实体使用时，云服务器135确定作为多个规则的压缩表示的新规则。

在一些实施例中，云服务器135提供被配置成接收受试者的一组属性的另一界面。例如，使用者操作使用者装置以访问其他界面并使用其他界面选择包括一组属性的受试者记录。对受试者记录的选择可以使云服务器135接收受试者的该一组属性。云服务器135基于受试者的该一组属性识别(例如，确定)其标准被满足的特定规则。例如，相对于存储在中央数据存储中的规则的标准评估受试者记录的一组属性。举例来说，若该一组属性包括包含值“怀孕”的数据字段并且若规则包括单个标准“如果‘受试者怀孕了”，则云服务器135识别出该规则。云服务器135更新其他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实例包括表征受试者的人口统计数据的任何信息项，诸如年龄、性别、民族、种族、收入水平、教育水平、所在地和其他合适的人口统计信息项。症状类型变量的非限制性实例指示受试者在当前或最近(例如，最后一次就诊时、摄入时、24小时之内、一周之内)经历了特定症状(例如，呼吸困难、昏厥、高于阈值温度的发烧、血压高于阈值血压等)。

在一些实施例中，云服务器135监测受试者记录注册表中的数据，例如存储在数据注册表140中的受试者记录。云服务器135针对规则子集(在框340识别)中的每个规则监测受试者记录注册表中的数据。云服务器135识别一组受试者，其规则的标准被满足，并且其特定治疗先前被开出给受试者。云服务器135为一组受试者中的每个受试者识别如从评估或检查指示或使用评定或检查指示的受试者的报告状态。例如，报告状态是表征受试者在一个方面的状态的任何信息，该状态诸如受试者是否已出院、受试者是否还活着、受试者血压的测量结果、受试者在睡眠阶段期间醒来的次数以及其他合适的状态。云服务器135基于报告状态确定该一组受试者对特定治疗的估计反应性度量。例如，若规则中的特定治疗是开出药物，则估计反应性度量是对药物解决受试者经历的症状或病症的程度的表示。作为非限制性实例，该一组受试者的估计反应性度量可以是平均值、加权平均值或指派给该一组受试者中的每个受试者的评分的任何总和。该评分可以表示或衡量受试者对治疗的反应性的有效性。云服务器135可以使规则集中的子集和该一组受试者的估计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。

III.C.使用对类似受试者开出的治疗提出具有相关联疗效的治疗建议

图4是示出用于为受试者推荐治疗的过程400的流程图。过程400可以由云服务器135进行以向与医疗实体相关联的使用者装置显示针对受试者的推荐治疗和每个推荐治疗的疗效。可以使用评估先前对类似受试者开出的治疗的疗效的结果来确定推荐治疗。

在框410处，云服务器135接收与表征受试者的各方面的受试者记录相对应的输入。从与实体相关联的使用者装置接收输入。此外，响应于以下接收输入：使用者装置使用与被配置成管理受试者记录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。使用者装置可以通过加载存储在连接在云网络130之内的网页服务器(未示出)处的界面数据来访问该界面。网页服务器可以包括在云服务器135上或在其上执行。

在框420处，云服务器135从在框410处接收的受试者记录中提取一组受试者属性。受试者属性表征受试者的方面。受试者属性的非限制性实例包括在电子健康记录中发现的任何信息、任何人口统计信息、年龄、性别、民族、近期或历史症状、病症、病症的严重性以及表征该受试者的任何其他合适的信息。

在框430处，云服务器135使用该一组受试者属性来生成受试者记录的数组表示。例如，数组表示是受试者记录中包括的值的矢量表示。矢量表示可以是域空间诸如欧几里得空间中的矢量。然而，数组表示可以是受试者记录的数据字段的值的任何数值表示。在一些实施例中，云服务器135可以进行特征分解技术，诸如奇异值分解(SVD)，以生成表示受试者记录的数组表示的一组受试者属性的值。

在框440处，云服务器135访问表征多个其他受试者的一组其他数组表示。包括在该一组其他数组表示中的数组表示可以是表征另一受试者(例如，多个其他受试者中的一个)的受试者记录的矢量表示。

在框450处，云服务器135确定表示以下的相似性评分：表示受试者的数组表示与其他受试者中的每一个的数组表示之间的相似性。例如，使用表示受试者的数组表示与表示其他受试者的数组表示之间的距离(在域空间中)的函数来计算相似性评分。举例来说并且仅作为非限制性实施，可以使用“0”到“1”的范围来计算相似性评分，其中“0”表示超出定义阈值的距离，并且“1”表示数组表示在其之间没有距离。

在框460处，云服务器135识别多个其他受试者的第一子组。当与受试者相关联的相似性评分高于预定的绝对或相对阈值时，可以将受试者包括在第一子组中。类似地，在框470处，云服务器识别多个其他受试者的第二子组。然而，当该受试者的相似性评分在预定范围之内时，可以将受试者包括在第二子组中。

在框480处，云服务器135检索多个其他受试者的第一子组和第二子组中的每个受试者的记录数据。记录数据包括包含在表征受试者的记录中的属性。例如，记录数据识别由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通过以下进行表示：文本(例如，“受试者对治疗反应阳性”)或指示受试者对治疗反应阳性或阴性的程度的评分(例如，从“0”到“1”的评分，其中“0”指示阴性反应性，并且“1”指示阳性反应性)。

在框490处，云服务器135生成要呈现在使用者装置上的界面处的输出。例如，输出可以指示第一和第二子组中的其他受试者接受的治疗、第一和第二子组中的受试者的治疗反应性、以及第二子组中的受试者的受试者属性与该受试者的受试者属性之间的差异。

