CN116963662A - 基于网络的医疗设备控制和数据管理系统 - Google Patents
基于网络的医疗设备控制和数据管理系统 Download PDFInfo
- Publication number
- CN116963662A CN116963662A CN202280019385.9A CN202280019385A CN116963662A CN 116963662 A CN116963662 A CN 116963662A CN 202280019385 A CN202280019385 A CN 202280019385A CN 116963662 A CN116963662 A CN 116963662A
- Authority
- CN
- China
- Prior art keywords
- data
- nds
- aspects
- network
- medical device
- 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
- 238000013523 data management Methods 0.000 title claims description 53
- 238000000034 method Methods 0.000 claims abstract description 689
- 230000006870 function Effects 0.000 claims abstract description 593
- 238000004458 analytical method Methods 0.000 claims abstract description 267
- 230000008569 process Effects 0.000 claims abstract description 207
- 238000005192 partition Methods 0.000 claims abstract description 197
- 238000010801 machine learning Methods 0.000 claims abstract description 89
- 230000036541 health Effects 0.000 claims abstract description 49
- 238000013480 data collection Methods 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims description 321
- 238000012545 processing Methods 0.000 claims description 284
- 238000004891 communication Methods 0.000 claims description 212
- 230000001225 therapeutic effect Effects 0.000 claims description 127
- 238000011160 research Methods 0.000 claims description 90
- 230000001105 regulatory effect Effects 0.000 claims description 60
- 238000003860 storage Methods 0.000 claims description 53
- 230000001276 controlling effect Effects 0.000 claims description 45
- 230000002776 aggregation Effects 0.000 claims description 44
- 238000004220 aggregation Methods 0.000 claims description 44
- 230000035790 physiological processes and functions Effects 0.000 claims description 30
- 238000013501 data transformation Methods 0.000 claims description 25
- 230000004048 modification Effects 0.000 claims description 25
- 238000012986 modification Methods 0.000 claims description 24
- 230000000069 prophylactic effect Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 13
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 12
- 230000002685 pulmonary effect Effects 0.000 claims description 12
- 238000013502 data validation Methods 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims 1
- 239000000306 component Substances 0.000 description 587
- 230000037406 food intake Effects 0.000 description 84
- 238000007726 management method Methods 0.000 description 65
- 239000013315 hypercross-linked polymer Substances 0.000 description 53
- 238000004422 calculation algorithm Methods 0.000 description 49
- 230000004044 response Effects 0.000 description 44
- 238000012544 monitoring process Methods 0.000 description 41
- 238000012360 testing method Methods 0.000 description 39
- 230000008094 contradictory effect Effects 0.000 description 37
- 238000011282 treatment Methods 0.000 description 37
- 230000005540 biological transmission Effects 0.000 description 35
- 230000000875 corresponding effect Effects 0.000 description 30
- 230000009471 action Effects 0.000 description 28
- 230000000694 effects Effects 0.000 description 27
- 230000004224 protection Effects 0.000 description 23
- 238000004140 cleaning Methods 0.000 description 22
- 238000007405 data analysis Methods 0.000 description 22
- 238000007667 floating Methods 0.000 description 22
- 238000001514 detection method Methods 0.000 description 21
- 230000006872 improvement Effects 0.000 description 21
- 238000012384 transportation and delivery Methods 0.000 description 20
- 238000013500 data storage Methods 0.000 description 19
- 238000002079 electron magnetic resonance spectroscopy Methods 0.000 description 19
- 238000001914 filtration Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 19
- 238000000605 extraction Methods 0.000 description 18
- 238000011161 development Methods 0.000 description 17
- 230000018109 developmental process Effects 0.000 description 17
- 238000003058 natural language processing Methods 0.000 description 17
- 238000013475 authorization Methods 0.000 description 16
- 238000005259 measurement Methods 0.000 description 16
- 230000009466 transformation Effects 0.000 description 16
- 239000000203 mixture Substances 0.000 description 14
- 238000002560 therapeutic procedure Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000007689 inspection Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 11
- 238000012546 transfer Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 10
- 239000008186 active pharmaceutical agent Substances 0.000 description 9
- 238000013459 approach Methods 0.000 description 9
- 230000033228 biological regulation Effects 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000002618 extracorporeal membrane oxygenation Methods 0.000 description 9
- 230000001976 improved effect Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 229910052760 oxygen Inorganic materials 0.000 description 9
- 238000012552 review Methods 0.000 description 9
- 238000003491 array Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 210000000748 cardiovascular system Anatomy 0.000 description 8
- 201000010099 disease Diseases 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 230000000670 limiting effect Effects 0.000 description 8
- 238000012913 prioritisation Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 230000001960 triggered effect Effects 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 208000025174 PANDAS Diseases 0.000 description 7
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 7
- 240000004718 Panda Species 0.000 description 7
- 235000016496 Panda oleosa Nutrition 0.000 description 7
- 101710127370 Probable head completion protein 1 Proteins 0.000 description 7
- 102100022985 Protein arginine N-methyltransferase 1 Human genes 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 239000000872 buffer Substances 0.000 description 7
- 230000000747 cardiac effect Effects 0.000 description 7
- 239000003814 drug Substances 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 238000012163 sequencing technique Methods 0.000 description 7
- 230000008093 supporting effect Effects 0.000 description 7
- 238000013478 data encryption standard Methods 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 230000008520 organization Effects 0.000 description 6
- 230000004962 physiological condition Effects 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 238000003672 processing method Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000013079 data visualisation Methods 0.000 description 5
- 238000001152 differential interference contrast microscopy Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000007717 exclusion Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 210000003734 kidney Anatomy 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 238000000844 transformation Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 239000008358 core component Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000002651 drug therapy Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 210000000653 nervous system Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000003826 tablet Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 101100338479 Clostridium acetobutylicum (strain ATCC 824 / DSM 792 / JCM 1419 / LMG 5710 / VKM B-1787) hcp2 gene Proteins 0.000 description 3
- 108091005515 EGF module-containing mucin-like hormone receptors Proteins 0.000 description 3
- 101000652172 Homo sapiens Protein Smaug homolog 1 Proteins 0.000 description 3
- 102100030591 Protein Smaug homolog 1 Human genes 0.000 description 3
- 241000700605 Viruses Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000012517 data analytics Methods 0.000 description 3
- 238000013144 data compression Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 3
- 238000005755 formation reaction Methods 0.000 description 3
- 230000009474 immediate action Effects 0.000 description 3
- 208000023463 mandibuloacral dysplasia Diseases 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 101100468275 Caenorhabditis elegans rep-1 gene Proteins 0.000 description 2
- 102100023344 Centromere protein F Human genes 0.000 description 2
- 101001032016 Clostridium acetobutylicum (strain ATCC 824 / DSM 792 / JCM 1419 / LMG 5710 / VKM B-1787) Hydroxylamine reductase 1 Proteins 0.000 description 2
- 208000018428 Eosinophilic granulomatosis with polyangiitis Diseases 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000002155 anti-virotic effect Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000006213 oxygenation reaction Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- KIUKXJAPPMFGSW-DNGZLQJQSA-N (2S,3S,4S,5R,6R)-6-[(2S,3R,4R,5S,6R)-3-Acetamido-2-[(2S,3S,4R,5R,6R)-6-[(2R,3R,4R,5S,6R)-3-acetamido-2,5-dihydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-2-carboxy-4,5-dihydroxyoxan-3-yl]oxy-5-hydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-3,4,5-trihydroxyoxane-2-carboxylic acid Chemical compound CC(=O)N[C@H]1[C@H](O)O[C@H](CO)[C@@H](O)[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@H](O[C@H]2[C@@H]([C@@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O)[C@H](O3)C(O)=O)O)[C@H](O)[C@@H](CO)O2)NC(C)=O)[C@@H](C(O)=O)O1 KIUKXJAPPMFGSW-DNGZLQJQSA-N 0.000 description 1
- 208000007934 ACTH-independent macronodular adrenal hyperplasia Diseases 0.000 description 1
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 241000132092 Aster Species 0.000 description 1
- 208000023514 Barrett esophagus Diseases 0.000 description 1
- 101100220616 Caenorhabditis elegans chk-2 gene Proteins 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 241001672694 Citrus reticulata Species 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 208000032368 Device malfunction Diseases 0.000 description 1
- 208000033760 Device operational issues Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 241001191009 Gymnomyza Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101000822549 Homo sapiens Sterile alpha motif domain-containing protein 3 Proteins 0.000 description 1
- 244000035744 Hura crepitans Species 0.000 description 1
- 241000533950 Leucojum Species 0.000 description 1
- -1 MA-1 compound Chemical class 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 101100238610 Mus musculus Msh3 gene Proteins 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000287127 Passeridae Species 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 102100022468 Sterile alpha motif domain-containing protein 3 Human genes 0.000 description 1
- 241001178520 Stomatepia mongo Species 0.000 description 1
- 101710168651 Thioredoxin 1 Proteins 0.000 description 1
- 101710168624 Thioredoxin 2 Proteins 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 235000015107 ale Nutrition 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 230000000202 analgesic effect Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000000840 anti-viral effect Effects 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000009709 capacitor discharge sintering Methods 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000004186 co-expression Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011550 data transformation method Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000001804 debridement Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 210000005095 gastrointestinal system Anatomy 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 229920002674 hyaluronan Polymers 0.000 description 1
- 229960003160 hyaluronic acid Drugs 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000032297 kinesis Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000000120 microwave digestion Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 108010083018 monocyte locomotion inhibitory factor Proteins 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- SQMWSBKSHWARHU-SDBHATRESA-N n6-cyclopentyladenosine Chemical compound O[C@@H]1[C@H](O)[C@@H](CO)O[C@H]1N1C2=NC=NC(NC3CCCC3)=C2N=C1 SQMWSBKSHWARHU-SDBHATRESA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000000955 prescription drug Substances 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000036299 sexual function Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- HLXGRHNZZSMNRX-UHFFFAOYSA-M sodium;3-(n-ethyl-3,5-dimethylanilino)-2-hydroxypropane-1-sulfonate Chemical compound [Na+].[O-]S(=O)(=O)CC(O)CN(CC)C1=CC(C)=CC(C)=C1 HLXGRHNZZSMNRX-UHFFFAOYSA-M 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000348 solid-phase epitaxy Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 108060008226 thioredoxin Proteins 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Computer And Data Communications (AREA)
- Information Transfer Between Computers (AREA)
- Electrotherapy Devices (AREA)
Abstract
本发明提供用于控制医疗装置和相关系统的操作的新方法。装置经由安全互联网连接以流式方式收集和中继传感器数据,但也可在本地收集此类数据作为高速缓存数据。当某些事件发生时,所述装置还中继所收集高速缓存数据。装置数据由网络数据系统接收,所述网络数据系统分析所述数据并且基于此类分析而控制所述装置和其它网络装置的操作。所述医疗装置可包括多个分区,所述多个分区执行不同数据收集功能并且经历不同数据中继过程。所述系统可将受保护健康信息与被允许存取某些分析性数据的商业用户分隔开。在各方面中,所述系统在生成分析性数据时与例如客户关系管理系统的第三方数据库交互。在各方面中,机器学习过程用于改进此类系统的所述操作。
Description
相关申请的交叉参考
本申请要求于2021年9月24日提交的名称为基于网络的医疗设备控制和数据管理系统(NETWORK-BASED MEDICAL APPARATUS CONTROL AND DATA MANAGEMENT SYSTEMS)的当前同在申请中的美国专利申请第17/484,760号的优先权,所述美国专利申请要求于2021年1月7日提交的名称为安全多功能医疗设备控制和日期管理系统(SECURE MULTI-FUNCTIONAL MEDICAL APPARATUS CONTROL AND DATE MANAGEMENT SYSTEMS)的美国临时专利申请第63/134,951号的益处。本申请以引用方式并入这些上文参考的优先权申请的全部内容。
技术领域
本发明涉及被配置成在专用医疗装置数据网络中使用的医疗装置、用于控制此类装置的系统以及形成在此类装置与系统之间的网络。
背景技术
医疗装置在健康护理方面发挥越来越重要的作用。WHO估计,世界市场包含200万种不同种类的装置,分布在22,000个类别之上。现代医疗装置从传感器收集信息,实施不同水平的治疗/治疗性支持,或这两者。此类装置可显示相关信息或将警告提供到用户,例如健康护理提供者(“HCP”)。举例来说,US20200288988(阿比奥梅德公司(Abiomed,Inc.))公开了一种系统,所述系统测量其中插入有基于导管的心脏泵的血管中的流量,而不依赖于由驱动心脏泵的电动机汲取的电流的测量,其中泵耦合到信号生成器,所述信号生成器生成指示泵涡轮机速度的信号,反映血管中的流体流动的速度,并且与根据涡轮机旋转速度计算血液流动速率的其它组件耦合。
越来越多地,医疗装置数据可用于连接的计算机网络/系统,例如医院信息系统和电子医疗记录(“EMR”)。然而,当前市场中的电子数据系统在用户数目有限的情况下操作,处理有限类型的数据,或基于此类数据执行有限分析或操作,限制了此类系统的采用。尽管如此,针对管理和使用从医疗装置的网络(有时被称为“医疗物联网”(简称为“IoMT”))收集的数据,已提议了越来越复杂的方案。
如本文中所描述,开发全面的、有效的医疗装置数据管理和控制系统需要应用显著的本发明创造性,所述医疗装置数据管理和控制系统可以安全、合规且有效方式汇集、管理并且利用复杂的、集成的现代药物治疗环境的物理组件和数据组件两者,所述方式可由与此类系统交互的各种用户使用。本文中提供了此类本发明系统和相关方法。
构造、术语和首字母缩写词
此章节提供用于阅读本公开的指导原则。本公开的目标受众(“读者”)是实践本文中所论述或使用的技术的所属领域的普通技术人员。读者还可被称为“所属领域的技术人员”,并且此类技术被称为“所属领域技术”。例如“理解”、“已知”和“普通含义”的术语是指所属领域的技术人员的一般知识。
术语“不矛盾的”意味着不与基于所属领域的技术人员的知识的本公开、逻辑或合理性相矛盾。
此处公开了本发明的若干个不同但相关的示例性方面(“方面(aspect)”)(“情况”、“方面(facet)”或“实施例”)。本发明涵盖所有方面,如个别地描述且可通过此类个别方面的任何组合得出。本发明的广度和范围不应受到示例性实施例的限制。除非明确陈述此类要求,否则在本公开中的语言不应解释为指示任何元件/步骤是本发明的实践所必需的。不矛盾的是,任何方面可与任何其它方面组合。
不矛盾的是,此处所使用的所有技术/科学术语一般具有与所属领域的技术人员通常所理解相同的含义,而不管此处所提供的任何较窄实例或描述(包含最初以引用的方式引入的任何术语)。然而,由包含与此处所提供的特定描述相关联的元件、步骤等表征的方面是本发明的不同实施例。不矛盾的是,使用已知术语的任何方面的公开内容隐含地公开了其中此类术语使用所属领域的技术人员的最广泛合理解译替代地解译的相关方面,所述术语在本公开中通过实例或以其它方式变窄。
不矛盾的是,“或”在此处意味着“和/或”,而不管任意偶尔包含“和/或”(例如,例如“A、B、或C”和“A、B和/或C”的短语同时公开包含以下各项的方面:(1)所有A、B和C;(2)A和C;(3)A和B;(4)B和C;(5)仅A;(6)仅B;以及(7)仅C(并且还支持子分组,例如“A或B”、“A或C”等))。
不矛盾的是,“还(also)”意味着“还或替代地(also or alternatively)”。不矛盾的是,“此处(here)”和“本文中(herein)”意味着“在本公开中(in this disclosure)”。术语“尤其(i.a.)”(“ia”或“ia”)意味着“尤其(inter alia)”或“除其它之外(among otherthings)”。“还被称为(also known as)”简称为“又名(aka)”或“又名(AKA)”(并且可表示术语是同义词,即使所述术语在所属领域中未知)。“其它地方”意味着“本文中的其它地方”。
出于简洁性,在适当时使用符号。例如,“&”用于“和(and)”,并且“~”用于“约(about)”。例如<和>的符号给出其普通含义(例如,“≤”意味着“小于或等于”,并且“≥”意味着“大于或等于”)。斜线“/”可表示“或”(“A/B”意味着“A或B”),或者识别元件的同义词,如将从上下文可知。
在元件或步骤之后包含“(s)”指示存在≥1个此类元件,执行≥1个此类步骤等。例如,“元件(element(s))”意味着1个元件或≥2个元件两者,应理解,其各自是本发明的独立方面。
与元件/步骤列表相关联的缩写“等(etc.)”(或“et cetera”)的使用意味着所列举元件/步骤的任一个或全部适合组合,或用于实现所属领域中已知的此类元件/步骤的功能的此类所列举元件/步骤的任何已知等效物。关于所列元件/步骤的例如“和组合”或“或组合”的术语意味着任一个或全部此类元件/步骤的组合。“适合性”表示可接受或适于执行特定功能/实现特定状态/最终结果的元件/步骤,并且通常意味着对既定功能/特性/结果有效、实用和无害/非有害。
不矛盾的是,包含标题(例如,“构造、术语和首字母缩写词”)和副标题是为方便起见,并且不限制任何方面的范围。不矛盾的是,在一个标题下描述的方面、步骤或元件可在此处适用于其它方面或步骤/元件。
值的范围用于表示落入此类范围内的每一值,这些值在所述范围的最小端点的数量级内,而不必明确写入所述范围的每一值。例如,所列举范围1-2隐含地公开了1.0、1.1、1.2、……、1.9和2.0中的每一个,并且10-100隐含地公开了10、11、12、……、98、99和100中的每一个。不矛盾的是,全部范围包含范围的端点,而不管如何描述范围。例如,“在1-5之间”包含1和5以及2、3和4(以及在此类端点的数量级内的此类数字之间的全部数字,例如,1.0、1.1、……、4.9和5.0)。为避免疑义,范围内的任何数字(不管数字的数量级)由所述范围覆盖(例如,范围2-20覆盖18.593)。
近似术语(例如,“约”、“~”或“大致”用于(1)指相关值集合或(2)精确值难以限定(例如,归因于测量限制)。不矛盾的是,此处所提供的全部精确值同时/隐含地公开了对应近似值,并且反之亦然(例如,“约10”的公开内容提供对此类方面/描述中精确地使用10的明确支持。用近似值描述的范围包含由每一近似端点涵盖的全部值,而不管呈现(例如,“约10-20”具有与“约10-约20”相同的含义)。由近似术语涵盖的值范围通常取决于本公开的上下文、关键性或操作性、统计显著性、所属领域中的理解等。在此处或所属领域中不存在指导的情况下,例如“约”的术语应解译为所指示值的+/–10%。