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组的受试者中的一个正在被相同的医疗实体治疗或已被相同的医疗实体治疗。云服务器135确定第一或第二子组中的受试者和另一受试者正被不同的医疗实体治疗或已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差异化模糊版本的记录。作为一个技术优势，基于云的应用程序可以根据不同管辖区域的数据隐私规则对数据共享施加的不同约束，自动地向实体提供差异化模糊版本的记录。在一些实施例中，云服务器135使用最近邻学习技术来识别第一子组和第二子组。

III.D.自动模糊来自外部实体的查询结果

图5是示出用于模糊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进行。基于云的应用程序可以使使用者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。但是，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能够向使用者装置提供来自外部实体的关于治疗的附加信息，同时符合数据隐私规则。

在框510处，云服务器135从与第一实体相关联的使用者装置接收查询。例如，第一实体是与第一组受试者记录相关联的医疗中心。查询可以包括与医学病症相关联的一组症状或限制数据注册表140的查询搜索的任何其他信息。

在框520处，云服务器135使用从使用者装置接收的查询来查询数据库。在框530处，云服务器135生成对应于该一组症状并且与医学病症相关联的查询结果的数据集。例如，使用者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组受试者记录(其源自第一实体或在第一实体处创建)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)相关联的第二组受试者记录的至少一个受试者记录。来自第一组受试者记录的受试者记录和来自第二组受试者记录的受试者记录中的每一者可以包括一组受试者属性。受试者属性可以表征受试者的任何方面。

在框540处，云服务器135向使用者装置呈现(例如，利用或以其他方式使其对……可用)包括在第一组受试者记录中的受试者记录的完整的一组受试者属性，因为这些记录源自第一实体。完整地呈现受试者记录包括：使包括在受试者记录中的一组属性对使用者装置可用，以使用界面进行评估或交互。在框550处，云服务器135还或者可替代地将以下利用于使用者装置：包括在第二组受试者记录中的每个受试者记录的一组受试者属性中的不完整子组。提供一组受试者属性中的不完整子组为受试者提供了匿名性，因为受试者属性的不完整子组不能用于唯一地识别受试者。例如，提供不完整子组可以包括10个受试者属性中的四个可用，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处，云服务器135利用包括在第二组中的每个受试者记录的一组模糊的受试者属性。模糊该一组属性包括：减小所提供的信息的粒度。例如，代替利用受试者属性——受试者的地址，模糊属性可能是邮政编码或受试者居住的州。无论是利用了不完整的子组还是模糊的子组，云服务器135都将与受试者记录相关联的受试者匿名化。

III.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使用者交流的过程600的流程图。过程600可以由云服务器135进行，以将使用者所提供的新问题自动地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成提供与条件相关联的问题的答案。

在框605处，云服务器135定义知识库，该知识库包括一组答案。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，该文本表示对定义的问题的一组答案。响应于在通信会话期间从使用者装置接收的问题，每个答案能够由聊天机器人选择。知识库可以被自动地定义(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)或经使用者定义(例如，由研究人员或医师)。

在框610处，云服务器135接收来自特定使用者装置的通信。该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使用者装置以在聊天会话中与聊天机器人交流。云服务器135(或存储在云服务器135之内的模块)可以管理或促进使用者装置与聊天机器人之间的通信会话的建立。在框615处，云服务器135在通信会话期间从特定使用者装置接收特定问题。该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处，云服务器135使用从特定问题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字符串提取词。在框625处，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，收到的问题可能是新提出给聊天机器人的。在框630处，云服务器135从知识库识别另一问题表示。云服务器135可以通过将从使用者装置接收的问题与存储在知识库中的其他问题表示进行比较来识别另一问题表示。若例如基于使用自然语言处理技术对问题表示进行分析确定了相似性，则云服务器135识别其他问题表示。

在框635处，云服务器135检索该一组答案中的在知识库中与另一问题表示相关联的答案。在框640处，在框635处检索到的答案作为对接收到的问题的答案被传输到特定使用者装置，即使知识库不包括接收到的问题的表示。在框645处，云服务器135从特定使用者装置接收指示。例如，可以响应于以下而接受该指示：使用者装置指示由聊天机器人提供的答案可以回答特定问题。

在框650处，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：将包括在问题中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使用者装置的更多答案相关联。

在一些实施例中，云服务器135访问与特定使用者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然后从该一组答案中选择一个答案。然而，对答案的选择至少部分地基于包括在与特定使用者装置相关联的受试者记录中的一个或多个值。例如，包括在受试者记录中的值可以表示受试者最近所经历的症状。聊天机器人可以选择取决于受试者最近所经历的症状的答案。

III.F.用于预测对多发性硬化症治疗的反应并监测多发性硬化症进展的模块

图7A和图7B描绘了流程图，其示出用于构建和使用表示动态和分布式源数据的快照数据存储来表征亚群体以及生成受试者特定的预测的示例性过程700a和700b。过程700a(在图7A中描绘)开始于框705a至705e，其中接收与可能、很可能或确认患有多发性硬化症的受试者有关的输入识别信息。在不同的框处接收的输入可以在不同的时间、从不同的计算系统以及与不同的使用者相关联地接收。可以经由由基于云的应用系统生成和/或管理的界面(例如，基于网页或基于应用程序的界面)来接收输入。

在框705a处，接收识别受试者所经历的一种或多种症状和/或受试者的临床评定的输入。症状可以包括如本文所识别的一种或多种多发性硬化症症状、一种或多种神经症状和/或与一个或多个功能系统相关联的一种或多种症状。临床评定可以包括(例如)评定受试者的活动能力、受试者的残疾(例如，根据定义的残疾量表，诸如EDSS)、确定进行给定任务(例如，步行特定距离，进行peg测试等)所需的时间、识别任务进行(例如，记忆任务、认知任务等)的准确性等等。在框705a处接收的输入可以来自(例如)护理提供者、医师、神经科医师、执业护士、护士、医师办公室、医院和/或受试者。

在框705b处，接收识别与受试者相关联的一个或多个检查结果的输入。检查结果可以包括用于诊断和/或评定多发性硬化症的一项或多项检查(诸如第II部分中确定的检查(例如，MRI、CSF分析、视觉诱发电位检查和/或血液检查))的结果。在框705b处接收的输入可以来自(例如)实验室技术人员、放射科医师、实验室和/或成像中心。

在框705c处，接收识别受试者的可能的、很可能的或确认的诊断的输入。诊断可包括神经系统疾病、多发性硬化症或亚型多发性硬化症(例如，在第II部分中确定的一种)。在框705c处接收的输入可以来自(例如)神经科医师、医师、护士、执业护士、医生办公室或医院。

在可选框705d处，接收识别受试者的治疗的输入。该治疗可以是已经或正在为受试者开出的一种治疗或正在为受试者考虑的一种治疗。该治疗可以包括多发性硬化治疗，诸如在本文中(例如，在第II部分中)所描述的一种治疗。

在可选框705e处，接收识别受试者的自我评定的输入。受试者的自我评定可以对应于健康、症状表现、精神状态、活动水平、社交参与、治疗目标等。在一些情况下，在框705e处接收的至少一些输入可响应于生活质量调查，诸如多发性硬化症生活质量54问卷。

应认识到，在给定框处接收的输入可以被多次接收。例如，可以多次报告框705a处的症状标识(例如，反映症状的当前状态)。

在框710处，输入被用于使用基于云的应用程序来生成和/或更新特定受试者的记录。在一些情况下，为了输入该输入，使用者可能需要首先定位现有记录或创建新记录。在一些情况下，输入被自动接受，并且云系统确定受试者识别信息是否与记录充分匹配(并且若否，则可以生成新记录)。由每个输入传送的数据可与时间戳和源相关联。在一些情况下，数据被处理(例如，以便于以更结构化和/或标准的形式存储数据)。例如，可以将特定数字转换为范围，可以经由图像处理来处理MRI图像以生成统计数据，等等。

在可选框715处，生成记录快照。可以在定义的时间或以定义的时间间隔或响应于特定类型的输入生成记录快照。例如，可以在检测到新的诊断、治疗、症状和/或MRI结果时生成新的快照。快照可以包括一组字段中的每个字段的值。该一组字段可以表征对应受试者(例如，经由人口统计信息、病史和/或行为模式)、诊断、诊断历史、当前治疗、治疗历史(例如，接受了哪些治疗，持续了哪些持续时间，和/或在哪些时间周期期间)、当前症状、症状历史和/或最近的自我评定。所有这些字段的值可能并非全部同时被提供。因此，基于云的应用程序可以识别快照触发输入中未提供的字段的最新值。在一些情况下，若最新值足够旧，则可以在快照中将其略去或对其标记。

在框720处，向数据存储查询包括对应于特定治疗的过去数据的其他记录。特定治疗可以是受试者正接受的一种治疗或正为受试者考虑的一种治疗。在一些情况下，查询包括时间约束，诸如要求特定治疗至少在一年前开始(使得后续数据可能可用)。在一些情况下，查询进一步包括受试者的一个或多个属性(例如，年龄、地理信息、疾病类型、从最初的多发性硬化诊断开始的持续时间、残疾等)。在这些情况下，可以执行查询以识别指示对应受试者在相对于特定治疗开始时的特定时间(或时间周期)具有这些属性的记录。例如，这些属性可以是在特定治疗开始时或之前不久与受试者相关联的那些属性。又如，该特定时间可以是给定受试者(在框705a至705e处提供了其输入)已接受特定治疗的时间长度。因此，可以使用快照来进行查询以促进时间依赖性限制。

值得注意的是，虽然可以利用第一时间约束来进行查询(例如，以便搜索将特定属性与特定治疗开始的时间相关联的记录和/或快照)，但是查询所返回的数据可以与不同的时间周期(例如，治疗开始后大约一年、使用特定治疗的前两年、特定治疗开始与特定治疗终止之间的时间)相关联。因此，例如，查询约束可以指示受试者在开始治疗时将具有少于5个病变，而查询的结果可以指示病灶的数量在治疗被使用期间是如何变化的。

在框725处，响应于查询而提供的记录被分成两个或更多个亚群组。每个亚群组可以对应于对治疗的不同类型的反应。例如，亚群组可以在以下方面各不相同：受试者接受治疗的时间长短(例如，越长的持续时间表明越高的疗效)、MRI进展、残疾进展、症状发生率、跨MS亚型的进展(例如，从复发缓解到继发进展)和/或其组合。该亚群组划分可以基于数据点来确定，该数据点是在对应于治疗周期的时间窗之内(例如，在从治疗开始起的限定时间周期之内或在治疗开始到使用另一种治疗时之间)从记录采集的。

在框730处，分类器用于基于受试者的特性将受试者分配给亚群组中的一个。分类器可以包括(例如)聚类分类器、神经网络(例如感知器、决策树、随机森林、逻辑回归、线性回归、最近邻、朴素贝叶斯)、成分分析分类器等。分类器可以学习识别与每个亚群组相关联的一个或多个特征并生成相似性度量，该相似性度量评定受试者的概况与给定类别(例如，与一个或多个其他亚群组)的相似程度。分类可以指示关于受试者是否将对治疗作出反应和/或对治疗作出反应的程度的预测。

在框735处，基于在框730处生成的分类，生成对应于治疗预测或建议的输出。例如，输出可以识别：关于受试者是否将对治疗作出反应的二元预测、受试者将对治疗作出反应的概率、进行治疗的受试者在时间周期内的预测进展、进行治疗的受试者在时间周期内的MRI统计数据的预测变化、进展为另一种疾病亚型的概率等。输出可以呈现在和/或传输到(例如)与护理提供者、神经科医师、医师或受试者相关联的装置。在一些情况下，针对多个治疗方案中的每一个重复过程700a，使得可以识别与受试者的最有利预测结果相关联的治疗方案。