有时出于简洁性采用方面、元件、步骤和特征的列表。除非指示,否则每一列表的每一成员应被视为独立方面。由列表的任何个别成员限定的每一方面可具有且通常将具有相对于由列表的其它成员表征的方面而言非显而易见的性质。
不矛盾的是,术语“一(a)”和“一(an)”和“所述(the)”以及类似提及物涵盖所参考元件、步骤或方面的单数形式和复数形式两者。不矛盾的是,呈单数形式的术语在本文中隐含地表达复数,并且反之亦然(换句话说,元件/步骤的公开内容隐含地公开了此类/类似元件/步骤的对应使用,并且反之亦然)。因此,例如,关于包含X步骤的方面的段落支持包含若干个X步骤的对应方面。不矛盾的是,在段落、句子、方面或权利要求中例如关于一个元件/步骤或特性的“一”和关于另一元件/步骤或特性的“中的一个或多个”的提及物的任何混合使用不改变此类提及物的含义。因此,举例来说,如果段落描述包括“X”和“一个或多个Y”的组成,则段落应理解为提供“一个或多个X”和“一个或多个Y”的公开内容。
不矛盾的是,“显著(significant)”和“显著地(significantly)”意味着在给定情形(例如,p≤0.05/0.01)中使用≥1个适当测试/试验在统计上显著的结果/特性。“可检测”意味着使用已知检测工具/技术可测量地呈现/不同。首字母缩写词“DOS”(或“DoS”)意味着“可检测(地)或显著(地)”。不矛盾的是,如上文所表明,术语“适合”通常意味着适当的、可接受的或在足够的情形下,或提供既定功能的至少一般或大体上全部,而不引起或产生显著负面/不利影响。
不矛盾的是,对于此处未伴有测量单位的任何值(例如,50的重量或20的长度),任何先前提供的用于相同元件/步骤或相同类型的元件/步骤的单位将适用,或在不存在此类公开内容的情况下,与所属领域中的此类元件/步骤相关联的最常使用的单位适用。
不矛盾的是,术语“包含(including)”“含有(containing)”、“包括(comprising)”和“具有(having)”意味着“包含但不限于(including,but not limited to)”或“包含但不限于(including,without limitation)”。不矛盾的是,关于元件/步骤的例如包括和包含的术语的使用意味着包含任何可检测数目或量的元件,或包含步骤/步骤数(具有或不具有其它元件/步骤)的任何可检测性能。
出于简洁性,相对于集合/整体(例如,装置/组成)“包括”或“包含”元件的方面的描述同时隐含地提供对整体/集合的任何可检测量/数目或≥~1%、≥~5%、≥~10%、≥~20%、≥~25%、≥~33%、≥~50%、≥~51%、≥~66%、≥~75%、≥~90%、≥~95%、≥~99%或~100%由元件构成或整体/集合的基本上全部由元件构成(即,集合基本上由所参考元件组成)的支持。类似地,被描述为包含关于效果/最终结果的步骤的方法隐含地提供对所参考步骤提供≥~1%、≥~5%、≥~10%、≥~20%、≥~25%、≥~33%、≥~50%、≥~51%、≥~66%、≥~75%、≥~90%、≥~95%、≥~99%或~100%的效果/最终结果,表示≥~l%、≥~5%、≥~10%、≥~20%、≥~25%、≥~33%、≥~50%、≥~51%、≥~66%、≥~75%、≥~90%、≥~95%、≥~99%或~100%的所执行步骤/工作量或这两者的支持。结合方面的元件/步骤的百分比的明确列举不限制或抵触此类隐含公开内容。
不矛盾的是,当与方法的步骤结合使用时,例如“包括”的术语提供对执行步骤一次、≥2次或直到实现相关联功能/效果的隐含支持。
术语“一个”意味着所列举元件或步骤的单个类型、单个迭代/复本/事物,或这两者。举例来说,装置/组成的“一个”组件可意味着一种类型的元件(其可以许多复本存在,如在装置/组成中的成分的情况下)、元件的一个单元,或这两者。类似地,系统的“一个”组件、“单个”组件或“仅组件”通常意味着1种类型的元件(其可以许多复本存在)、元件的1个例子/单元,或这两者。另外,方法的“一个”步骤通常意味着执行一种类型的动作(步骤)、步骤的一个迭代,或这两者。
术语“一些”意味着≥2个复本/例子或所列集合/整体的≥5%是元件或由元件构成。关于方法,一些意味着≥5%的效果、工作量或这两者由步骤构成或可归因于步骤(例如,如在“由步骤Y执行的方法中的一些”中),或指示执行步骤≥2次(例如,如在“步骤X重复某一次数”中)。“主要”、“大部分”或“大多”意味着可检测地>50%(例如,大多包括、主要包含等意味着>50%)(例如,大多包含元件X的系统由>50%的元件X构成)。术语“一般”意味着≥75%(例如,一般由……组成、一般与……相关联、一般包括等意味着≥75%)(例如,一般由步骤X组成的方法意味着方法的75%的工作量或效果可归因于步骤X)。“大体上”或“几乎”意味着≥95%(例如,几乎全部、大体上由……组成等意味着≥95%)(例如,几乎完全由元件X构成的集合意味着集合中的元件的至少95%是元件X)。
不矛盾的是,相对于任选地呈现的元件/步骤描述的任何方面还提供对对应方面的隐含支持,其中相对于相关方面,不具有此类元件的一个、一些、大部分、一般全部、几乎全部、基本上全部或全部/不执行步骤。例如,包括元件X的系统的公开内容还隐含地支持不具有元件X的系统。不矛盾的是,对术语的时态或呈现的改变(例如,使用“主要包括(comprises predominately)”代替“主要包括(predominately comprises)”)不会改变对应术语/短语的含义。
不矛盾的是,此处所提供的全部方法可以任何适合次序执行,而不管呈现(例如,包括步骤A、B和C的方法可以C、B和A;同时B和A和C等的次序执行)。不矛盾的是,装置/组成的元件可通过任何适合方法以任何适合方式组装。一般来说,类似于或等效于此处所描述的方法、装置和材料的任何方法、装置和材料可用于实践实施例。不矛盾的是,例如“第一”、“第二”、“第三”等序数数字的使用将区分相应元件而非表示元件的特定次序。不矛盾的是,各方面的任何元件、步骤、组件或特征以及其全部变化形式等在本发明的范围内。
与功能相关联的元件可被描述为用于执行组成/装置/系统中的功能的“构件”或用于执行方法的部分的“步骤”,并且本公开的部分是指“等效物”,这意味着所属领域中已知的等效物用于实现与所公开构件/步骤相关联的所参考功能。然而,除非通过使用术语“用于……的构件”或“用于……的步骤”清楚地指示此类意图,否则本公开或权利要求书的元件不应解译为限于“手段功能用语”构造。例如“被配置成”或“适于”的术语并不指示“手段功能用语”解译,而是实际上描述元件/步骤被配置成、被设计成、被选择为或适于使用此处或所属领域中所提供的教示实现特定性能、特性、性质等。
本文中引用的所有参考文献(例如,出版物、专利申请和专利)特此以引用方式并入,与每一参考文献被个别地并且被具体指示以引用方式并入本文中并且在本文中全文阐述的程度相同。不矛盾的是,任何参考文献(统称为“教示”)的此类适合原理、方法或元件可与各方面组合或适于各方面。然而,专利文档的引用/并入限于其技术公开内容,并且不反映关于其有效性、专利性等的任何观点。在本公开与此类文档的教示之间的任何冲突的情况下,本公开的内容控制关于本发明的各方面的内容。此处所引用的许多参考文献简明地并入有已知信息,并且辅助所属领域的技术人员将各方面投入实践。虽然已努力包含用于此类目的的最相关参考文献,但读者将理解,并非每个所引用参考文献的每个方面将适用于本发明的每个方面。
额外术语、概念和首字母缩写词
提供某些术语和首字母缩写词的以下描述以辅助读者理解本发明。可仅在本公开的其它部分中提供额外首字母缩写词,并且此处可不提供所属领域中众所周知的首字母缩写词。
不矛盾的是,本文中的“改进”意味着可检测地或显著更好,例如相对于有利最终结果、特性等增加,并且相对于负面最终结果、特性等或相对于所需的时间、所需的成本/能量等减少。不矛盾的是,此处同义地使用例如“增强”、“改进”等术语。不矛盾的是,“使(causing)”意味着直接使或间接使。例如,“使”系统/装置的引擎执行分析可通过选择操作系统执行,在所述系统上,引擎此后可反复地、周期性地、响应于命令或响应于经检测(通常预先编程)条件的存在而自动地执行分析。
本发明的“系统”包括由相关/交互组件/装置(包含例如单独联网的装置/组件)构成的电子装置/装置的集合,包含:(1)包括计算机可读媒体的存储器组件,所述计算机可读媒体包含用于进行功能的预先编程指令,以及(2)计算机/处理单元,其能够读取/执行引起执行功能的此类指令。本发明的系统通常也被称为网络数据系统(“NDS”),或其中NDS控制联网装置(MAC-DMS)的操作,以区分系统与对其它系统(例如,含于NDS、MA或OND等中的系统)的参考。读者将能够从上下文中识别术语系统用于描述NDS。
直接或通过网络装置存取/利用NDS的个人/实体被称为“用户”。在各方面中,用户尤其由他们所属的角色/职业的“类别”(例如,管理员、研究者或HCP)表征。例如,“管理员”是一种类型的用户。具体地,管理员是通常与NDS的拥有者相关联的个体、团队或组织,其负责管理、构建或维持一个或多个功能/模块或系统。
系统/NDS从与NDS联网的一个或多个(通常若干个)个体相关联的医疗设备接收个体相关数据。医疗设备(“MA”)是电子医疗装置,其包括硬件,并且促进或执行与例如人类患者的个体的疾病或病况(包含其症状)的诊断、治疗、预防、缓解或治愈相关的任务;包括检测患者相关数据、装置数据或这两者的传感器或与所述传感器相关联;并且可直接或间接将此类数据中继到NDS。
MA通常诊断、治疗或以其它方式感测或调节“个体”的病况。“个体”可为任何类型的哺乳动物(例如,伴侣动物)。在各方面中,个体包括或是人类患者。在各方面中,患者是被诊断为患有一个或多个致命(可能危及生命的)病况,例如脑部病况、心脏病况、肺部病况或其它器官/系统病况的患者。不矛盾的是,“个体”和“患者”在此处隐含地支持彼此。
医疗设备(MA)的“群组”或“网络”意味着由一个或多个特性相关联的一种或多种类型的MA的任何集合,例如是全部与NDS联网的MA,全部处于一个位置(站点、设施群组、大都市区、地区(例如,县或类似分区)、州/省、州际/跨省地区(例如,新英格兰)、国家、国际地区(例如,EU)或大陆中的MA,或属于实体。“实体”是被认为在一个或多个国家或国际组织的法律下具有法律权利的组织(例如,公司或其它公司)。如果实体在适用法律下被认为是单独实体,则所述实体是“独立的”。通常,独立实体不处于共同控制/所有权下。
MA是计算机化医疗装置(例如,包括计算机的医疗装置)。例如“计算单元”、“计算机”等术语通常意味着包括物理计算机可读媒体和处理(“读取”)此类媒体中的信息的处理器的装置。媒体可包括信息性数据,并且还包括功能信息(可修改/可编程计算机可执行指令(CEI))。此类指令包括专用引擎,并且执行功能。处理器读取CEI,从而引起执行此类功能(例如,生成“输出”))。在各方面中,例如“其它网络装置”(“OND”)的“计算机”或“计算机化装置”可为例如移动计算装置(例如,智能手机)、台式计算机、膝上型计算机、平板计算机装置等。其它网络组件(例如,系统)包括更复杂的处理或存储器组件,如其它地方所描述。用于系统/网络中的功能数据结构可包括接口(数据结构支持的操作集合)、实施方案(包含数据结构的内部表示、用于数据结构的操作中的代码/算法的定义,或这两者),或其组合。
彼此通信的计算机化装置形成数据网络(“网络”)。通常,本文中对“网络”的任何参考是指在操作中包含NDS和多个MA的网络,任选地具有其它组件(例如,OND、CRM数据库等)。此类网络是本发明的一个方面。在各情况下,术语网络用于描述其它网络(例如,MA的网络/群组)。读者将能够确定何时术语网络用于指除包括NDS和MA的网络以外的网络。
操作中的网络的组件(例如,NDS:MA网络的组件)通常在重复基础上(通常在规律或连续基础上)交互/通信,通常使用经由数字互连的通用通信协议,以便共享数据、功能或其它资源。网络通常包括其它地方所描述的物理组件,例如,路由器、开关等。
网络的组件有时被描述为“客户端”和“服务器”。客户端和服务器装置/组件/单元一般远离彼此并且通常通过通信/数据网络交互。客户端和服务器的关系是借助于在相应计算机上运行且彼此具有客户端服务器关系的计算机程序产生。在一些实施例中,例如,出于将数据显示给与充当客户端的装置交互的用户和从所述用户接收用户输入的目的,服务器将例如HTML页的数据传输到用户装置。在用户装置中生成的数据(例如,用户交互结果)可同样地中继到服务器。
尽管系统组件可为/包括计算机,但系统/NDS通常具有远远超过典型通用膝上型计算机、手机等的存储器和处理能力的存储器和处理能力,以及包括用于执行本文中所描述的特定过程的专门指令/系统。在各方面中,系统组件包括远端/虚拟计算单元,例如云存储器或云处理单元。然而,在各方面中,其它网络装置(OND)可包括膝上型计算机、手机等。
NDS、MA和其它网络组件的计算机单元执行各种功能。“功能(Function)”或“功能(function)”是基于预先编程计算机可读和执行指令(例如,响应于输入)由网络的NDS或其它组件执行的计算机实施的动作。功能还可描述方法的步骤的结果。此类方法的步骤/此类功能的元件可包括下文所描述的算法、方法等。一般来说,功能可由NDS/装置的单元/组件和相关方法的步骤两者进行。
“引擎(engine)”(“引擎(Engine)”或“数据引擎”)通常是计算机/处理器可执行软件程序/应用程序,其被配置成基于含于存储器中(并且构成引擎)的计算机可执行/可读指令(“CEI”)而执行指定功能。通常,引擎处理输入且生成输出。引擎还可在一个或多个位置中的计算机上实施。在各方面中,引擎的多个组件安装在一个或多个计算机上,并且在所述一个或多个计算机上运行;引擎的多个例子安装在一个或多个计算机上,并且在一个或多个计算机上运行;或这两者。引擎的操作执行功能,并且功能可由引擎执行。此类对应方面通过引擎或功能的任何明确描述隐含地描述(例如,包括用于执行功能的引擎的系统/组件的描述隐含地公开了包含功能作为步骤执行的方法)。接收用户输入且尤其将输出提供到终端用户的引擎可被称为“应用程序”。引擎可构成“程序”、“代码”或“算法”的部分,或还被描述为“程序”、“代码”或“算法”。引擎/程序可以任何形式的编程语言(代码)编码/写入,包含汇编或解译语言,或者声明性或程序化语言;并且其可以任何形式部署,包含作为独立程序或作为模块、组件、子例程或适合于在计算环境中使用的其它单元。程序可但无需对应于文件系统中的文件。程序/引擎可存储在保持其它程序或数据(例如,存储在标记语言文档中的一个或多个脚本)的文件的部分中,存储在专用于所讨论的程序的单个文件中,或存储在存储一个或多个模块、子程序或代码的部分的多个协作文件中。计算机程序/引擎可被部署成在一个计算机上或定位在一个站点处或跨越多个站点分布且通过数据通信网络互连的多个计算机上执行。程序/引擎还可被描述为“指令”或“计算机实施的指令”、“处理器实施的指令”、“计算机可读指令”、“计算机实施的数据引擎”等。
术语“模块(Module)”或“模块(module)”通常是指一起执行功能的计算机系统的机械/电气或以另外物理/非软件组件(例如,网络接口卡、处理器等)以及引擎的组合。不矛盾的是,例如模块的术语隐含地公开了包括用于执行所指示功能的计算机可读指令的“处理器和引擎”的对应组合。不矛盾的是,在任何方面中,术语“引擎(Engine)”或“引擎(engine)”的使用隐含地公开了所参考功能由模块执行的对应方面,并且反之亦然。因此,不矛盾的是,任何所公开“引擎(Engine)”或“引擎(engine)”隐含地支持包括物理组件(例如处理器和存储器组件)的对应模块。
术语“单元(Unit)”或“单元(unit)”通常是指计算机装置、系统或组件的结构元件,其是引擎或模块,并且,不矛盾的是,隐含地公开了对应引擎或模块,且因此可被对应引擎或模块取代。
术语“控制器”可应用于任何引擎、单元、模块、装置、组件、系统等,其直接或间接控制另一装置、引擎、系统、单元等的操作,即使并非始终如此描述。因此,例如,系统中生成应用程序的引擎还可被描述为此类其它装置的控制器,所述应用程序控制联网装置的操作。系统和装置的引擎、处理器和其它元件还可被描述为此类系统、装置等的“组件”。引擎还可包括组件部分,例如算法、子程序等。
此处有时使用伪代码/算法描述功能的步骤或引擎的功能。出于简洁性,伪代码有时使用呈以下次序的指示符呈现在单行上以提供层次结构:(1)阿拉伯数字、(a)小写字符、(I)大写罗马数字、(A)大写字母以及(i)小写罗马数字。例如,用于算法的伪代码:
开始
(1)声明A=10
(2)输入B
(3)如果B>0
(a)当A≤10时
(I)如果A≠0
(A)声明C=A*B
(II)否则
(A)打印C
(b)递减A(A=A-1)
结束
可写成:开始,(1)声明A=10,(2)输入B,(3)如果B>0:(a)当A≤10时:(I)如果A≠0:(A)声明C=A*B,(II)否则:(A)打印C,(b)递减A(A=A-1),以及结束。
对引擎进行编码的方式取决于进行功能的计算机/系统的特征和对提供到系统/计算机的人类可读指令的选择,从而允许手动修改和控制功能。每一引擎是/充当包括物理媒体的专用装置,所述物理媒体包括以物理方式编码的过程/计算机可执行指令,以用于当由处理器读取/执行时执行提供专用技术效果的特定步骤。此类技术效果包含以无法由个人合理地进行的方式变换数据(例如,通过将此类数据的部分同时分拣和显示给不同的独立类型的利益关系人),提高系统的效率(例如,医疗装置的控制速度、装置数据的递送速度等),或控制用于治疗的医疗装置的操作。
“输入”通常意味着从任何外部源(例如,相关联医疗装置、将信息提供到联网装置的用户、外部数据库或其组合(“CT”))提供到NDS、装置等的数据。“输出”可为用于将数据显示或中继到用户或装置/系统/网络的另一装置/组件或应用基于数据的活动(例如,医疗设备的控制)的任何装置或组件。在各情况下,并非纯粹数据的输出被称为输出应用程序。
在数据输入/输出的上下文中,“接口”可为用户与计算机、网络或系统(例如,本发明的NDS)之间的任何适合接口。在各方面中,术语“接口”用于指以网页或类似媒体的形式实施的用户接口(“网页接口”或“软件接口”),所述网页或类似媒体可经由互联网(例如,使用标准网页浏览器)在若干装置上查看/导航。此类接口通常包括特定于用户、用户类别或这两者的预先编程布局。显示/存取例如专用网页接口的接口的装置可被视为网络的装置。在各方面中,存取网络的装置包括固定/专用接口硬件。因而,网络装置有时被称为装置/接口;然而,不矛盾的是,一个此类方面的任何公开内容隐含地公开了另一个方面,并且反之亦然。
例如“数据”和“信息”的术语在此处可互换地使用,并且仅当由明确定义/陈述或清楚上下文如此指示时限于特定形式。相关数据可被描述为“记录(Record)”或“记录(record)”。记录将通常具有属性(特性)和值(测量/属性)。记录可呈结构化、半结构化或非结构化形式,具体取决于上下文,如下所述。记录的集合可被称为“数据集”。存储器中的数据集的集合可被称为“数据存储库”。
“主题”通常是通常通过将约束/结构应用于较不有序的数据的集合以从“基础”数据形成新的有序的结构化数据集合而生成的数据组织。例如数据存储库的其它数据集合在其它地方论述。“表示”是类似数据构造,但通常关于经专门设计以供显示在图形用户接口或用于其它视觉输出(例如,打印)的指令或与所述指令相关联的数据专门使用。表示还可提供关于以结构化/分层或以其它方式交互或连接关系存在的对象、系统、装置、过程等(例如,医疗设备或来自其的数据的分组,所述设备与特定医院、地理区域、用户类别、独立实体等相关联)的信息。
在本发明的网络/系统中生成和传输的数据可表征为功能数据或非功能数据(例如,传感器测量结果),所述功能数据包括CEI(例如,用于处理器以使MA改变与患者的治疗相关的设置的指令)。不矛盾的是,数据可通过任何适合模式/机构中继、传输等,并且除非另外指定,否则例如中继、传输、输送等术语可互换地使用。术语上传和下载可关于数据流动到(进入)和来自(离开)所参考系统、装置或其它来源的方向而使用。
在组件之间中继或经由网络中继的电子信息通常以包形式中继,所述包可包括其它信息,例如识别数据、源数据、目的地数据、大小数据、持续信息(存留时间(TTL))、组成数据(例如,旗标)等,如所属领域中已知的且在其它地方论述的。包可被组织成“流”。数据还可经由帧/组块或其它已知单元/形成中继。因此,此类术语的使用可在本文中被视为示例性的,此类形成通常由呈适合于数据传输、存储或这两者的其它格式的数据可互换或可替换。
例如“经授权”或“授权”的术语尤其描述被配置成仅可由某些用户、用户类型(类别)、装置或CT存取的数据或功能,并且通常受制于被设计成限制对此类数据/功能的存取的一个或多个功能(例如,防火墙、授权协议,例如口令存取限制、生物特征存取限制和其它形式的识别限制)。
“规章”意味着法律、条约、规章、规则、指导、行为准则、标准、裁定或类似指令(例如,适用于健康护理、疾病诊断等的应用)。“监管机构”(RA)是颁布、监督或强制执行法规规章的实体。例如“监管要求”(简称为“RR”)的术语具有与“规章”相同的含义。
例如“机器学习”(“ML”)和“人工智能”(“AI”)的术语意味着任何适合的方法/系统,其中一个或多个功能将一个或多个机器学习模型应用于信息,通常通过机器学习模型的操作引起功能的计算机修改。ML/AI方法可涉及管理员,就训练、监督或这两者而言。
一般来说,本文中所描述的任何方法可适于提供对应系统/NDS,并且反之亦然。因此,任何方法的公开内容同时隐含地公开了可进行所指示功能的对应系统,并且包括引擎/模块的NDS的公开内容隐含地公开了包括用于执行对应于模块的功能的步骤的对应方法。因此,不矛盾的是,如“系统”的术语隐含地意味着对应“系统或(即,和/或)方法”,并且如“方法”的术语同样地隐含地公开了对应“方法或(即,和/或)系统”。
下表列出在本公开中频繁使用的另外首字母缩写词,并且提供相关元件的描述:
表1-选择首字母缩写词(不按字母次序)
/>
在各情况下,在本公开的以下部分中重复这些首字母缩写词中的一些的描述以辅助可读性。
发明内容
本文中所公开的系统、方法和装置/设备具有许多属性和方面,包含但不限于例如本发明内容(Summary of the Invention)(“发明内容(Summary)”)中所陈述(例如,所描述或所参考)的那些属性和方面。本发明内容并不旨在是包罗万象的,并且本发明的范围不限于本发明内容中所提供的方面、特征、元件或实施例或者不受其限制。实际上,提供本发明内容以通过提供示出此类系统、方法和装置的关键特征和特性中的一些的方面的描述来示出本发明的性质。此章节中所描述的装置/系统或方法的任何方面可与此章节或任何其它章节中的任何其它方面组合。
与用于医疗装置数据管理系统的想法相关的专利公开内容卷反映了以下事实:开发全面的、有效的医疗装置数据管理和控制系统,所述医疗装置数据管理和控制系统可以安全、合规且有效方式汇集、管理并且利用复杂的、集成的现代药物治疗环境的物理组件和数据组件两者,所述方式可由与此类系统交互的各种用户使用。本文中提供了此类本发明系统和相关方法。
在一个方面中,本发明提供用于控制数据网络中的医疗设备和其它装置的操作的计算机实施的方法,其包括:(1)提供数据网络,所述数据网络包括(a)可远端控制、可选择性操作和连接互联网的医疗设备的集合,医疗设备中的每一个包括:(I)一个或多个传感器,其检测在操作上与医疗设备相关联的任何患者的一个或多个患者相关联的生理状态,所述传感器将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D,(II)输出引擎,其经由安全互联网数据通信选择性地中继数据,(III)医疗设备存储器组件,其选择性地存储MA-D并且包括处理器可执行指令,以用于分析和中继MA-D并且评估医疗设备与网络之间的连接,以及(IV)医疗设备处理器,其执行医疗设备存储器组件中的指令,(b)医疗设备控制器和数据管理系统(“MAC-DMS”),其包括:(I)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行功能,(II)流式数据处理引擎,(III)高速缓存MA-D处理引擎,(IV)分析性引擎,以及(V)MAC-DMS存储器组件,其包括处理器可执行指令和一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖在不同存取条件下分别存储MA-D中的至少一些和分析性数据中的至少一些;(2)使每一操作医疗设备从患者反复地收集传感器数据;(3)使每一操作医疗设备自动地且反复地评定安全网络连接是否可用,并且(a)当安全且稳定的网络连接可用时,将包括MA-D的数据自动地中继到MAC-DMS,或者(b)当安全且稳定的网络连接不可用时,(I)将MA-D存储在医疗设备存储器组件中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)当安全且稳定的网络连接变为可用时,经由安全互联网数据通信将高速缓存MA-D中继到MAC-DMS;(4)使MAC-DMS处理器使用高速缓存MA-D处理器以:(a)当高速缓存MA-D从医疗设备中继到MAC-DMS时,接收高速缓存MA-D,以及(b)确定所接收高速缓存MA-D是否适合于由分析性引擎分析、存储在一个或多个数据存储库中的至少一个中,或这两者;(5)使MAC-DMS处理器在用户请求时、在预先编程条件的发生时或在这两者发生时使用分析性引擎以对存储在增强型数据湖中的MA-D执行一个或多个分析性功能,以及(5)使MAC-DMS处理器经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备,一个或多个输出包括:(a)分析性数据输出,(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能、(II)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(III)(I)和(II)两者,或者(c)(a)和(b)的组合。在更特定方面中,此类方法的特征进一步在于:(1)MA-D包括依从预先建立的半结构化数据格式的MA-D;(2)系统/MAC-DMS包括经由安全互联网数据通信选择性地中继数据的输出引擎;(3)流式数据处理引擎自动地且连续地接收和处理从医疗设备中继的MA-D,并且对所接收流式MA-D执行初始分析,以确定一个或多个预先编程条件是否存在于流式MA-D中,并且如果此类一个或多个条件存在,则通过执行初始功能的预先编程有限集合中的一个或多个来充当一个或多个医疗设备、一个或多个其它网络装置或这两者的控制器,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络计算机化装置或这两者的操作的指令;(4)分析性引擎在用户请求时、在预先编程条件发生时或在这两者发生时至少部分基于存储在增强型数据湖中的分析性数据而执行一个或多个分析性功能;或(5)网络包括至少3个其它计算机化网络装置,每一其它网络装置(a)包括(I)网络装置处理器、(II)网络装置存储器组件和(III)可远端控制图形用户接口,并且(b)与分派到至少一个用户类别的用户相关联,其中用户类别包括(I)经授权以存取患者受保护健康信息的健康护理提供者和(II)在患者受保护健康信息的接收方面受限制的商业用户,其中所述方法进一步包括将输出递送到其它网络装置中的至少一个其它网络装置。
在另一方面中,本发明提供系统/NDS(例如MAC-DMS),其包括(1)流式数据处理单元,其自动地且连续地接收和处理从NDS有权从其接收MA-D的多个医疗设备中继的MA-D,并且对所接收流式MA-D执行初始分析,以确定一个或多个预先编程条件是否存在于流式MA-D中,并且如果此类一个或多个条件存在,则通过执行初始功能的预先编程有限集合中的一个或多个来充当一个或多个医疗设备、一个或多个其它网络装置或这两者的控制器,所述初始功能包括中继用于控制与NDS联网的一个或多个医疗设备、与NDS联网的一个或多个其它网络计算机化装置或这两者的操作的指令;(2)NDS存储器组件,其包括处理器可执行指令和一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖自动地存储MA-D中的至少一些,并且独立于MA-D且在与MA-D不同的存取条件下进一步存储分析性数据中的至少一些,并且所述增强型数据湖包括(a)用于分拣和管理所存储数据的管控规则、(b)适用于所存储数据中的至少一些的预定数据格式化标准,或者(c)(a)和(b)两者;(3)分析性引擎,其在用户请求时、在预先编程条件发生时或在这两者发生时至少部分基于存储在增强型数据湖中的分析性数据而执行一个或多个分析性功能;(4)高速缓存MA-D处理引擎,其当高速缓存MA-D由医疗设备接收时分析所述高速缓存MA-D,并且确定高速缓存MA-D是否应存储在MAC-DMS存储器组件中、由分析性引擎分析,或这两者;以及(5)分析性数据控制器,其经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络计算机化装置,或这两者,一个或多个输出包括:(a)分析性数据输出;(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)联网医疗设备中的一个或多个中的一个或多个医疗设备功能、(II)与NDS联网的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(III)(I)和(II)两者。
在另一方面中,本发明提供基于互联网的数据网络,其包括:(1)多个可远端控制、可选择性操作和连接互联网的医疗设备,医疗设备中的每一个包括:(a)一个或多个传感器,其检测一个或多个患者相关联的生理状态并且将此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的MA-D,(b)输出引擎,其经由安全互联网数据通信选择性地中继数据,(c)医疗设备存储器组件,其选择性地存储MA-D并且包括用于一个或多个医疗设备计算机实施的数据引擎的处理器可执行指令,(d)医疗设备处理器,其执行医疗设备存储器组件中的指令,以及(e)网络状况引擎,其(I)当在操作中时,自动地反复地检查安全且稳定的互联网连接的可用性,(II)当安全且稳定的互联网连接存在时,经由此类安全且稳定的互联网连接将MA-D中的至少一些中继到一个或多个既定接收者互联网连接的装置或系统,(III)当安全且稳定的互联网连接不存在时,使MA-D中的至少一些存储在医疗设备存储器组件中作为高速缓存MA-D,直到建立或重新建立安全且稳定的互联网连接,并且此后,将高速缓存MA-D中的至少一些中继到一个或多个接收者互联网连接的装置或系统;(2)医疗设备控制器和数据管理系统(“MAC-DMS”),其包括:(a)系统处理器,其读取计算机可读指令以分析数据并且执行功能;(b)流式数据处理引擎(engine/Engine),其自动地且连续地接收和处理从医疗设备中继的MA-D,并且对所接收流式MA-D执行初始分析,以确定一个或多个预先编程条件是否存在于流式MA-D中,并且如果此类一个或多个条件存在,则通过执行初始功能的预先编程有限集合中的一个或多个来充当医疗设备中的一个或多个的控制器,所述初始功能包括中继用于控制一个或多个医疗设备的操作的指令;(c)MAC-DMS存储器组件,其包括处理器可执行指令和一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖自动地存储MA-D中的至少一些,并且独立于MA-D且在与MA-D不同的存取条件下进一步存储分析性数据中的至少一些;(d)分析性引擎,其在用户请求时、在预先编程条件发生时或在这两者发生时至少部分基于存储在增强型数据湖中的分析性数据而执行一个或多个分析性功能;(e)高速缓存MA-D处理引擎,其当高速缓存MA-D由医疗设备接收时分析所述高速缓存MA-D,并且确定高速缓存MA-D是否应存储在MAC-DMS存储器组件中、由分析性引擎分析,或这两者;以及(f)网络装置控制器(分析性数据控制器),其经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络计算机化装置,或这两者,一个或多个输出包括:(I)分析性数据输出;(II)一个或多个输出应用程序,其包括控制数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能的操作的指令;或(III)(I)和(II)两者。
在另一方面中,本发明提供基于互联网的数据网络,其包括前述段落中所描述的特征且进一步包括至少3个其它计算机化网络装置(“OND”),每一其它网络装置(a)包括(I)网络装置处理器、(II)网络装置存储器组件,以及(III)可远端控制图形用户接口,以及(b)与分派到至少一个用户类别的用户相关联,其中用户类别包括(I)经授权以存取患者受保护健康信息的健康护理提供者和(II)在患者受保护健康信息的接收方面受限制的商业用户,其中当条件由流式数据处理引擎检测到时,流式数据处理引擎任选地将输出中继到一个或多个其它网络装置,MAC-DMS将基于或包括分析性数据的输出应用程序中继到OND,或这两者。
在另一方面中,本发明提供根据前述两个段落中的任一个或两个的网络,其中NDS/MAC-DMS可存取由实体操作的客户关系管理,所述实体独立于一个或多个医疗设备相关联实体和MAC-DMS相关联实体,并且所述实体包括:(a)客户关系管理信息,其包括关于向一个或多个医疗设备相关联实体出售医疗设备的信息,以及(b)用于将客户关系管理信息中继到MAC-DMS处理器的组件,其中MAC-DMS处理器将客户关系管理信息与分析性数据组合,并且将经组合信息中继到商业用户的其它网络装置。
在另一方面中,本发明提供基于互联网的数据网络,其包括:(1)多个可远端控制、可选择性操作和连接互联网的医疗设备,医疗设备中的每一个包括:(a)一个或多个传感器,其检测一个或多个患者相关联生理状态并且将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的MA-D,(b)输出引擎,其经由安全互联网数据通信选择性地中继数据,(c)医疗设备存储器组件,其选择性地存储MA-D并且包括用于一个或多个医疗设备计算机实施的数据引擎的处理器可执行指令,(d)医疗设备处理器,其执行医疗设备存储器组件中的指令,(e)网络状况引擎,其(I)当在操作中时,自动地反复地检查安全且稳定的互联网连接的可用性,(II)当安全且稳定的互联网连接存在时,经由此类安全且稳定的互联网连接将MA-D中的至少一些中继到一个或多个既定接收者互联网连接的系统,(III)当安全且稳定的互联网连接不存在时,使MA-D中的至少一些存储在医疗设备存储器组件中作为高速缓存MA-D,直到建立或重新建立安全且稳定的互联网连接,并且此后,将高速缓存MA-D中的至少一些中继到一个或多个接收者互联网连接的装置或系统;以及(2)医疗设备控制器和数据管理系统(“MAC-DMS”),其包括:(a)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行功能,(b)流式数据处理引擎,其自动地且连续地接收和处理从医疗设备中继的MA-D,并且对所接收流式MA-D执行初始分析,以确定一个或多个预先编程条件是否存在于流式MA-D中,并且如果此类一个或多个条件存在,则通过执行初始功能的预先编程有限集合中的一个或多个来充当一个或多个医疗设备、一个或多个其它网络装置或这两者的控制器,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络计算机化装置或这两者的操作的指令,(c)MAC-DMS存储器组件,其包括用于一个或多个MAC-DMS实施的引擎的处理器可执行指令以及一个或多个数据存储库,一个或多个数据存储库包括:(I)增强型数据湖,其包括多个数据湖管理分区,每一数据湖管理分区与不同数据湖管理分区存取规则相关联,(II)第一关系数据库,以及(III)第二关系数据库,(d)一个或多个MA-D存储器摄取引擎,其基于一个以上预先编程标准而分析MA-D并且将MA-D记录到一个或多个数据湖管理分区,(e)分析性引擎,其在用户请求时、在预先编程条件发生时或在这两者发生时至少部分基于存储在增强型数据湖中的分析性数据而执行一个或多个分析性功能,(f)分析性数据存储器摄取引擎,其基于一个或多个预先编程条件而分析分析性数据,并且基于此类预先编程条件,记录(I)直接从第一关系数据库中的MA-D生成的分析性数据、(II)从含于第二关系数据库中的增强型数据湖中的数据生成的分析性数据,以及(III)增强型数据湖的一个或多个数据湖管理分区中的分析性数据,(g)数据存储库检验引擎,其收集关于摄取到第一关系数据库中的数据、摄入到第二关系数据库中的数据或这两者的信息,并且将此类信息中继到一个或多个图形用户接口,所述一个或多个图形用户接口可由一个或多个系统管理员存取,以及(h)网络装置控制器,其经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络计算机化装置,或这两者,一个或多个输出包括:(I)分析性数据输出;(II)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(A)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能、(B)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(C)(A)和(B)两者;或(III)(I)和(II)的组合。