在一些情况下，部分或全部的框740至755是自动进行的。例如，响应于接收到关于受试者的特定类型的输入(例如，MRI或残疾进展的标识、正在为受试者使用或考虑的新治疗的标识、或受试者的MS亚型的新诊断的标识)，可以以常规时间间隔执行框720处的查询。查询可以被结构化为包括约束，该约束识别正为受试者使用或考虑的特定治疗，如受试者的记录中所反映。针对满足约束的那些记录，查询可以请求特定的预定义字段值(例如，对应于MRI结果、复发检测、残疾评定、不良事件、后续治疗变化、受试者属性、诊断和/或先前使用的药物)。所请求的特定预定义字段值可以与相对于特定治疗的开始的预定义时间周期(例如，治疗的第一年、治疗的前两年或治疗的持续时间)相关联。

又如，在框725处，可以使用自动化技术或预定义标准来划分记录。自动化技术可以包括(例如)应用于MRI变化数据、残疾变化数据或治疗长度使用数据的聚类算法。预定义标准可以基于(例如)以下来分离记录：在治疗周期期间检测到的新病变的阈值数量、在治疗周期期间检测到的残疾评分的变化和/或在治疗周期期间检测到的复发的次数。

自动化处理的一个好处是其可以将记录数据与接收在框735处生成的输出的使用者屏蔽。也即是说，使用者或使用者装置可能无法访问来自框720处的查询所检索到的记录的特定值。这可以促进数据隐私，同时继续利用大数据。

在一些情况下，响应于输入(例如，来自与提供在任意框705a至705e处接收的输入的使用者相同或不同的使用者)而进行部分或全部的框720至735。例如，使用者输入可以在检测到约束满足时选择要经由查询(在框720处)检索的记录值的字段，并且/或者使用者输入可以识别用于在框725处将查询结果记录分成亚群组的标准。在使用者更主动地控制框720至725的情况下，数据呈现和/或可视化可以进行抽象、模糊和/或概括以保护数据隐私。例如，可以呈现各种字段的值的分布和/或统计数据(例如，表示由查询检索到的记录)，而非呈现特定的字段值。甚至可以针对各个字段呈现分布和/或统计数据，而不是呈现多变量分布和/或统计数据以再次偏离呈现识别信息或个人信息。

图7B中描绘的过程700b示出了用于使用受试者记录来为治疗预测或建议提供信息的另一技术。图7B中描绘的框705a至705e、710和715可以对应于图7A中描绘的类似编号的框。在框740处，向数据存储查询包括对应于受试者记录的过去数据的对应记录。例如，查询可以识别与其输入在框705a至705e处接收的受试者相关联的一种或多种症状、检查结果、诊断(例如，对多发性硬化症亚型)、治疗和/或自我评定。在一些情况下，查询包括经由框705a至705e处的输入接收的一个或多个值、或其处理版本。例如，框705a处的输入可以将给定受试者识别为27岁、居住在特定地址爱荷华州得梅因、具有8个T2扫描MRI病变，而查询约束可以指定目标快照是与21至30岁、居住在美国、有6至10个T2病变的受试者相关联。

在一些情况下，对于一组其他受试者快照中的每一个，使用与其输入在框705a至705e接收的给定受试者相关联的快照或记录的至少一部分并基于其他受试者快照的至少一部分，生成相似性评分。不同的字段可以与不同的权重相关联以生成评分。框740然后可以包括：识别其评分高于预定义阈值(例如，在最高百分位数之内或高于特定值)的其他受试者快照。

如上文相对于图7A的框720所描述，虽然可以利用第一时间约束来在图7B中的框740处进行查询(例如，以便搜索将特定属性与特定治疗开始的时间相关联的记录和/或快照)，但是查询所返回的数据可以与不同的时间周期(例如，治疗开始后大约一年、使用特定治疗的前两年、特定治疗开始与特定治疗终止之间的时间)相关联。因此，在一些情况下，查询的约束可以应用于单个快照(例如，使得单个快照要满足所有约束)，而检索到的记录信息然后可以对应于其他快照和/或记录的其他部分(与其约束被满足的相同受试者相关联)。

在框745处，查询结果记录基于治疗被划分成亚群组。例如，每个查询结果可以对应于对应记录的识别与给定治疗开始、被使用和/或被终止的时间相对应的数据点一部分。因此，对于给定受试者，可能识别多个查询结果，每个查询结果对应于不同的治疗。框745处的细分可以包括：识别独特的MS治疗并相应地划分查询结果。在一些情况下，多种治疗与单个群组相关联(例如，当多种治疗与相同或相似的作用机制相关联时)。例如，可以将干扰素β和醋酸格拉替雷分组到一起。又如，可以将富马酸二甲酯、富马酸单甲酯和富马酸地罗昔美分组到一起。又如，可以将奥瑞珠单抗、奥法木单抗、乌利妥昔单抗和利妥昔单抗分组到一起。