在另一方面中,本发明提供一种治疗患者群体中的患者的医学病况的方法,所述方法包括:(1)提供数据网络,所述数据网络包括MA和NDS/MAC-DMS,所述MA和NDS/MAC-DMS各自具有关于此类元件在此章节的前述方面中所描述的特征,(2)使每一操作医疗设备从与所述操作医疗设备相关联的患者反复地收集传感器数据;(3)使医疗设备中的每一个自动地且反复地评定安全网络连接是否可用,并且(a)当安全且稳定的网络连接可用时,经由安全互联网数据通信以大体上连续的方式将包括MA-D的数据自动地中继到MAC-DMS,或者(b)当安全且稳定的网络连接不可用时,(I)将MA-D存储在医疗设备存储器组件中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)当安全且稳定的网络连接变为可用时,经由安全互联网数据通信将高速缓存MA-D中继到MAC-DMS;(3)使MAC-DMS处理器自动地使用流式数据处理引擎以(a)接收从医疗设备中继的流式MA-D,(b)对从每一医疗设备接收的经中继流式MA-D执行初始分析,以及(c)如果初始分析识别经中继流式MA-D中的一个或多个预先编程条件,则执行初始功能的预先编程有限集合中的一个或多个,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络装置或这两者的操作的指令;(4)使MAC-DMS处理器使用高速缓存MA-D处理器以:(a)当高速缓存MA-D从医疗设备中继到MAC-DMS时,接收高速缓存MA-D,以及(b)确定所接收高速缓存MA-D是否适合于由分析性引擎分析、存储在一个或多个数据存储库中的至少一个中,或这两者;(5)使MAC-DMS处理器将MA-D中的至少一些自动地存储在增强型数据湖中;(6)使MAC-DMS处理器在用户请求时、在预先编程条件发生时或在这两者发生时使用分析性引擎以对存储在增强型数据湖中的分析性数据中的至少一些执行一个或多个分析,其中分析性引擎(a)使用由来自医疗设备的MA-D生成的分析性数据以执行分析,并且在执行分析时,(b)将来自每一医疗设备的MA-D与(I)先前收集的MA-D分析性数据、(II)预先编程标准或(III)(I)和(II)两者进行比较;以及(7)使MAC-DMS处理器经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络装置,或这两者,一个或多个输出包括(a)与患者的治疗相关的分析性数据输出,其中继到(I)与患者相关联的医疗设备、(II)与关联于患者提供的健康护理相关联的另一网络装置,或(III)(I)和(II)两者,(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能,(II)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,其与关联于患者的医疗保健提供者相关联,或(III)(I)和(II)两者,或(c)(a)和(b)的组合。
在再一方面中,本发明提供医疗设备(MA),其包括:(1)高安全性分区,其包括直接交互操作组件的集合,高安全性分区组件包括:(a)一个或多个治疗性组件,其在操作中将药物治疗应用于患者且可由所接收电子控制指令控制,(b)高安全性分区存储器组件,其包括计算机可读媒体,所述计算机可读媒体包括用于控制一个或多个高安全性分区组件的操作的多个计算机实施的指令的指令,(c)计算机处理器组件,其执行含于高安全性分区存储器组件中的计算机实施的指令以将电子指令发送到一个或多个治疗性组件,以控制一个或多个治疗性组件的操作,(d)通信组件,其(I)从(i)媒体分区组件和(ii)本地物理输入接收电子通信,(II)包括安全引擎,所述安全性引擎分析从媒体分区组件接收的通信,以确保仅允许依从一个或多个验证标准的通信控制高安全性分区组件的操作,并且(III)将电子通信中继到(i)媒体分区组件和(ii)本地医疗设备输出,(e)物理防篡改系统,其限制仅经授权用户对高安全性分区存储器组件的存取,并且其中(f)高安全性分区不具有用于直接互联网通信的任何能力;以及(2)媒体安全性分区,其包括可交互操作组件的第二集合,媒体安全性分区组件包括:(a)一个或多个传感器,其测量以下各项中的一个或多个物理条件:(I)高安全性分区中的一个或多个治疗性组件的性能、(II)相关联患者的一个或多个生理条件,或(III)(I)和(II)两者作为医疗设备数据(MA-D),并且将此类测量结果转换成电可传输数据,(b)媒体安全性分区存储器组件,其包括:(I)计算机可读媒体,其包括用于控制一个或多个媒体安全性分区组件的操作的多个计算机实施的指令的指令,以及(II)用于存储MA-D的组件,以及(c)计算机处理器组件,其执行含于媒体安全性分区存储器组件中的计算机实施的指令,所述媒体安全性分区存储器组件包含:(I)网络状况引擎,其评估安全且稳定的互联网集合是否可用,并且(A)当此类连接可用时,(i)将MA-D中继到一个或多个既定互联网接收者装置并且(ii)经由安全互联网通信接收从一个或多个远端控制装置中继的指令,或(B)当此类连接不可用时,将MA-D存储在媒体分区安全性存储器组件中作为高速缓存数据,直到此类连接可用,然后将高速缓存数据中继到一个或多个既定接收者装置,以及(II)交互设备通信引擎,其从治疗性组件接收数据并且将电子指令发送到治疗性组件。
附图说明
在具备本公开的诸图中示出了本发明的示例性方面。诸图中所展示的此类方面在此章节中简要地描述且在其它地方更详细地描述。不矛盾的是,任何图中所示出的特征/步骤可与任何其它图的元件/步骤组合。诸图一般应被视为本发明的总体实施例的组件方面,但应理解,并非每一实施例都需要所有所示出特征。
图1描绘医疗设备(MA)与网络数据系统(NDS/系统)之间的简化网络连接。
图2是根据一个示例性实施例的MA的简化网络和所述MA与NDS的关系的概述。
图3是根据示例性方面的包括可由MA的群组识别的若干MA子网络以及数据到NDS的通信的MA网络的层级的简化布局。
图4是根据一个方面的用于解决离线周期中的MA数据收集的示例性过程的概述。
图5提供参考示例性物理组件和位置进一步示出根据一个实施例的高速缓存数据的收集和可能处理的情形的描述。
图6示出根据示例性NDS/方法的包括MA网络、NDS和ONDI的MA/NDS网络。
图7提供根据一方面的网络系统存储器单元内的示例性数据管理过程。
图8描绘根据一个方面的不同数据分区到NDS数据存储库/存储器单元(例如,增强型数据湖)的应用。
图9提供根据一个实施例的包括MA群组和NDS的示例性网络的概述,示出了在网络内操作的物理装置组件。
图10示出本发明的示例性网络内的数据的流动和处理。
图11示出多分区医疗设备(MZMA)的组件中可采用的数据处理方法。
图12提供根据各方面的具有NDS的网络中的MZMA的组件的概述,并且示出了对通过此类组件的数据流的管理。
图13示出从NDS到另一示例性MZMA中且通过另一示例性MZMA的示例性数据流。
图14描绘MZMA的选择物理组件以及对到示例性MZMA中和在示例性MZMA内的数据的控制。
图15示出示例性MZA的示例性物理组件以及对MZMA与NDS之间的数据流的控制。
图16描绘用于经由与MZMA和NDS的组件的分级数据交换来更新MZMA的部分的操作系统或其它软件的安全过程。
图17示出包括在不同操作状态下从NDS中继和接收功能数据的MA的网络。
图18是不同的用户实体接口的关系的图示,所述不同的用户实体接口通过包括用户类别分拣的NDS-AD的专用用户类别显示器从NDS接收分析性数据(NDS-AD)。
图19是反映不同地区/国家的不同但重叠的NDS架构的应用的示意图。
图20描绘随时间推移而变化且根据时间相关规则的MA数据的处理的概述。
图21示出示例性网络中的各种用户类别层级和个别用户层级事件警告/警报的应用。
图22描绘包含由主控机器学习模块(MLM)管理的多个MLM的示例性网络。
图23描绘到系统/NDS的流式数据处理器组件中、在所述流式数据处理器组件内和来自所述流式数据处理器组件的数据流以及在摄取到NDS存储器中之前流式数据的选择性处理和分析。
图24是另一示例性网络,显示了通过网络的各种部分的数据流,所述各种部分包含形成NDS数据存储库的部分的两个关系数据库,所述关系数据库中的每一个受制于数据质量监测仪表板。
图25是包含装置性能数据的半非结构化数据集的实例,所述装置性能数据可从MA中继到NDS。
图26是包含患者传感器数据的另一示例性数据集。
图27是包含装置(MA)警报(性能)数据的额外说明性半非结构化数据集。
图28是包含MA系统/软件信息的另一示例性半非结构化数据集。
具体实施方式
为方便起见,在此章节中个别地以及有时与其它方面、特征、实施例、元件等组合地描述主要特征/部分(例如,方法的步骤/功能和系统的单元)。如其它地方所指示,任何特定方面、实施例、功能、特征或单元可与任何其它方面、实施例等组合或应用于任何其它方面、实施例等,或在适合的情况下,任何所描述的步骤、方面、元件等可代替任何替代方面、步骤、特征等。
在一个方面中,本发明提供包含模块、单元、引擎或组件的系统(每一系统是网络数据系统(“NDS”)),以及包括用于以下的步骤的方法:执行此类模块、单元、引擎或组件的功能,通过系统/NDS安全地接收、分析、存储、管理和应用来自数据网络中的多个MA的机器设备数据(MA-D),从此类MA-D(NDS-AD)生成分析性数据,以及通常通过安全互联网通信将此类NDS-AD或相关输出中继到MA、其它网络装置(OND),或这两者。在各方面中,此类相关输出包含输出应用程序,所述输出应用程序控制MA操作、OND操作或这两者的一个或多个方面(使得NDS是MAC-DMS)。例如,输出可包含将警报注册在MA/OND上,改变MA/OND的图形显示,或改变与个体交互的MA的治疗性或诊断性组件。在各方面中,网络的MA包含多分区MA(MZMA),所述MZMA包括在与装置的其它分区分开的性能、安全性或通信设置下的单独组件,由此当MZMA经由互联网通信与NDS通信时促进装置安全性。在各方面中,在某些条件下,例如当互联网通信不可用时,MA收集高速缓存数据(MA-CD),并且此后,将MA-CD中继到NDS,所述NDS确定MA-CD是否应存储在NDS的数据存储库中,是否应用于生成NDS-AD,或这两者。
在各方面中,NDS执行与此类MA-D和MA相关的实时(“RT”)或近实时(“NRT”)功能,通常便于、促进或进行通过此类MA或与此类MA相关的药物治疗。在各方面中,NDS存取分开地定位且至少部分地可远端控制MA和来自其的数据的群组。在各方面中,方法包括收集从此类MA群组(“MAG”)传达的数据,存储来自此类MAG的数据,分析或评估从此类MAG传达的数据以生成分析(NDS-AD),基于此类分析而执行功能。在各方面中,功能包括将NDS-AD、指令或这两者传达到网络组件,例如MAG中的MA、网络中的另一装置(OND),或这两者。网络的MA通常在与系统(NDS)的重复且通常大体上连续的通信中,这通常通过已知的或所描述的安全的基于互联网的通信方法来促进。
在各方面中,具有NDS的网络中的MAG在≥两个独立实体(IE)(例如,≥3个、≥5个、≥7个、≥10个、≥12个、≥20个、≥30个、≥50个或≥约100个IE)的控制下,并且NDS包括用于识别来自网络中的每一特定MA的通信且将数据中继到网络中的每一特定MA的功能,包含识别与每一MA相关联的每一实体,执行MAG特定的指令,基于MAG关联而分隔数据,或其组合(CT)。
MA收集关于个体中的疾病的诊断或治疗的数据。举例来说,MA可包括传感器,其在操作中收集传感器数据(包括物理现象的测量结果,所述物理现象是例如装置性能、患者生理状态,或这两者)。此类“传感器数据”是由MA收集的数据(即,MA数据(或“MA-D”))的组分。MA通常还包含(1)装置/本地存储器(包括物理、可转移和可重现的计算机可读媒体(PTRCRM))和(2)用于执行装置CEI的处理器/处理功能/单元,其可包含关于MA何时存储MA-D、中继/传输MA-D或这两者的功能。至少有时存储在此类MA本地存储器中的MA-D也被称为“高速缓存数据”,甚至当此类数据稍后从MA中继到NDS时也是如此。
网络的MA可包括装置显示单元(包括例如图形用户接口(GUI))或其它接口/输出装置/组件)。在各方面中,NDS给MA的输出尤其取决于与MA相关联的用户的类别。
网络的MA通常包括将MA-D从MA传输到NDS的数据中继单元。在各方面中,在操作中,MA有时、大部分时间、一般全部时间,或大体上全部时间收集MA-D且将MA-D中继到NDS,作为流式(或流式且实时)时间MA数据(作为“流式MA-D”或“SMAD”)。类似于其它MA-D,SMAD可包括MA传感器数据、装置性能数据、装置识别数据、患者识别数据或者其任一个或全部的组合)。在各方面中,当被中继时,高速缓存数据还被中继作为数据流。在各方面中,高速缓存数据与实时(RT)SMAD(“RT-SMAD”)一起发送。在各方面中,高速缓存数据与RT-SMAD分开地中继。
MA-D可包括半非结构化、结构化或非结构化数据。在各方面中,由MA中继的一些、大部分或至少一般全部MA-D包括半非结构化数据。在各方面中,使用半非结构化数据可检测地或显著地增强NDS的速度、NDS的正常运行时间,或这两者(例如,通过减小传入数据负载/处理负荷)。
在各方面中,一些、大部分、一般全部、大体上全部、基本上全部,或全部MA-D是传感器数据。在各方面中,在一些、大部分、一般全部,或全部情况下,MA-D包括额外数据(非传感器数据)。在各方面中,MA-D包括装置状况/性能数据(关于MA操作/操作性的一个或多个方面的数据,例如功率状况、泵速等)。此类数据可被称为“装置数据”。在各方面中,大部分、一般全部、大体上全部、基本上全部,或全部MA-D是与装置性能数据或另一装置数据组合的传感器数据。在各方面中,一些、大部分、一般全部,或全部装置性能数据提供关于患者状况的间接信息(例如,移动,例如装置或装置组件的旋转、装置压力等,可提供关于预先编程到NDS/MA中的一个或多个患者生理参数的间接信息)。
网络的MA可具有安全性特征,例如用于确保仅经授权信息的传入数据安全性单元可修改MA操作、物理防篡改检测或阻止措施等。此类组件是已知的且在其它地方论述。
在操作中,MA有时、大部分时间、一般始终,或大体上全部时间将数据中继到NDS/系统。在各方面中,在操作中,大部分时间,一般全部时间,或大体上全部时间,MA经由互联网或其它WAN/SDWAN连接与NDS大体上连续地通信。
NDS通常将包括(1)NDS存储器单元/组件(“存储器”),其包括PTRCRM,所述PTRCRM包括数据存储库(DR),所述数据存储库(A)接收和存储MA-D,并且(B)包括NDS CEI(NCEI),所述NDS CEI包含用于由读取/执行NCEI的(2)NDS处理器进行的功能(引擎)的编码/预先编程指令。NDS可进一步包括组件,所述组件可表征为:例如,(3)NDS数据输入单元/引擎(例如,从MA选择性地自动地接收数据(并且通常确定从每一MA接收的MA-D是SMAD、高速缓存数据还是这两者)),(4)NDS分析性单元/引擎(例如,根据预先编程和可编程规则分析MA-D和可能的其它输入以生成分析性数据(NDS-AD)的引擎),并且使用此类分析以引导NDS应用程序/功能的执行(例如,通过控制器功能),(5)NDS数据评估单元/引擎,其评估MA-D是否被批准用于由分析性功能使用或确定此类功能可如何使用MA-D(并且任选地,执行数据协调、数据清洁和数据验证功能的一个或多个数据改进单元),(6)NDS输出引擎/单元/处理系统,其基于预先编程因素/规则,例如保密性和健康护理依从性规则而自动地过滤MA-D、分析或这两者,以用于递送到MA以及其它网络装置和接口(ONDI),以及(7)NDS数据中继单元/引擎。NDS数据中继引擎/单元通常通过互联网将(A)特定于此类MA、相关联患者或这两者且通常适用于通过此类MA的安全性单元接收的信息安全地中继到MA,并且将(B)包括MA-D、分析或这两者的信息中继到一个或多个其它网络装置/接口(ONDI)。任选地,NDS可进一步包括(8)NDS高速缓存数据分析性功能,其包括用于识别高速缓存数据、分析高速缓存数据或处置高速缓存数据的特殊指令,并且例如基于将功能应用于存储在NDS存储器/DR中的数据而生成高速缓存数据NDS分析。在各方面中,高速缓存数据用于补充RT-SMAD;重构其中RT-MMAD缺乏/缺失的数据流;验证不完整的、有问题的或以其它方式减弱的RT-SMAD等。
在各方面中,网络的一些、大部分、一般全部,或全部MA是移动MA,其可能不时地失去网络(例如,互联网)连接,并且因此,具有RT-SMAD(SMAD)不可中继到NDS的周期。在各方面中,对SMAD和高速缓存数据两者的分析引起个体护理中的DOS改进。
中继到ONDI的数据可包括例如来自与≥2个独立实体(IE)相关联的若干MA的信息或自由≥2个IE拥有/控制的MA导出的NDS-AD。在各方面中,此类信息可与例如CRM的信息外部系统/数据存储库组合。
NDS通常包含处理能力/组件和单元/引擎,其允许并行地接收和处理MA-D且将MA-D或NDS-AD中继到ONDI、MA、其它装置/接口(例如,可存取网页门户)或其组合,例如数据加标签功能以及大规模平行分布和可扩展的基于云的处理功能。此类能力还可允许NDS/方法并行地应用于多种类型的MA、多个患者病况、多个患者类型和多个MA状态,从而扩展了此类NDS/方法的应用以及在此类系统中且由此类系统导出的数据的稳固性(例如,并行地从研究类个人/群组以及临床患者收集数据),并且进一步允许此类NDS/方法的国家级且甚至国际级应用。由NDS执行/包含在方法中的促进步骤/功能还可包含数据排队和优先级排序方法(应用于入站/传入MA-D上,如其它地方所论述)。
基于数据特性,NDS的DR中的数据可受到多个“级别”的识别、管理、安全性、存取等。NDS的功能数据/CEI可用于过滤、编校、引导和以其它方式管理由NDS生成或接收的数据的分布(例如,从提供到例如装置销售人员的商业用户的数据排除PHI,并且以其它方式确保依从监管要求(RR))。在各方面中,NDS可并行地将不同的NDS生成数据集合(分析性数据/分析或NDS-AD)、MA-D、基于NDS-AD/MA-D的输出或其组合递送到MA和各种其它网络装置/系统,所述各种其它网络装置/系统在各方面中包含分派到不同用户/类别的装置。在各方面中,由NDS中继的数据取决于RR和适用于不同角色/类别的用户/与不同角色/类别的用户相关联的用户需求/角色而变化。在各方面中,NDS容纳设置在本地/用户层级、NDS/类别层级或这两者处的若干个性化或类别层级警报/警告。
网络的MA可包括针对未经授权修改或篡改的一个或多个保护。例如,在各方面中,MA包括当检测到未经授权篡改时限制/抑制或停止MA性能的防篡改组件/系统(例如,引擎、传感器等)。在各方面中,MA包括传感器、组件、引擎、系统等,其注册或中继警报(例如,通过将物理听觉、视觉或视听警报注册在MA上;通过将警报消息发送到NDS、ONDI,或这两者;或其组合)。
在各方面中,MA可表征为“多分区MA”(MZMA),其是包括2个或更多个组件或系统集合的MA,所述组件或系统具有与网络的不同水平的交互性、与患者的不同水平的交互,或不同水平的装置安全性(例如,MZMA可包括第一区,其包括第一治疗性组件,例如涉及急救护理/生命支持功能,例如心血管或肺部生命支持/治疗功能的组件,所述组件在传入数据方面与第二组件相比受到更多限制,所述第二组件可例如涉及不同类型的治疗性应用或诊断性/监测应用)。
在各方面中,MA可在一个或多个方面中由NDS(MAC-DMS)直接控制,所述一个或多个方面是例如直接药物治疗的应用、显示用于HCP的治疗过程或提供用于HCP的建议治疗过程。
NDS可包括机器学习模块(MLM),对于每一类型的装置、所治疗的病况、患者类型等,并且在各方面中,可进一步包括用于管理用于患者的多个重叠MLM的主控MLM。在各方面中,NDS/方法在来自MA的数据上传与例如MLM的分析性功能的执行之间具有关系,例如使得(1)存在更多,通常更多(例如,≥5个、≥10个或≥25个)数据收集循环,有助于在收集足够数据集合以用于执行分析性功能的周期中执行的可分析数据收集,并且(2)在具有任一个数据收集循环的经检测问题不可由NDS修复或以其它方式补偿的情况下,存在用于重新开始数据收集循环对数据收集的贡献的步骤/功能。
在本公开的以下章节中特别详细描述本发明的系统、网络和方法的这些和其它特征的额外方面。
A.医疗设备(MA)和MA群组(MAG)
网络可包括多个MA的群组(有时被称为网络),每一MA群组(“MAG”)包括一种或多种类型的MA,并且每一类型的MA通常在操作中与一种或多种类型的患者/个体、一种或多种类型的治疗/诊断/应用或其组合相关联。
在各方面中,网络包括与NDS通信的≥5个MA,并且在各方面中,网络包括与NDS通信的≥~20个、≥~100个、≥~200个、≥~500个、≥~1000个、≥~5000个MA(MA单元)(例如,100-1000个MA、100-10,000个MA,或100-100,000个MA)(以≥1种、≥2种、≥3种、≥5种或更多种MA类型)。
在各方面中,网络包括≥2个MAG,(例如,≥3个、≥5个、≥7个、≥10个、≥12个、≥15个、≥20个、≥25个、≥35个或≥50个MAG),每一MAG包括例如≥~5个MA(例如,≥10个、≥20个、≥25个、≥50个或≥100个MA)。在各方面中,一些、大部分、一般全部、大体上全部,或全部MAG的一些、大部分、一般全部,或全部MA在独立实体(lE)的主要控制下,所述独立实体彼此不同且与系统拥有者/系统操作者不同。在各方面中,网络包括各自在单独的独立实体(IE)(相对于彼此和NDS拥有者/操作者(SO))的主要控制下的≥5个MAG(例如,5-100个、5-50个或10-40个MAG)。“主要控制”意味着对MA的操作的最终责任(例如,通过拥有MA的所有权、承担其对个体的治疗/诊断的责任,或这两者)。
在各方面中,SO是NDS的拥有者。在各方面中,SO由操作者实体或个人操作。在任一情况下,SO可采用管理NDS的方面的个人,其可被称为“管理员(administrator)”、“管理者(admin)”、“系统管理员”等。在各方面中,与MAG相关联的一个或多个IE允许SO从MA接收数据、控制MA操作的方面,或这两者。在各方面中,MA、NDS或这两者具备电子签约功能,所述电子签约功能包括例如用于建立此类存取授权的构件。在各方面中,此类电子签约功能是可编程的且可更新的。
在其它方面中,在网络中拥有MA的一些、大部分、一般全部,或全部实体维持对MA的完全控制,但被SO授予使用NDS的权限(并且通常授权SO直接存取IE相关联PHI,例如MA传感器数据,以允许SO操作NDS)。
在各方面中,网络中的一些、大部分、一般全部,或全部MA是最初由SO控制的MA(例如,是由或针对SO制造或出售/授权/转移给当前IE拥有者的MA)。在一些此类方面中,在MA中的NDS交互方面SO强加的能力在所有权转移之前建立(例如,在本文中所描述的标准中的一个或多个中收集或传输数据的能力),并且在网络中维持大部分、一般全部、大体上全部,或全部MA。此类方面允许元件的特定配置(例如,大部分、一般全部,或大体上全部MA-D、NDS-AD等的格式)。然而,在其它方面中,此类功能性还或替代地通过IE向SO授予控制MA操作的方面的权限来实现。在各方面中,操作的组分通过两个措施来实现(例如,初始设置是由SO在其拥有装置时设置的,但稍后必须基于IE权限而更新)。
由单独IE(彼此)拥有/管理的MA的连接通常强加额外数据管理要求,以确保从与每一不同IE相关联的MA获得的MAD的保密性受保护而不受与其它IE相关联的用户的存取(以及不对另一其它未经授权实体/个人公开)。因此,与此类多个IE拥有的MAG相关联的NDS可包括MA和NDS层级处的协议,其中自不同的IE MAG导出的MA-D和NDS-AD被识别为与适用IE相关联。数据“加标签”的方法是已知的且在其它地方进行描述。此类方法可包括例如将包信息添加到MA-D,所述包信息识别一个或多个层级(例如特定装置层级、装置类型层级、装置功能状况层级、IE层级或者例如地区或国家层级的其它层级)处的MA的来源。在各方面中,装置层级、系统层级或这两者处应用/执行的引擎、单元或功能还识别其它关联层级,所述其它关联层级可限定每一MA属于的MAG(例如,医院治疗群组、医院、医院系统、城镇、大都市区、县、州/省等)。
在各方面中,网络中的MA可作为独立医疗设备(例如,独立医疗装置)而存在。在各方面中,≥2个MA形成MAG,所述MAG占网络的MA中的一些。MAG可由位置(例如,站点)限定、由子网络(例如,实体MAG,例如医院或诊所的网络)限定、由地理位置限定(例如,可限定城市、县、州、地区、国家或大陆的区域MAG),或例如由患者群组(例如,包括诊断患有共同病况的患者的患者群组)限定。在各方面中,MAG可在初始创建之后修改,例如一个或多个MA可添加到群组或从群组移除,或者一个或多个MA可从一个MAG转移到另一MAG。在各方面中,MA可长至2个、3个、5个或MAG,例如其中在网络中考虑多个MAG类别(例如,MA可属于由IE X所拥有的MA、区Y中的MA或这两者限定的MAG,其中此类MAG重叠)。在各方面中,MA的表征/分组可随时间推移而波动,在各方面中实时波动,例如基于患者状况的MA的分组,例如,共同共享一个或多个生理参数的患者群组,此类参数随时间推移而改变且因此相关联MA的分组随时间推移而改变。在各方面中,一个或多个MA可属于任何单个时间点处的多个集合,例如属于站点群组和患者群组两者。为了识别MAG中的MA,NDS可包括CEI,其包括用于基于例如反映MA的操作、相关联个体、位置lE隶属、MA类型等的MA-D而将每一MA关联到相关MAG中的协议/规则。例如,MA可将此类信息添加到MA-D,并且NDS可包括具体地识别此类信息的CEI。在各方面中,此类信息可识别为半非结构化MA-D中的一种类型的属性/值对。
在各方面中,网络的每一MA至少部分地可远端控制;也就是说,在一些方面中、大部分、一般全部或每一MA具有≥1个功能、≥约2个、≥约3个、≥约4个或者例如≥约5个或更多个功能,所述功能可从设备远端/非本地的位置操作,例如从网络数据系统(NDS)、其它网络接口/装置(例如,HCP装置、IE管理员接口,或这两者,或者其它ONDI)操作。
在实施例中,网络的一些MA可分类为静止装置或设备(例如,一旦设置,就一般或大体上始终在单个位置中操作的MA)。在各方面中,网络中的一些、大部分、一般全部、大体上全部,或全部MA是移动医疗装置。移动MA是适于、被配置成和能够在健康护理设置中,例如在医院中、在救护车护理中等准备移动的MA,例如是轻质的,适于便携性(例如,通过作为轮式推动装置、手持式装置、机器人移动装置、基于车辆的装置等)。在各方面中,移动MA包括无线互联网或其它类型的无线互联网存取/遥测能力(例如,通过蜂窝网络、蓝牙等传输数据的能力)。在各方面中,网络可包括静止和移动MA的组合。在各方面中,移动MA的一些、大部分、一般全部,或全部大多、一般始终或仅经由例如Wi-Fi的无线安全互联网通信协议将MA-D中继到NDS。
网络可包含任何适合类型的一种或多种类型的MA。在各方面中,MA的一些、大部分、一般全部、大体上全部,或全部是急救护理MA。在方面中,MA支持心血管、肺部、神经系统,或者胃肠系统或器官支持,例如心脏支持、肺支持、肝支持、肾脏支持等。在各方面中,MA包括心脏泵。在方面中,MA包括体外膜氧合(ECMO)装置。在各方面中,网络的MA包括ECMO和心脏泵装置两者。
根据各方面,MA包括≥2个异质类型的MA。在各方面中,NDS确定装置每一MA的类型与来自MA的数据的上传、数据到MA的下载或这两者相关联(例如,通过读取装置类型识别由每一MA-D中继的MA-D)。根据各方面,异质MA可共同共享≥1个特性,例如其主要医疗目的(例如,心血管或肺部支持)。在各方面中,网络的至少一些、大部分或一般全部异质MA提供不同功能,例如支持不同器官或生理系统(例如,心血管系统、肺部系统或神经系统支持)。在各方面中,异质MA可各自提供与相同测量元件中的1个或多个相关的MA-D,例如某些生理参数(例如,血压、心率等)。根据各方面,异质MA提供用于共享生理参数的MA-D,使得源自此类装置的MA-D还至少部分地呈共享/共同格式(例如,包括用于血压、氧含量、心率等的类似格式化值/属性对,呈半非结构化MA-D形式)。根据替代方面,异质MA还或替代地提供用于共享生理参数的呈不同格式的MA-D。在此类情况下,可使用已知方法在NDS中执行数据协调,以“统一”来自不同类型的MA的MA-数据以生成经组合NDS-AD。在其它地方进一步论述此类过程。
MA可与任何类型的医疗程序、医疗工作流程等相关联,例如可提供对任何医学病况的介入或监测支持。在各方面中,MA可为门诊相关医疗装置的组件。在各方面中,MA可为被设计用于由例如医院或诊所的所建立医疗机构内的经训练医务人员操作的设备。在各方面中,MA网络的MA的一个、一些、大部分、一般全部,或全部与例如心血管系统(心脏)、肺部系统(肺)、脑部或肾脏的支持功能的关键生命支持功能相关联。在某些方面中,网络的MA的至少大部分与关键生命支持功能(例如,支持/治疗呼吸系统、心血管系统或神经系统)相关联。在各方面中,MA是可植入医疗装置。在各方面中,MA是在操作中存在于个体的心血管系统、肺部/呼吸系统、脑部或肾脏内的医疗装置。在更特定方面中,一个或多个MA是植入到心脏中的可植入医疗装置,例如类似于已知心脏泵装置(阿比奥梅德公司)中的一个的装置。在其它方面中,MA是包括内部定位在个体中或与内部植入组件介接的组件但包括外部组件的装置,例如Breethe OXY-1系统(阿比奥梅德公司)。在各方面中,网络包括心脏泵和ECMO(例如,/>和BreetheTM装置)两者。
在方面中,网络中的大部分、一般全部、大体上全部,或全部MA在操作中与NDS大体上连续地通信。举例来说,在各方面中,网络中的一个或多个群组中的MA与NDS连续地通信,平均每天、每周、每月、每季度或每年持续≥约50%、≥约65%、≥约75%、≥约80%、≥约85%、≥约90%、≥92.5%、≥约95%、≥约97%、≥约98%或甚至≥约99%的时间。在各方面中,MA是移动MA,所述移动MA在操作中经由无线通信协议将RT-SMAD传输到NDS,平均每天、每周、每月、每季度或每年持续≥约50%、≥~65%、≥~75%、≥约85%、≥约90%、≥约95%,或≥约97%、≥~98%,或甚至≥约99%的时间。
在各方面中,“连续通信”意味着在操作中小于每1分钟(例如,小于每30秒、≤~15秒、≤~10秒、≤~5秒、≤~2秒、≤~1秒、≤~0.5秒、≤~0.25秒或≤~0.1秒)上传、下载或者上传和下载可分析/可操作数据量。“大体上连续”通信意味着在MA操作的大体上全部时间(即,当在操作中时的至少95%的时间)中实现此类通信水平。在各方面中,大体上连续通信或连续通信包括流式通信、一般由流式通信组成、基本上由流式通信组成,或由流式通信组成(在其它地方论述)。“可分析/可操作”数据量意味着足以执行一个或多个分析性功能/过程、一个或多个操作功能(例如,控制网络的一个或多个其它组件(例如MA)的动作)或这两者的数据量。
在示例性方面中,MA包括至少两个不同的MA类型,所述MA类型包括执行肺部治疗性任务的第一类型的医疗设备和执行一个或多个心血管治疗性任务的第二类型的医疗设备,其中NDS的操作包括将机器学习模块(“MLM”)应用于从第一类型的医疗设备和第二类型的医疗设备两者接收的MA-D上以生成机器学习生成的NDS-AD。在各方面中,机器学习NDS-AD包括与由MA执行的治疗性任务相关联的经预测患者特定的生理参数。在各方面中,将NDS预先编程以自动地或条件性地将此类经预测患者特定的生理参数递送到两种不同MA类型中的一种或两种的MA、到其它网络装置(OND)或其组合。
在各方面中,用户包括研究用户,并且数据网络中的一个或多个MA、OND或这两者与一个或多个研究用户类型相关联。在此类方面中,NDS/MAC-DMS可例如从研究用户相关联MA接收输入,(b)MAC-DMS可将来自研究用户相关联MA中的至少一些的MA-D与从与健康护理提供者相关联的医疗设备获得的MA-D组合以形成混合数据集,并且(c)MAC-DMS可对混合数据集执行分析/分析性功能。在各方面中,此类混合数据或混合数据功能/应用程序(或研究数据/研究数据应用程序输出)与输出中的其它NDS-AD/输出分开地专门识别。在各方面中,此类输出仅提供到与研究类用户(例如,参与临床试验的研究者)相关联的用户装置。在各方面中,例如实践HCP的其它用户具有基于混合数据、纯粹基于研究数据或这两者而选择接收输出、分析等的能力。此类识别可通过包/数据加标签执行,如已知的和本文中其它地方所描述的。例如,在各方面中,NDS包括用于添加此类标签的CEI,并且MA/OND包括用于识别此类标签的CEI。
I.MA个体/用户交互组件
MA可基于与用户/个体交互的组件表征,例如在通过传感器从个体收集数据、通过MA或相关联用户接口中的直接数据输入从用户收集数据、将治疗应用于个体、将治疗指导提供到HCP、监测/诊断(检测)条件等时。
1.传感器
在各方面中,网络中的一些、大部分、一般全部,或全部MA包括传感器,与传感器相关联,或这两者。传感器通常包括或是感测与患者生理状态、装置性能/状态、其它物理条件或其组合相关的条件的装置或装置/系统的组件。传感器可例如包括感测组件/装置,所述感测组件/装置检测个体相关联生理状态且将关于此类生理状态的信息转换成处理器可读数据(MA-D)。如其它地方所论述,各种传感器技术是已知且适用于各方面。
在各方面中,MA或一个或多个类型的MA的一个、一些、大部分、一般全部,或全部传感器或者与MA或一个或多个类型的MA相关联的一个、一些、大部分、一般全部,或全部传感器是与身体接触的传感器,例如可穿戴传感器。在各方面中,MA的一个、一些、大部分、一般全部,或全部传感器或与MA相关联的一个、一些、大部分、一般全部,或全部传感器是内部传感器,通过放置在例如患者的器官、血管、肺或其它内部组织/系统中感测患者的病况。
与MA相关联的传感器可为与MA分开,但将关于MA、MA关联于的患者或这两者的信息中继到MA或者到用户可审查的另一装置或网络的传感器。
传感器可为所属领域中已知的任何适合的传感器,并且通常与个体相关联的传感器的性质将取决于正通过MA寻求预防、治疗或诊断的个体中的病况的性质。传感器的实例包含氧饱和度监测器、呼吸监测器、温度监测器、血氧监测器以及其它氧含量监测器、心率监测器、血压监测器、动脉压力监测器、脑部活动监测器、响应监测器(例如,反应监测器)、二氧化碳图监测器、血流传感器、血液/组织/尿液葡萄糖监测器、生物传感器(例如,病原体生物传感器)、其它尿液监测器、其它流体监测器、位置监测器、移动/运动监测器/加速计、肌电图(EMG)、呼吸量计以及其它气流监测器、脑电图(EEG)、其它电生物信号监测器、气体交换监测器、力传感器/惯性传感器、睡眠监测器、皮肤状况监测器、心电图监测器,以及所属领域中已知的任何其它生理或健康监测器。在各方面中,传感器还可感测周围/环境数据。传感器的实例描述在例如Wilson CB.传感器2010.BMJ.1999;319(7220):1288.doi:10.1136/bmj.319.7220.1288和Sergio L.Stevan,“用于健康监测的传感器”,学者社区百科全书,在https://encyclopedia.pub/2084中存取。传感器通常包括计算机接口,其将传感器读数转换成可使用典型装置数据中继标准或其它数据中继标准中继到计算机处理器的测量结果。
在各方面中,MA可分类为诊断性MA,其主要、大体上仅,或仅通过传感器(例如,超声波和MRI机器、PET和CT扫描器,以及x射线机器、示波器、活检装置,或参与监测条件、诊断条件或这两者的其它装置,例如成像装置(包含例如相机)、探测器,以及其它基于传感器的装置)与个体交互。
在各方面中,MA是治疗性装置,其除治疗性组件之外还包括传感器。在各方面中,在治疗性装置中,一个、一些、大部分、一般全部、大体上全部,或全部传感器与供应/试图供应关联于装置性能的治疗效果相关联。在各方面中,MA将包括≥1个传感器,当MA-D在操作中时,所述传感器检测患者的至少1个条件。在各方面中,每一MA包括≥约2个、≥约3个、≥约5个、≥约8个或≥约10个传感器或更多,例如≥约15个或≥约20个或更多个传感器,能够检测≥约2个、≥约3个、≥约5个、≥约8个、≥约10个条件(例如,生理参数)或更多,例如≥约15个或≥约20个或更多个条件或参数,例如≥~30个、≥40个或≥50个条件/参数。
2.治疗性组件
在各方面中,MA包括治疗性组件。“治疗性组件”是与引起、促进或维持个体的治疗效果(在操作中预防、缓解、治疗或治愈疾病或病况)相关联的MA组件。在各方面中,MA是参与治疗或预防与维持生命(例如,预防即将发生的死亡风险)、正常脑部功能、基本活动性/物质生命质量相关的疾病或病况的急救护理装置。此类MA的实例包含例如医疗呼吸机、培育箱、除颤器、麻醉机、心肺机、抽吸装置、压力装置、灌洗/冲洗装置、ECMO装置、泵(例如,输液泵、心脏泵等)、活检装置、手术装置(例如,脊柱手术装置、心脏手术装置等)、分流器或其它压力缓解装置、心室辅助装置、起搏器、组织/器官或血管/管腔温度调节装置、气囊泵、其它血管/动脉开放/调节装置、导管、支架、注射泵、注射装置、缝线、阀、止痛泵、输注装置、器官功能补充或替换装置、循环存取装置(端口、线等)、其它循环装置等,以及透析机。在各方面中,治疗性组件通过手术或其它身体操纵(例如,医疗激光器、切口装置、抽吸装置、钻取活检和其它活检装置、清创装置、夹钳、高频超声波、温度调节装置等)调节个体的身体的部分。
在各方面中,治疗性或诊断性组件或这两者部分或完全地远端控制、机器人或以机器人方式辅助、计算机系统控制等。
3.操作控件