在框750处，为每个亚群组生成一个或多个反应统计数据。可以基于(例如)临床、MRI、对症、治疗决策、健康指数、不良事件和/或与期间接收治疗的时间周期相关联的复发数据来生成反应统计数据。反应统计数据可以反映绝对值(例如，绝对病变负荷和/或绝对残疾评分)和/或整个治疗周期的值变化(例如，自治疗开始以来病变负荷的变化和/或自治疗开始以来残疾评分的变化))。反应统计数据可以基于(例如)T2病变的数量、强化病变的数量、强化病变的累积数量、病变负荷、萎缩度量、复发的次数、残疾评分、健康指数、受试者保持治疗的时间长度、和/或本文公开的一种或多种其他MS相关变量。在一些情况下，反应统计数据基于多个度量。例如，反应统计数据可以包括指示受试者在时间周期内是否经历任何新病变、任何复发或任何残疾进展的二进制值。反应统计数据可以包括(例如)单变量分布、多变量分布、均值、中位数、众数、偏斜、范围、最大值、最小值和/或标准偏差。反应统计数据可以包括其特定类型的反应(例如，对应于未恶化)被观察到的受试者的百分比。

在框755处，生成于关于以下的一个或多个预测相对应的输出：与在框710处生成/更新的记录相关联的受试者将如何对一种或多种治疗中的每一种作出反应；和/或识别推荐治疗。关于受试者将如何对治疗作出反应的预测可以包括：为对应亚群组生成的反应统计数据。例如，若在该时间周期内服用给定药物，则该预测可以识别44％的机会使病变负荷和残疾保持稳定达至少两年。相对于与其他治疗相关联的统计数据，推荐治疗可以与一个或多个最有利的反应统计数据相关联。输出可以被传输到使用者装置和/或本地呈现(例如，向护理提供者、医师、神经科医师或受试者)。输出可以包括在框750处生成的一个、多个或所有反应统计数据，其可以与对应治疗相关联地识别。

如图7A所示，部分或全部的查询和后续处理可以自动地或响应于使用者输入进行。例如，预定义规则可以识别哪些受试者属性将在查询中使用(例如，以及它们将被如何概括)，或者使用者输入可以识别类似的信息。又如，预定义规程可以指示在框750处要生成什么类型的统计数据。再如，界面可以呈现(对于一种或多种类型的反应变量(例如，新病变计数、新复发计数、残疾进展、不良事件计数)中的每一种)每个亚群组的分布(例如，作为重叠线或单独的图表)。使用者然后可以选择目标反应变量并定义要为每种治疗类型生成的一个或多个统计数据。

图7A和图7B中描绘的过程700a和700b中的每一个可以有助于使用大数据处理来识别治疗。应认识到，类似的方法可用于产生预测预后(例如，与使用给定治疗相关联或与特定治疗无关)。

在一些情况下，数据存储可用于生成更一般的治疗预测和/或指示(例如，不一定与个体受试者相关)。图8描绘了示出用于使用快照数据存储来生成高级治疗反应预测和/或指示的示例性过程800的流程图。过程800开始于框805，其中向数据存储查询包括受试者接受了特定治疗的指示的记录。查询可以指定特定治疗将至少在特定日期(例如，1年多前、2年多前、5年多前)开始。在一些情况下，查询进一步指定一个或多个其他约束，受试者在开始特定治疗时将患有此类多发性硬化症亚型。在框805处查询的数据存储可以包括基于本文公开的一种或多种输入类型和/或变量生成的数据存储。在一些情况下，数据存储包括与每个个体受试者相关联的一组快照，以反映估计的时间同步数据点。

在框810处，为每个查询响应性记录识别目标持续时间。目标持续时间可以对应于从特定治疗开始时开始的并且将在其内评定一个或多个反应度量的时间周期。在一些情况下，目标持续时间跨查询响应性记录是相同的(例如，一年、两年、五年)。在一些情况下，目标持续时间被定义为在其内使用特定治疗的时间周期。在一些情况下，目标持续时间是特定治疗的使用周期和特定时间中的较短者。

在框815处，查询结果记录被分成治疗反应亚群组。可以根据一种或多种技术和/或基于关于过程700a(如图7A中所描绘)中的框725描述的一个或多个变量来划分记录。在一些情况下，记录被划分为两个亚群组(对应于进展和无进展；新病变和无新病变；新症状和无新症状；中度严重不良事件和无或轻微不良事件；使用治疗达至少阈值时间量以及使用治疗达少于阈值时间量)。在一些情况下，亚群组分配取决于多于一个的变量。在一些情况下，存在两个以上的亚群组。

用于记录划分的变量值可能已从与在框810中识别的目标持续时间相关联的记录条目提取。例如，若目标持续时间被识别为一年，则对于每个查询结果记录，可以在记录中搜索表示治疗反应性(例如，MRI数据、临床评定、药物状态)并与治疗开始后大约一年的时间戳相关联的条目。又如，若目标持续时间被识别为治疗持续时间，则可以识别与在治疗开始之后的时间戳相关联并且延伸经过指示药物变化的快照的所有快照。因此，若受试者于2013年4月开始接受治疗并于2016年5月终止治疗，则受试者在2017年10月的病变计数或残疾可能(确定目标持续时间)与记录的细分无关。

在框820处，为每个亚群组生成一个或多个汇总属性统计数据。汇总统计数据可以表征在受试者开始接受特定治疗时亚群组中的受试者的属性。汇总属性统计数据可以对应于(例如)受试者的年龄、性别、纬度、居住州、居住国、MS的亚型、用药历史、病变计数、病变负荷、残疾评分、活动能力指标、助行器使用、合并症状态、受症状影响的功能系统和/或自最初诊断MS以来的时间长度(同样，所有这些都在开始治疗的时间点进行考虑)。汇总属性统计数据可以包括均值、中位数、众数、范围、最小值、最大值、异常值、分布、偏斜等。

在框825处，生成对应于治疗指示和/或预测的输出。例如，输出可以识别与特定治疗对其有效的亚群组相关联的属性特性(例如，经由一个或多个属性特性)，并且可以识别与特定治疗对其无效的另一亚群组相关联的属性特征。在一些情况下，在输出中表示一组评定的属性中的子组的特性。例如，在框820成，对于一组属性中的每一个，可以生成p值(或其他显著性指标)以指示属性能够在亚群组之间区分的程度。然后在框825处生成的输出可以包括与低于阈值的p值相关联的每个属性的亚群组特定的统计数据(或其中另一显著性指标指示显著的亚群组区别)。在一些情况下，进行多变量分析以识别最能预测亚群组分配的属性，并且该输出表征一个、多个或所有亚群组中的那些属性的值。