在各方面中,MA包括控制MA操作的≥1个方面的操作控件。此类控件可包含例如针对治疗性组件(例如,取决于治疗性组件的泵速、流动速率、压力等)的控件、针对诊断性/监测组件的控件,或这两者。操作控件还可包含显示控件、警报/警告控件,或软件/数据控件(例如,用于下载/传送或上传数据的端口、交互式接口、数据输入装置、触摸屏等)。在各方面中,大部分、一般全部,或大体上全部操作控件由MA计算机操作系统/软件(例如,引擎)的方面控制。在各方面中,MA的一些、大部分或一般全部操作控件是可远端控制的操作控件。在各方面中,操作控件中的一些、大部分或一般全部尤其由NDS输出控制。
4.MA显示/输出单元
MA可包括输出单元,例如显示单元。显示单元可为用于在视觉上向用户显示信息的任何适合的装置/组件,例如计算机监测器/屏幕等。在各方面中,显示单元可包括或为交互式的(例如,触摸屏装置)。MA显示单元还可中继或接收呈音频格式的信息。在这方面,术语显示可被解释为意味着“感官输出”。MA显示单元中的一些、大部分、一般全部,或全部可有时、大多、一般始终,或始终经历远端控制,具体地经历NDS控制。
在各方面中,MA显示单元还可与MA分离。在这方面,MA显示单元可由网页/软件接口补充或替换,且因此,对接口和显示单元的参考通常可在本文中互换,并且不矛盾的是,被视为提供包括术语的此类取代的对应方面的隐含公开内容。MA显示单元可为MA的物理组件。显示单元可尤其显示NDS-AD和相关信息(例如,治疗建议、治疗指导、可充当用于评定程序进展、条件等的标记的生命征象预测等)。MA输出单元可包括用于输出的组件,所述输出包含音频输出(指令、警报,或这两者)、运动输出等。
在各方面中,MA显示单元可将装置操作的一些、大部分、一般全部,或全部条件、患者病况以及一种、一些或若干种类型的NDS-AD传达到用户(例如,≥3个、≥4个、≥5个、≥7个、≥10个、≥12个、≥15个或≥20个NDS-AD信息特征/数据点)。数据特征的实例可为但可不限于字符格式(例如,α、数字、混合α/数字)、经译码和未经译码数据、语言(例如,英语、西班牙语、法语、德语、阿拉伯语、韩语、汉语、日语等)、包含或排除特殊字符,例如斜线、短划线、星号、指数(或例如下标和上标字符)、单位、符号、流程图、示意图、图形数据、表格数据、图像等。NDS-AD可包含经建议治疗步骤、经预测生命征象或其它传感器测量结果(例如,基于机器学习模块(MLM))、系统状况、软件更新状况、NDS的其它用户监测MA-D的状况等。MA显示单元可为经组合输入/显示单元的部分,例如在图形用户接口(GUI)中。
II.MA计算机化/计算机系统组件
MA包括计算机化组件,其尤其可接收传感器数据且将传感器数据或其它MA-D(例如,装置状况/性能MA-D)中继到NDS。
1.MA-MEMU/DM(MA存储器单元)
MA通常包括存储器组件/单元、系统或组件(其可被称为“MA存储器”、“装置存储器”(“DM”)或MA-MEMU)。MA存储器通常包括CEI以及含于PTCRM中的其它数据(例如,MA-D)。DM可存储任何适合的MA-D,包含随时间推移而从传感器接收的数据,例如根据存储器大小、需求等,历经几分钟、几小时、几天、几周、几个月的周期或历经几年的周期。在各方面中,数据在DM中的存储选择性地发生、自动地发生,或条件性地自动地选择性地发生(例如,响应于预先编程条件,例如用于以其它方式将数据中继到NDS的安全且稳定的网络连接的可用性),或以其组合发生。在各方面中,DM还存储来自其它输入的数据,例如从用户输入到MA的数据、来自与EMR/EHR相关联的个体的数据、内部装置操作数据等。在各方面中,DM被调适成能够存储在MA外部生成的数据,例如,NDS-AD或递送到MA的其它输出,例如经建议治疗步骤。DM通常还包括用于MA的软件控制的组件的操作的CEI,其可包含用于控制MA一些、大部分、一般全部或至少大体上全部治疗性组件、诊断性组件、显示功能、警报/警告功能或数据接收/中继功能/操作的方面的引擎。MA存储器/DM可为任何适合类型的存储器,包含例如硬盘驱动器存储器、快闪存储器等。DM的大小将随着MA的数据负载(例如,传感器的数目、传感器操作速率、MA的软件/操作系统的复杂性、所测量的数据点的数目等)、数据传输协议、MA使用条件等而变化。在各方面中,DM将包括例如≥512MB、≥1GB、≥2GB、≥4GB、≥8GB、≥10GB、≥15GB、≥20GB、≥50GB或≥100GB容量。在各方面中,DM由本地外部硬盘驱动器/快闪驱动器存储器、本地相关联计算机存储器等补充。在各方面中,DM可包括与NDS存储器分离的云存储器。含于DM中的传感器数据或其它MA-D,即使是暂时的,也可被表征为“高速缓存数据”。在其它地方论述高速缓存数据。
2.MA处理器
MA还包括处理器单元/处理器,其执行存储在DM中的装置CEI(MA-CEI)。MA可包括任何适合数目个处理器,其各自是任何适合类型的处理器(例如,包括单个处理器或一起工作的若干个处理器的处理器单元)。在各方面中,MA处理器大多、大体上仅,或仅含于MA中。在各方面中,在MA外部执行至少一些MA处理功能。在各方面中,MA包括≥2个物理上分离且独立操作的处理单元,在各方面中,所述处理单元中的至少一个包括多处理器处理单元(例如,多核心处理器)。
一般来说,MA和其它网络装置中的处理器可包含任何适合类型和数目的切换元件(例如,电子电路),其维持状态(例如,适合于应用二进制代码机器语言的二进制状态)或其它适合状态(例如,在量子计算机、DNA计算机或其它替代计算平台的情况下),其中通常基于1个或多个其它切换元件,例如逻辑门的状态的逻辑组合来选择性地改变功能性状态和用于报告状态(输出)的构件。这些基本切换元件可经组合以产生更复杂的逻辑电路,包含寄存器、加法器-减法器、算术逻辑单元、浮点单元等。处理器元件/处理器的实例包含专用集成电路(ASIC)、数字信号处理器(DSP)、神经网络处理器(NNP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)和CT。MA和其它网络装置可包括此类类型的处理器系统/组件中的一个、一些或若干个。
MA处理器可具有任何适合的处理器能力或特性。在对MA的数据处理需求相对有限的各方面中(例如,在仅具有收集简单数据测量结果且通常不收集图像数据的一个或少量传感器的装置中)低功率处理器可用作MA处理器中的一个、一些、大部分或全部。在各方面中,网络的一些、大部分、一般全部,或全部MA包括、大多包括、一般包括或仅包括此类较低功率/有限容量处理器,其在各方面中可有利地与DOS较好的功率特性(例如,较长的电池寿命等)相关联。例如,在各方面中,MA可包括较低功率处理器,其可具有≤~200,例如≤~150或≤~100的微安培/兆赫兹(μA/MHz)额定值。在各方面中,MA处理器≤~70,例如≤~50或≤~40的μA/MHz额定值(例如,通过包括表征为35μA/MHz性能的ARM处理器)。在各方面中,此类装置中的电池寿命可平均、一般,或大体上超过3年,例如≥~4年、≥~5年、≥~6年、≥~7年或≥~8年(例如,~10年)。在各方面中,此类处理器的能量需求是约2伏特-10伏特,例如~3伏特-9伏特、~3伏特-6伏特或~3伏特-5伏特。在各方面中,较低供电MA处理器的处理速度也相对有限(例如,在~50KHz-~100MHz,例如~100KHz-~50MHz、~250kHz-~20MHz,或~500KHz-~10MHz,例如~1.5MHz-~75MHz、~2MHz-~50MHz,或~2.5MHz-100MHz下操作)。在各方面中,一些、大部分、一般全部,或全部MA的处理器包括微控制器、片上系统(SoC)/嵌入式处理器,或这两者,如其它地方和所属领域所描述。在各方面中,此类处理器可被视为次级或外围处理器,在一个或多个方面(例如,处理速度)中与主处理器单元相比具有更少的处理能力。例如,在各方面中,主要MA处理功能负责不由例如微处理器、SoC、EGPA等次级/外围处理器执行的全部MA处理器操作,所述次级/外围处理器可与MZMA的仅1个分区/部分相关联。在各方面中,大部分、一般全部,或大体上全部MA处理器功能通过单个处理器执行,所述单个处理器在各方面中是微处理器。在各方面中,MA包括≥2个、≥3个或≥4个单独的处理器组件,其中一个组件充当主要/主MA处理器(其可为多处理器处理系统或单个处理器),并且其它组件充当用于特定数据/功能的专用处理器(例如,MZMA的高度受限组件/部分/分区中的微处理器)。例如,在各方面中,MA包括主处理器,以及2个或3个专用处理器,所述专用处理器可为例如EGPA、微处理器、嵌入式处理器等。在各方面中,MA包括≥1个高功率处理器(在大于100MHz,通常大于250MHz且通常大于500MHz的速度下操作的处理器)。在各方面中,高功率MA处理器包括图形处理单元(GPU),例如NVIDIA/ATI GPU。在各方面中,MA处理器是或包括现场可编程门阵列(FPGA)、数字信号处理器(DSP)或专用集成电路(ASIC)。在各方面中,高功率MA处理器包括多核心(例如,双核心、四核心等)/具有并行处理功能的架构,例如英特尔或Xeon多核心处理单元。在各方面中,MA处理器包括主控处理器和从属处理器,所述主控处理器和从属处理器两者可在各方面中与共同总线相关联。在各方面中,用于具有并行处理功能的MA处理器的操作软件包括OpenMP或另一多平台共享存储器并行编程API。在各方面中,多核心MA处理器中的核心的数目是≥~10,例如≥~20、≥~50、≥~100、≥~200、≥~500或≥~l,000。在各方面中,MA处理器可包括协处理器(例如,PCIe卡)。在各方面中,MA处理器可包括CPU和GPU,并且在各方面中,可包括多个CPU核心和GPU核心。MA处理器中的处理器(例如,CPU)高速缓存大小可为例如L1、L2或L3高速缓存大小,或较大高速缓存(例如,L4)。MA处理器的总线特性可包括PCI高速1.0、2.0、3.0等(例如,AGP、PCI-X、VLB等)。用于高供电MA的示例性处理存储器是例如32GB(DDR2-667FB-DIMM存储器)或8GB双信道存储器(例如,DDR2 667/800)、存储器控制器(例如,英特尔5000X芯片组),但可使用任何其它适合的配置。
由MA/网络装置处理器执行且存储在CRM中的CEI可包括以一种或多种编程语言的任何组合写入的汇编指令、指令集架构(ISA)指令/CEI、机器指令、机器相关指令、微码、固件指令、状态设置数据、用于集成电路系统的配置数据,或者源码或目标代码,所述一种或多种编程语言包含例如Smalltalk、C++、Java、Visual BASIC、Python等面向对象的编程语言,以及例如“C”编程语言、数据库聚焦程序(例如,SQL),或者类似或其它适合的编程语言等程序编程语言。在与由MA或其它网络组件执行的功能相关的各方面中,计算机可读程序指令/CEI可作为独立软件包完全在适用MA/装置上执行,部分在MA/网络装置上执行且部分在远端计算机上(例如,在NDS中)执行,或完全在远端计算机或服务器上执行。在后一情形下,远端计算机可通过任何类型的网络连接到其它计算机(例如,NDS),所述网络包含局域网(LAN)或广域网(WAN)/广域包交换网络,或可进行到外部计算机的连接(例如,通过使用互联网服务提供者的互联网)。在各方面中,包含例如可编程逻辑电路系统、现场可编程门阵列(FPGA),或可编程逻辑阵列(PLA)的电子电路系统可通过利用CEI的状态信息以使电子电路系统个性化来执行CEI,从而执行方法/NDS的步骤/功能(S/F)。
MA处理器通常处理从传感器中继的电生理信号。在传感器数据复杂(图像数据、波形数据等)需求负载以其它方式较高的情况下,MA的MA处理器可利用并行处理、分布式处理,或这两者,并且通常将包含用于防止传感器错误、装置错误、外部事件(例如,电力故障、电力浪涌等)等的处理功能。MA处理系统(例如,并行或分布式处理器)和相关原理(其中的一些可适于实践本发明)的实例描述在以下各项中:例如US5464435、US5734106、US6185460、US7013178、US7758567、US10252054、US10499854、US7446295、US20060009921、US20060206882、US20120226331和US5607458。
3.MA中继组件/单元/引擎
在操作中,网络的MA将包括MA-D的装置信息从MA传输到NDS/MAC-DMS。负责来自MA的数据中继的组件可表征为“中继单元”(又名RELAYU或装置数据中继单元(DDRU))。MA中继单元可包括软件、硬件或软件和硬件组件,并且绘制/利用或包括MA的其它单元/组件的方面。MA中继单元通常选择性地、自动地或选择性地自动地将MA传输到NDS。
在各方面中,MA-D经由互联网从MA中继单元传输到NDS。通常,MA中继单元可选择性地、自动地或选择性地自动地操作(例如,当被选择为这样做时试图连续地或周期性地中继数据)。例如,当某些条件被满足时,例如当MA离线(安全/稳定网络不可用)、正经更新、测试、不在操作中等时,MA可能不中继数据。MA中继单元通常经由安全互联网数据通信中继MA-D或其它MA数据。在各方面中,每当MA处理器确定到NDS的安全且稳定的网络连接可用时,MA中继单元将以大体上连续/流式方式将MA-D或其它MA数据中继到NDS。在各方面中,如果此类连接不可用,则MA处理单元执行DM中的CEI,使MA评估是否存在与NDS/网络的稳定且安全的连接。DM中的CEI还可包含关于如何中继数据,在何处中继数据、何时中继数据等的指令。在各情况下,在操作中,MA处理单元自动地且反复地执行功能/包括根据算法操作的单元:开始,(1)如果可操作,(a)重复,直到不可操作,(I)将对信道/插口的GET请求发送到NDS,(II)打开/接收NDS响应,(A)如果接收到NDS响应,(i)检查安全且可靠的信道,(*)如果安全且可靠的信道存在,(#)发送MA-D,(**)否则,(##)存储高速缓存MA-D,(***)结束如果,(B)否则,(i)存储高速缓存MA-D,(C)结束如果,并且结束。
在各方面中,每一操作MA自动地且反复地评定安全网络连接是否可用,并且(a)如果安全且稳定的网络连接可用,则经由安全互联网数据通信以大体上连续的方式将包括MA-D的数据自动地中继到NDS/MAC-DMS;并且(b)如果安全且稳定的网络连接不可用,则(I)将MA-D存储在医疗设备存储器单元中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)当安全且稳定的网络连接变为可用时,经由安全互联网数据通信将高速缓存MA-D中继到MAC-DMS。用于评定通信信道的可用性的技术是已知的。典型方法是服务器(此处,NDS)的“ping”(例如,经由所属领域中已知的ICMP传送方法)。例如,可通过定期试图连接/ping至NDS来采用类似于例如微软的网络连接状况指示符(Windows)的系统。在各方面中,例如XML/HTTP请求的系统可使用所形成消息常规地中继到NDS,服务器将通过由服务器计算的状况码对所述所形成消息作出响应,所述服务器进行多次检查以确保所需NDS子系统在线(例如,流式处理引擎等)。基于云的服务器监测系统也是公开可用的,并且可用于监测基于云的NDS服务器(例如Anturis服务、CloudStats服务等),例如在例如Azure、AWS或谷歌的领先的商业云平台上托管的NDS。
在各方面中,一些、大部分、一般全部、基本上全部、大体上全部,或全部MA中继的MA-D是半结构化/半非结构化数据。在各方面中,MA中继的MA-D中的一些、大部分、一般全部、基本上全部、大体上全部,或全部顺应已知/设置格式,者允许此类数据由NDS/MACMDS较快DOS处理。
MA中继单元可包括直接通信媒体(例如,由例如通信电缆,例如同轴电缆线、光纤线、以太网连接等促进的物理连接),或与直接通信媒体交互/使用直接通信媒体,或经由无线/远端通信构件,例如Wi-Fi、蓝牙等。在各方面中,MA中继单元将包括网络接口,例如NIC(网络接口卡/控制器)。在各方面中,MA中继单元还或替代地可包括调制解调器/路由器,或与调制解调器/路由器交互,所述调制解调器/路由器是例如电缆调制解调器、DSL调制解调器、路由器、开关等。因此,MA中继单元还可包括例如Wi-Fi传输器/接收器模块(又名无线传输器)的组件。
可被视为MA中继单元的组件的处理器功能可例如使用在应用程序协议层(例如,FTP或WWW协议)、TCP层、IP层和硬件层(例如,以太网卡)下操作的适合协议(例如,TCP/IP)将数据转换成传输准备格式。输入单元(在其它地方所论述)通常以类似方式但在“相反方向”上翻译传入数据。
适合的MA中继单元/中继单元组件是已知的。因此,在各方面中,MA包括用于中继MA数据/MA-D的构件(意味着本文中所描述的中继单元组件/系统或所属领域中的等效物的任何适合集合),并且方法可包括用于中继MA数据/MA-D的步骤,意味着采用本文中所描述的MA-D/MA数据中继方法或其等效物中的任一个。
传输准备数据可以任何适合的形式传输。在各方面中,所传输数据被封装且作为例如TCP/IP格式化包的包传输。在各方面中,网络的其它组件有时、大多、一般、基本上、大体上或仅也经由包通信传达。因此,在各方面中,网络可表征为包交换网(PSN)。在各方面中,在正常操作中,来自MA的大部分、一般全部、大体上全部,或全部通信仅被引导到NDS/MAC-DMS。
数据包通常包括标头部分,包括例如数据路由信息、测序/关系信息、源信息、包数据错误检测/校正相关信息(检查和、奇偶校验位或循环冗余信息)、存留时间/跳限制信息、包长度信息、包优先权信息、有效负载信息(与排队/优先级排序相关)或任何CT。包通常还包含有效负载部分(包括主要或实质性中继数据,例如传感器数据)和尾部部分(其可类似地包含与错误校正等相关的信息)。MA中继包有效负载信息通常将包括包含传感器信息SMAD和其它信息的MA-D,例如MA-D分类/识别信息(装置地址、用户类别、装置类型、位置信息、患者/个体类型、装置状况或任何CT)和其它数据分类信息(例如,高速缓存数据/SMAD分类)。在各方面中,包标头、有效负载或这两者将包括认证信息,使得包防火墙、过滤器和其它路由/筛选/安全性单元能够至少部分地操作。例如,包信息可包含所允许IP地址、所允许包类型、所允许端口编号,以及其它认证相关信息。
MA中继单元可以任何适合的速度传输数据。在各方面中,网络的一些、大部分、一般全部,或全部MA的MA中继单元可使用所属领域中已知的千兆以太网或无限频带标准传输。在各方面中,网络中的一些、大部分、一般全部、大体上全部,或全部MA在这些速率标准中的1个下中继数据。在各方面中,MA中继单元在连续或接近连续基础上传输数据,如其它地方所描述。在各方面中,MA中继单元大部分时间、一般始终或至少大体上全部时间在流式基础、实时基础或这两者上传输MA数据。