在一些情况下，框825包括：生成新的治疗指示。例如，属性统计数据可以指示特定治疗在由小于50岁且EDSS评分小于3.5的RRMS MS患者使用时特别适合(例如，根据使用持续时间所确定)。又如，属性统计数据可以指示当由具有大于6.0的EDSS评分的RRMS患者使用时，特定治疗与特定快速进展相关。然后可以进行后续分析以评定：与当一种或多种其他治疗(或没有治疗)被接受时相比，当特定治疗被接受时，这些受试者群体中的一个之间是否存在显著差异。如果是，则可以采用治疗策略以通过以下方法确定是否推荐或使用针对给定受试者的特定治疗：确定给定受试者的属性是否对应于群体中的一个。

在一些情况下，不是将查询结果记录划分为亚群组以评定受试者属性如何与治疗反应相关，而是可以将治疗反应识别为非二进制数字。例如，治疗反应可包括：受试者保持治疗的周数、在进行治疗期间两年内检测到的新病变的数量、治疗第一年内数值健康指数的变化等等。然后可以训练模型以基于受试者的属性来预测治疗反应。例如，可以使用回归模型或前馈神经网络。经训练的模型可以随后处理表示另一受试者的属性的输入数据集，以预测受试者将如何对治疗作出反应。还可以评定习得参数以确定哪些受试者属性与高权重相关联(例如，相对地指示它们在生成输出预测时相对地有影响)。

IV.实例

图9A至图9F描绘了被配置成接收输入以构建多发性硬化症记录数据存储的示例性界面。图9A示出了包括多个可编辑区段的界面，该多个可编辑区段识别与可能、很可能或确认患有多发性硬化症的特定受试者相对应的信息。“人”区段905包括受试者的多个标识符(标识号和姓名)、当前居住地、出生地、联系信息(电话号码、电子邮件地址)、保险信息和当前状况(指示活着或死亡)。人区段905进一步识别受试者签署知情同意书的日期，该知情同意书允许一个或多个护理提供者将关于受试者的信息上传到提供界面的计算系统，并且使上传的信息以特定方式使用。可以通过界面的另一页面上传自我签署的知情同意书的副本，以便检查协议。人区段905进一步识别受试者的年龄，该年龄可以在时间上自动更新。

“人口统计、病史”区段910包括对以下的指示：受试者是否患有一组任何其他疾病中的任一疾病、受试者是否有多发性硬化症或其他自身免疫性疾病的家族史、吸烟史、饮酒量表征、就业和婚姻状况、教育水平、以及民族。

“病症发生”区段915可以识别受试者被诊断患有的MS的亚型、估计出受试者的多发性硬化症自我呈现的日期以及残疾评分。经由与病症发生区段915的交互，可以进一步识别症状表征。

测量区段920可以包括来自临床、实验室或成像评定的结果。

治疗区段925可以识别由受试者接受的每种MS治疗、对症治疗和非药物治疗以及对应于每种治疗的日期。治疗区段925可进一步识别受试者响应于治疗所经历的一个或多个不良事件。

与治疗区段925交互可以：允许使用者选择一种或多种MS治疗(例如，阿仑单抗、硫唑嘌呤(azatioprina)、克帕松(copaxone)、达利珠单抗(deaclizumab)、富马酸二甲酯、甲氨蝶呤(methotrexate)、米托蒽醌、那他珠单抗、干扰素、奥瑞珠单抗、芬戈莫德、利妥昔单抗、特立氟胺等等，或无治疗)；指示任何不良事件信息(例如，是否为病原体：细菌/真菌/病毒/寄生虫/未知；不良事件的发生/解决日期，不良事件是否需要住院治疗；CTCAE毒性等级(1至5和/或结果)；和/或确定一种或多种症状治疗(例如泼尼松、可的松(cortisone)、地塞米松(dexametasone)、氢化可的松(hydroortisone)、甲基泼尼松龙、泼尼松)。界面可以被进一步配置成针对每种MS和/或症状治疗来接收剂量、单位、周期、途径(皮下、肌肉内、静脉内、口服等等)、开始/结束日期和/或结束治疗的原因。使用者进一步能够识别受试者正使用的一种或多种非药物治疗(例如，物理疗法、瑜伽、疫苗接种等)。

图9B示出了被配置成接收来自MRI评定的结果的示例性界面。然后，通过该界面输入的数据将变得可经由图9A所示界面的测量区段920访问。如图所示，图9B的界面被配置成接受：识别检查日期的输入；对哪个中枢神经系统区域进行了成像；是否采集了T1图像；关于T1图像是正常、典型的MS，还是异常的、非典型的MS的指示(经由“T1类型”字段)；T1图像中可检测到的病变的计数；是否施用了钆；钆施用之后采集的T1图像是正常的、典型的MS，还是异常的、非典型的MS；以及对比强化病变的数量的计数。该界面被进一步配置成接受：指示是否采集了T2图像的输入；关于T2图像是正常的、典型的MS，还是异常的、非典型的MS的指示(经由“T2类型”字段)；以及在T2图像中能够检测到的病变的计数。该界面进一步被配置成：接受指示多种类型的病变中的每一种的数量的输入，这些病变完全是MS的特性(幕下、皮质旁、脑室周围和毗连)；以及接受多个检测到的黑色孔洞。

可以接收对应于测量区段920的数据的另一界面(未示出)可以被配置成接收血液学数据。血液学数据可以包括对应于以下的度量：红细胞计数、血红蛋白计数、血小板计数、白细胞计数、淋巴细胞计数、T细胞计数、CD4 T细胞计数、CD8 T细胞计数、CD19 B细胞计数、NK细胞计数、中性粒细胞计数、单核细胞计数、嗜酸性粒细胞计数和/或嗜碱性粒细胞计数。

可以接收对应于测量区段920的数据的一个或多个其他界面(未示出)可以被配置成接收血液化学数据、甲状腺功能数据、血清学数据和/或自身抗体检查数据。血液化学数据可以表征总蛋白计数、白蛋白计数、SGOT/AST计数、SGPT/ALT计数、γ-GT计数、胆红素计数、碱性磷酸盐计数、钙计数、尿素计数、尿酸计数、肌酸计数、淀粉酶计数、脂肪酶计数和/或维生素D水平。甲状腺功能数据可以表征T3、T4、TSH、抗微粒体抗体和/或抗甲状腺球蛋白抗体的水平。血清学数据可以指示：抗JC病毒的存在、受试者尿液中JC病毒DNA的存在、HBV抗原的存在、抗HCV的存在、抗HIV的存在、抗水痘的存在、来自QuantiFERON Gold检查的结果、来自曼透氏试法的结果、中和抗那他珠单抗的存在、和/或妊娠试验的结果。自身抗体数据可以指示以下的存在或不存在：NMO-IgG、抗MOG、ANA、抗线粒体、抗壁细胞、ASMA、抗Ro、La、Sm、RNP、Sci-70、Jo1、抗DNA、ANCA、抗LKM、抗心磷脂、LAC和/或抗转谷氨酰胺酶。

图9C示出了被配置成接收来自MRI评定的结果的示例性界面。然后，通过该界面输入的数据将变得可经由图9A所示界面的测量区段920访问。如图所示，9C的界面被配置成接受：识别从受试者采集脑脊液的日期的输入；CSF是否被确定为对应于正常样品、典型MS的样品、非典型MS的异常样品、或对应于创伤的样品；是否在CSF中检测到寡克隆带；检测到的寡克隆带的数量；是否在CSF中检测到JC病毒DNA；以及IgG指数。

图9D示出了被配置成接收来自诱发电位的结果的示例性界面。诱发电位可包括：响应于体感刺激产生的感觉诱发电位(SSEP)、响应于听觉刺激产生的诱发电位(BAEP)、响应于视觉刺激产生的诱发电位(VEP)或运动诱发电位(MEP)。可以在身体右侧或左侧的对应皮层区域检测电位。如图9D所描绘的界面被配置成识别多种类型的诱发电位中的每一种是正常的、异常的还是未知的。

图9A至图9D中检测到的界面中的每一个都对护理提供者可访问。其他界面被进一步用于被诊断患有MS的受试者。图9E示出了面向受试者的界面，该界面包括关于受试者的记录中可用的数据类型的精选细节。图9F示出了受试者可访问的示例性调查问题。可以在不同时间向受试者呈现各种问题，并且可以呈现指示有新问题可用的通知。问题可以对应于可用于确定受试者的健康指数的健康导向问题。

虽然该实例提供了说明性界面配置和所设想的数据，但也设想了其他界面配置和数据变量。例如，界面可以被配置成接收本文公开的任何类型的疾病表征、本文公开的任何类型的症状表征、任何类型的治疗表征、本文公开的任何类型的受试者属性、本文公开的任何类型的临床评定、本文公开的任何类型的医学检查或成像结果等。

图9A至图9F举例说明了界面，使用者可以通过这些界面提供表征受试者的属性、诊断、治疗和其他信息的信息。该信息可用于支持大数据分析，以评定特定治疗的一般或在特定情况下的疗效。该信息可进一步或可替代地可用于生成查询和/或定义要进行的处理，该处理使用其他记录以便生成与关于治疗反应性的记录相关联的个体受试者的预测。

V.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。

本描述仅提供优选的示例性实施例，并且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本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。

VI.其他实例

第一实例包括一种方法，该方法包括：在基于云的应用程序服务器处，接收识别多发性硬化症的治疗的查询并使用治疗的标识符来查询数据存储，该数据存储已经至少部分地基于从护理提供者实体的分布式集合接收的输入来填充。第一实例的方法进一步包括：响应于该查询接收一组受试者标识符，其中一组受试者标识符中的每个受试者标识符指示对应于该受试者标识符的受试者接受了治疗。第一实例的方法进一步包括：对于一组受试者标识符中的每个受试者标识符，基于数据存储中的数据，确定与该受试者标识符对应的受试者开始治疗的时间；以及从与该受试者标识符相关联的一个或多个记录中提取：指示治疗的结果的一个或多个度量；以及一个或多个受试者属性。一个或多个度量的提取至少部分地基于开始治疗的时间，并且一个或多个受试者属性中的每一个反映记录对应受试者的特性或医学检查的结果。第一实例的方法还进一步包括：基于提取的度量和提取的受试者属性，生成另一受试者对治疗的预测反应性；以及输出对应于预测反应性的结果。

第二实例包括根据第一实例所述的方法，其中对于一组受试者标识符中的每个受试者标识符，数据存储包括一组受试者相关快照(一组受试者相关快照中的每一个对应于特定时间并且受试者对应于受试者标识符)；与一组受试者相关快照中的子组中的每个快照与治疗相关联；并且从一组受试者相关快照的子组中提取一个或多个度量。

第三实例包括根据第二实例所述的方法，其中对于一组受试者相关快照中的至少一些，一个或多个度量中的至少一个被定义为：在确定数据存储不包括针对受试者的与在特定时间之前的不同时间之后且不超过对应于快照的特定时间的时间相关联的另一度量值时，来自不同时间的度量值。

第四实例包括根据第一至第三实例中任一个所述的方法，其中指示治疗的结果的一个或多个度量包括基于MRI结果的一个或多个绝对或相对统计数据。

第五实例包括根据第一至第四实例中任一个所述的方法，其中指示治疗的结果的一个或多个度量包括基于复发报告的一个或多个绝对或相对统计数据。

第六实例包括根据第一至第五实例中任一个所述的方法，其中指示治疗的结果的一个或多个度量包括基于进展评定的一个或多个绝对或相对统计数据。

第七实例包括根据第一至第六实例中任一个所述的方法，其中指示治疗的结果的一个或多个度量包括基于残疾评定的一个或多个绝对或相对统计数据。

第八实例包括根据第一至第七实例中任一个所述的方法，该方法进一步包括：使用提取的度量和提取的受试者属性来训练机器学习模型，其中使用经训练的机器学习模型来生成预测反应性。

第九实例包括根据第一至第八实例中任一个所述的方法，该方法进一步包括使用度量将一组受试者标识符分成两个或更多个群组；以及基于与该另一受试者相关联的其他受试者度量将该另一受试者分配到两个或更多个群组中的群组，其中基于群组分配生成预测反应性。

第十实例包括根据第一至第九实例中任一个所述的方法，其中一个或多个受试者属性中的每一个包括与受试者开始治疗的时间相关联的受试者属性。

第十一实例包括根据第一至第十实例中任一个所述的方法，其中接收的查询进一步包括该另一受试者的一个或多个特定属性，并且其中基于一个或多个特定属性进行查询。

第十二实例包括根据第一至第十一实例中任一个所述的方法，其中一个或多个特定属性包括该另一受试者先前接受的另一治疗的标识。

第十三实例包括根据第一至第十二实例中任一个所述的方法，该方法进一步包括：基于结果预测该治疗将有效地治疗该另一受试者的多发性硬化症；以及利用该治疗来治疗该另一受试者。

Claims (13)

1.一种方法，其包括：

在基于云的应用程序服务器处接收识别多发性硬化症的治疗的查询；

使用所述治疗的标识符来查询数据存储，所述数据存储已经至少部分地基于从护理提供者实体的分布式集合接收的输入来填充；

响应于所述查询接收一组受试者标识符，其中所述一组受试者标识符中的每个受试者标识符指示对应于所述受试者标识符的受试者接受了所述治疗；

对于所述一组受试者标识符中的每个受试者标识符：

基于所述数据存储中的数据，确定对应于所述受试者标识符的所述受试者开始所述治疗的时间；以及

从与所述受试者标识符相关联的一个或多个记录提取：

指示所述治疗的结果的一个或多个度量；以及

一个或多个受试者属性，其中所述一个或多个度量的所述提取至少部分地基于所述治疗开始的所述时间，并且其中所述一个或多个受试者属性中的每一个反映记录对应受试者的特性或医学检查的结果；

基于提取的度量和提取的受试者属性，生成另一受试者对所述治疗的预测反应性；以及

输出与所述预测反应性相对应的结果。

2.根据权利要求1所述的方法，其中对于所述一组受试者标识符中的每个受试者标识符：

所述数据存储包括一组受试者相关快照，所述一组受试者相关快照中的每一个对应于特定时间，并且所述受试者对应于所述受试者标识符；

所述一组受试者相关快照中的子组中的每个快照与所述治疗相关联；并且

所述一个或多个度量是从所述一组受试者相关快照中的所述子组提取的。

3.根据权利要求2所述的方法，其中对于所述一组受试者相关快照中的至少一些，所述一个或多个度量中的至少一个被定义为：在确定所述数据存储不包括针对所述受试者的与在所述特定时间之前的不同时间之后且不超过对应于所述快照的所述特定时间的时间相关联的另一度量值时，来自所述不同时间的度量值。

4.根据权利要求1至3中任一项所述的方法，其中指示所述治疗的结果的所述一个或多个度量包括基于MRI结果的一个或多个绝对或相对统计数据。

5.根据权利要求1至4中任一项所述的方法，其中指示所述治疗的结果的所述一个或多个度量包括基于复发报告的一个或多个绝对或相对统计数据。

6.根据权利要求1至5中任一项所述的方法，其中指示所述治疗的结果的所述一个或多个度量包括基于进展评定的一个或多个绝对或相对统计数据。

7.根据权利要求1至6中任一项所述的方法，其中指示所述治疗的结果的所述一个或多个度量包括基于残疾评定的一个或多个绝对或相对统计数据。

8.根据权利要求1至7中任一项所述的方法，其进一步包括：

使用所述提取的度量和所述提取的受试者属性来训练机器学习模型，其中所述预测反应性是使用经训练的机器学习模型生成的。

9.根据权利要求1至8中任一项所述的方法，其进一步包括：

使用所述度量将所述一组受试者标识符分成两个或更多个群组；以及

基于与所述另一受试者相关联的其他受试者度量将所述另一受试者分配到所述两个或更多个群组中的群组，其中基于群组分配生成所述预测反应性。

10.根据权利要求1至9中任一项所述的方法，其中所述一个或多个受试者属性中的每一个包括与所述受试者开始所述治疗的时间相关联的所述受试者的属性。

11.根据权利要求1至10中任一项所述的方法，其中接收的查询进一步包括所述另一受试者的一个或多个特定属性，并且其中基于所述一个或多个特定属性进行所述查询。

12.根据权利要求11所述的方法，其中所述一个或多个特定属性包括所述另一受试者先前接受的另一治疗的标识。

13.根据权利要求1至12中任一项所述的方法，其进一步包括：

基于所述结果预测所述治疗将有效地治疗所述另一受试者的多发性硬化症；以及

用所述治疗来治疗所述另一受试者。

Images