在各方面中,由MA中继单元传输到NDS的MA-D是传感器数据。在方面中,在操作中由MA中继单元中继或传输的MA-D中的一些、大部分、一般全部,或全部是:实时数据(RT-MA-D),例如实时传感器数据;所存储数据,器还可被称为本地存储的数据(MA-CD/高速缓存数据),例如本地存储的传感器数据;或RT-MA-D和MA-CD两者。在各方面中,例如SMAD和高速缓存数据的MA-D包括结构化数据。在各方面中,MA-D大多、一般,或大体上仅是非结构化数据。在各方面中,由大部分、一般全部、大体上全部,或全部MA平均、大部分时间或始终中继的MA-D包括结构化数据和非结构化数据两者。在一个方面中,由MA中继单元传输的MA-D包括MA的图像、MA环境(例如,MA GUI)或这两者,以及非图像传感器数据。在各方面中,MA中继单元可表征为包括无线传输器或与无线传输器一起工作,所述无线传输器可经由Wi-Fi或类似无线传输模式中继MA-D。
4.MA输入组件/单元/引擎
网络中的MA通过传感器从NDS、从本地/直接输入、从其它装置/接口/来源(例如,从EMR)等接收输入到MA中的数据。处置到MA中的数据输入的组件可表征为MA输入单元(MA-INPU)。MA输入单元可包括例如物理组件,例如用于接收数据的网卡,或例如其它数据接收硬件,例如调制解调器。在各方面中,此类MA输入单元可包括用户或经由接口或输入装置与用户交互,所述接口或输入装置是例如键盘、触摸屏、语音接口、眼睛凝视/追踪接口等。在各方面中,MA-INPU可为接收经数字传输数据的数字接口。在各方面中,MA输入单元包括输入装置(例如,触摸屏或键盘输入装置,或者基于姿势的系统/装置或语音输入系统/装置)或与输入装置交互。MA输入单元可包括单元/引擎,例如与所接收包转换成装置可使用数据相关联的软件/操作系统元件,例如用于装置显示、装置控制、装置警报/警告或其任何组合(CT)的指令。在各方面中,MA输入单元稍微、大多、一般或完全由还充当输出单元的组件构成(例如,MA可包括充当MA的输入/输出组件的网络/接口卡、调制解调器、端口、总线等)。网络的MA或其它装置(包含NDS)的输入/输出组件/系统可包括用于将数据编码到一个/多个适当的通信媒体中(例如,用于装置内或网络通信)的引擎/组件,这将取决于通信信道(例如,wi-fi与以太网)、接收者系统/能力、适合的通信语言/代码等。引擎通常将确保或应用例如用于同步促进的时间通信和识别、数据类型、授权等的其它代码(例如,包标头)。输入引擎/功能通常被配置成将确认消息常规地、自动地或条件性地自动地发送到NDS(例如,响应于NDS ping或状况查询)。网络装置/系统中的I/O系统通常适于包交换通信、电路交换通信,或这两者。在各方面中,大部分、一般全部,或全部网络通信经由包交换协议执行,并且I/O组件/引擎适于应用/解译包交换协议,例如统计复用。在其它方面中,MA输入单元可包括处置数据的接收的一个或多个方面的专用引擎,例如用于处理所接收数据包的协议。
5.MA安全性引擎/单元
在各方面中,网络中的一些、大部分、一般全部,或全部MA进一步包括用于维持数据安全性的系统(MA安全性单元)。MA安全性单元(又名MA-SECURU)可与MA输入单元的部分相关联或被视为MA输入单元的部分。MA安全性单元可执行与数据安全性相关的不同功能。通常,此类功能包含防火墙功能,其将到MA的软件/操作系统或存储器中的数据流限制为仅特定经授权数据输入。MA安全性单元组件/引擎可包含/执行用户授权功能/引擎(例如,用于登入MA中的口令或生物特征授权保护或CT,例如2因素认证功能)。MA安全性单元可包括与MA本地存取分离或集成的网络存取认证,其可包括任何此类认证方法。在事件(例如,安全性破坏、丢失认证等)发生时,基于时间推移,或这两者,可能需要在一个或两个层级处部分地或完全地更新认证信息。
可作为应用于本地(装置)层级、网络层级或这两者处的安全性单元的部分的授权/用户认证组件/功能可包含例如预共享密钥/装置认证/辨识、口令/代码认证、生物特征信息、基于知识的授权、使用密钥挂扣/装置或认证应用程序(例如,在移动装置上操作)、行为/心理认证,或任何CT(例如,2因素或三因素授权方法)。适用于此类方面的其它授权方法、原理等描述在以下各项中:例如US5684951、US6421943、US5832209、US6263432、US7904956、US7991902、US5999711、US5613012、US5742756、US6289344、US6594759、US6675153、US6711681、EP1115074、US7434257、US20020032661、US20200286055、US20020184161、US20200329051、US20200267147、US20200311285、US6910041、US7080037、US7685173、US7366913、US7178163、US7664752、US8365254、US8024794、US20080183625和US8646027。
在各方面中,每一MA可包括用于限制可远端控制的MA的特征和操作条件的机构。在各方面中,每一MA可包括用于基于用户简档而限制对MA的特征的用户存取的机构。在各实施例中,每一MA可基于一个或多个所建立安全性规则/协议而限制数据输入(例如,由MA-INPU接收的数据),并且可进一步基于一个或多个所建立安全性规则而限制数据输出(例如,由MA中继单元发送的数据)。在各方面中,进入或离开MA的至少一些、大部分、一般全部,或全部数据受制于≥1层数据安全性。在各方面中,每一MA具有独立的装置安全性系统。在各方面中,MA的群组可包括共享的装置安全性系统。在其它方面中,MA的网络可包括共享的装置安全性系统。
在各方面中,MA安全性系统可识别对含于传入MA-D数据或由NDS中继单元发送的分析中的信息的用户存取级别,并且基于用户/客户存取级别而将编校或排除规则和数据修改应用于信息。此类规则可代替NDS功能工作或与NDS功能相关联地工作,所述NDS功能是例如过滤功能、路由功能、NDS安全性单元或其任何组合。
在各方面中,MA安全性单元包括专用的或至少实质上、至少大多或一般专用于安全性功能的一个或多个物理组件。例如,MA安全性单元可包括嵌入式处理器(或包括处理器和存储器的计算机/子计算机,例如所属领域中已知的片上系统(“SoC”)装置/组件,或其它多功能集成电路),所述嵌入式处理器可执行各种安全性相关功能(例如,运行质询和响应认证功能、防火墙功能,或这两者)。此类装置可包括例如用于加密引擎的代码,从而提供数据加密功能。专用处理器和其它组件(包含大部分、一般全部,或全部MA处理器)可受制于物理安全性,例如,屏障,例如金属护罩,以及篡改专用/缓解功能/组件,例如当检测到篡改(通过具有足够凭证/认证的用户检测到且在预先编程周期内未被缓解)时擦除数据(例如,认证信息、加密密钥,或者大部分、一般全部,或全部数据,例如通过用0覆写大部分、一般全部,或全部二进制/机器数据)的篡改传感器。此类装置的实例包含8位微控制器到8位、16位或32位嵌入式处理器,并且MA可包括类似装置或此类装置的组合,这些装置尤其可执行安全性功能。此类装置还可包括例如128kb到512kb的快闪代码存储装置和例如32kb到256kb的高速SRAM。在各方面中,MA安全性单元可记录对MA的存取,以用于稍后由例如用户或NDS拥有者/操作者(SO)参考。
在各方面中,相较于此类功能由主要MA处理单元(例如,控制MA计算机的大部分、一般全部,或大体上全部操作以及计算机控制操作的MA微处理器)执行的相当装置,在MA中包含嵌入式处理器或微控制器可检测地或显著地进一步减少功率支出、操作热量,或这两者。在各方面中,MA中的一个、一些、大部分、一般全部,或全部微控制器、嵌入式处理器、SoC、其任何组合等在操作中利用小于10瓦的功率,例如≤~7瓦、≤~5瓦或≤~3瓦。在各方面中,例如微处理器、嵌入式处理器等外部处理器(相对于主要MA处理器)展现小于10瓦、≤~7瓦、≤~5瓦或≤~3瓦的平均功率使用。
编码在相关存储器中且由此类处理器执行的引擎可包括加密协议,例如DES、三重DES、SHA-1、AES和RSA加密方法/引擎(加密加速器)。不矛盾的是,本文中相对于任何此类装置(SoC、微处理器,或者其它嵌入式处理器或集成电路)的任何方面的公开内容隐含地提供对所属领域中的此类其它组件或其它等效构件的支持(例如,在功能性、结构、例如电力使用的操作特性,或任何CT方面)。在各方面中,MA包括微控制器或类似装置,例如专用嵌入式处理器、SoC等。在各方面中,一个、一些、一般全部,或全部微控制器、嵌入式处理器、SoC等与主要MA处理器分离,并且与主要处理器相比具有更少的处理功率。在各方面中,MA中的一些、大部分或一般全部处理器集成控制非数字电子系统所需的模拟组件,所述非数字电子系统可在MA中或与MA相关联。
在各方面中,MA可包括/利用,或者MA安全性单元可包括或利用≥1个微控制器,例如≥约2个、≥约3个、≥约4个、≥约5个或≥约10个微控制器或更多,所述微控制器尤其可执行1个或多个数据保护功能。在各方面中,此类微控制器可例如将数据输入限制为仅可辨识数据,例如满足所建立的预定义识别阈值的数据,指示数据是经批准数据类型(例如,数据在所建立的预期范围内,具有预期数字或α字符,包括适当单元,以所建立的预期格式格式化,等等)。MA还可包括SoC、微处理器、嵌入式处理器等,作为总体MA处理功能的部分,例如用于对传感器的初始检测或控制,与安全性功能分离,或至少大多执行与安全性功能分离的功能(平均,或大部分,或一般全部操作周期,例如几天或几年)。MA中的大部分、一般全部,或全部微控制器等提供对微控制器控制的相关联/嵌入式系统中的事件的实时响应。在各方面中,一些、大部分、一般全部,或全部微控制器或类似处理器包括中断系统,其暂停典型或当前指令序列的微控制器处理,并且在返回到原始指令序列之前开始中断服务例程(ISR,或“中断处置程序”),所述中断服务例程将基于中断的来源执行所需的任何处理。在各方面中,与微控制器的性能相关的一些、大部分、一般全部,或全部功能(微控制器引擎/功能)被编码/存储在主要MA存储器中,而非在单独的微控制器存储器中。在各方面中,微控制器将执行编码在微控制器相关联的独立存储器和主要MA存储器两者中的代码/引擎。在各方面中,大部分、一般全部,或全部MA的大部分、一般全部、大体上全部,或全部微控制器将包括模数转换器(ADC)、数模转换器(DAC)(例如,允许处理器输出模拟信号或电压电平的DAC),或CT。在各方面中,大部分、一般全部,或全部微控制器将具有例如经由互连集成电路(I2C)、串行外围接口(SPI)、通用串行总线(USB)、以太网、RS232,或CT,或所属领域中的任何类似协议/构件以1个或多个数字格式与其它组件通信的能力。在各方面中,大部分、一般全部,或全部MA的大部分、一般全部,或全部微控制器将是可编程的,并且在各方面中,微控制器中的大部分、一般全部,或全部是可以面向对象的语言编程的,所述面向对象的语言是例如Python、Java、C等。在各方面中,大部分、一般全部,或全部微控制器包括CMOS构造。在各方面中,网络中的大部分MA或MA中的每一MA的一些、大部分、一般全部,或全部微控制器是RISC(精简指令集)或CISC微控制器。在各方面中,网络的一些、大部分或全部MA的一些、大部分或全部微控制器是专用计算机,执行例如≤5个、≤3个、≤2个或仅1个功能(例如,检测或测量来自特定传感器的传感器数据,控制到MA中或在MA内的数据流等),并且通常运行对应数目个软件应用程序。在各方面中,一个、一些、大部分、一般全部、基本上全部,或全部微控制器包括专用输入、显示单元(例如,LED显示器),或这两者。
MA安全性单元可包括一个或多个防火墙功能。“防火墙”可被视为监测/分析性数据传输/流动(例如网络流量)的安全性装置、系统或组件。类似于其它数据过滤器或数据策划人,防火墙通常基于所建立/预先编程的标准/规则的集合而过滤传入数据流(流量)、传出数据流/流量,或这两者。防火墙可放置在装置/系统的硬件层级、装置/系统的软件层级,或这两者上,以保护其免受未经授权/恶意流量的影响。取决于设置,防火墙可保护单个机器、机器群组、系统或整个网络。在本公开中,防火墙可包括软件防火墙(例如,主机防火墙)(例如,由MA的计算机系统的主要微处理器或其它主要处理单元执行)、硬件防火墙(例如,电器防火墙)(例如,微控制器或嵌入式处理器防火墙,或单独但相关联的装置防火墙),或这两者。
在各方面中,安全性单元的防火墙功能将包括1个或多个包过滤防火墙。在各方面中,此类防火墙包括用于针对存取控制列表检查包数据的协议,以及用于丢弃/阻止未经授权的经中继包、传递经授权包或这两者的协议。在各方面中,大部分、一般全部,或大体上全部MA防火墙功能由包过滤器构成,例如无状态包过滤器防火墙。在各方面中,除无状态包过滤器防火墙(又名“包防火墙”)之外或代替所述无状态包过滤器防火墙,安全性系统将包括1个或多个其它类型的防火墙。所属领域中已知和其它地方所论述的可用于安全性单元中的其它类型的防火墙包含状态包检验(SPI)、代理服务器防火墙(例如,应用于经由互联网传输的传出/经中继数据)、电路级网关,或任何CT/组合。在各方面中,安全性单元包括深度包检验防火墙,其分析一些、大部分、一般全部、大体上全部,或全部所接收包、TCP握手、URL过滤或任何ACT的一些、大部分、一般全部、大体上全部,或全部有效负载内容。在各方面中,安全性单元的防火墙执行表面包检验和深度包检验两者,例如以有序方式、基于对包的分析,或这两者。在各方面中,防火墙功能还执行防病毒扫描/保护功能、垃圾邮件过滤功能、应用程序控制功能,或其组合。在各方面中,防火墙功能可终止安全套接字层(SSL)、传输层安全性(TLS)连接,或这两者。
在各方面中,MA安全性单元还包括入侵防护NDS(IPS)(例如,执行签名追踪和异常检测以防止威胁进入数据流)。在各方面中,例如MA-SECURU的安全性单元还或替代地包括沙盒化功能,有规律地或基于其它安全性单元/引擎/功能(U/F)中的触发器而隔离传入代码、执行所述传入代码,以及检验所述传入代码。
不矛盾的是,此处所论述的MA安全性单元的方面可应用于NDS安全性单元(下文所描述的),并且反之亦然。例如,MA安全性单元的防火墙组件的特性还可为NDS安全性单元的组件。
在一些方面中,MA安全性单元包括防篡改检测功能,在受禁止篡改事件在MA中发生的情况下,所述防篡改检测功能将信号发送到NDS。在各方面中,如果此类信号由NDS接收,则NDS可在各方面中建立与此类MA相关联的新通信规则,并且可在各方面中进一步向适当的用户(例如,MA本地的用户)(例如,经由网络存取装置(NAD))警告篡改事件的存在,或者采用如其它地方所指示的其它动作(例如,锁定系统的使用、擦除数据等)。
III.多分区MA(MZMA)
在各方面中,网络中的至少一些MA(或者网络中的大部分、一般全部,或全部MA)包括≥2个组件或组件/子装置的集合,所述组件或组件/子装置的集合受制于单独的安全性协议或安全性单元(“分区”),执行不同的MA功能,受制于不同的监管状况,具有不同的通信能力等。此类MA可表征为“多分区”MA(“MZMA”)(或多组件MA(“MCMA”))。MZMA的分区/组件的交互通信或互连可通过任何适合的组件、方法或构件实现。在各方面中,MZMA的大部分、一般全部,或全部分区/组件的大部分、一般全部,或全部物理组件、软件组件或这两者容纳在MA的单个硬件外壳内。在各方面中,MZMA的组件通过中继数据的直接电缆/电线连接进行通信(例如,使用当前版本的RS-232、RS-422、RS-485,或以太网协议/标准)。在各方面中,还或替代地通过所属领域中已知的无线通信方法(例如,蓝牙或光/激光数据传输)管理分区或分区组件之间数据中继/通信。在各方面中,MZMA的多个组件/分区共享组件/功能(例如,功率或显示功能等)。
在各方面中,MZMA的两个或更多个分区可包括单独的、专用的和分区特定的处理功能或应用程序。在各方面中,MZMA的2个或更多个分区可包括不同的处理功能,在一个或多个不同处理器的控制下,利用一个或多个不同处理器,或者其任一个或全部。作为非限制性实例,在一个方面中,MZMA的一个或多个分区可包括一个或多个分区特定的微处理器,并且一个或多个其它分区可包括片上系统(SoC)。根据一些方面,分区可共享处理器或处理功能。在各方面中,分区可共享处理器或处理功能两者,并行地包括单独的、专用的和分区特定的处理功能性或应用程序,例如一个或多个处理器可共享,并且一个或多个处理器可为分区特定的。
网络中的一个、一些、大部分、一般全部,或全部MA可包括更受限分区/部分和较不受限分区/部分。在各方面中,更受限分区/部分与治疗性组件(例如,急救护理治疗组件)相关联,并且较不受限分区/部分与个体监测组件、诊断组件、对患者安全/状况较不关键的治疗性组件,或其任何组合(CT)相关联。在一个示例性方面中,MZMA包括高度受限的治疗性应用程序组件,其提供关键生命支持系统治疗功能,包括物理防篡改保护,并且包括大多、大体上仅或仅可本地修改的MACEI。在各方面中,仅与治疗性组件的控制相关的包/数据可从NDS中继到高度受限的分区/组件。在各方面中,需要与治疗性组件的控制相关或以其它方式准许传递到MZMA的高度受限的分区/部分的包/数据穿过≥2个防火墙(例如,较不受限的分区/总体MA防火墙以及控制MZMA的分区之间的通信的微控制器安全性单元)。在各方面中,高度受限的部分/分区将包括防篡改检测/保护系统、用户授权系统,或这两者。在各方面中,从高度受限的分区/组件中继的全部数据首先中继到较不受限的分区/组件,所述较不受限的分区/组件又将此类MA-D中继到NDS(例如,其中更小分区/组件是待与互联网通信的MA的唯一部分)。在实施例中,MA中的至少一些包括患者监测/诊断组件,所述患者监测/诊断组件包括可接收系统更新可用性的处理单元,而且还包括大多、大体上仅,或仅可通过发送到NDS的拉动请求(或确认请求)修改的MA CEI。在各方面中,MZMA的高度受限的部分将包括备份功能,所述备份功能允许MZMA独立于MZMA的较小限制性部分/分区操作,例如其中高度限制性部分参与关键生命支持活动。
在各方面中,MZMA的大部分、一般全部,或全部部分/分区与同一个体相关联,例如第一分区以第一方式治疗个体,并且第二分区检测一种或多种类型的装置数据、传感器数据或与个体相关联的其它数据。在各方面中,MZMA的一个或多个部分容纳在单个单元外壳中。MZMA的分区可支持执行治疗性或诊断性任务,所述治疗性或诊断性任务支持同一生理条件/系统(例如,心血管系统)。在各方面中,MZMA的分区聚焦于不同的条件/个体系统。在各方面中,MZMA的分区与监测或应用不同医疗装置应用程序相关联。在各方面中,MZMA的每一部分具有不同的监管状况。例如,MZMA的高度受限的部分可作为II类医疗装置或III类/PMA医疗装置由美国FDA进行监管,并且较不受限的部分可作为I类装置进行监管(较低水平的监管)。
在各方面中,网络包括多个MZMA,网络的每一MZMA包括含于两个或更多个不同的分区中的两个或更多个不同的组件,每一组件(a)包括单独处理器,所述处理器处理不由至少一个其它组件的处理器处理的至少一些MA-D,并且(b)(I)从不同传感器接收信息,(II)执行不同的治疗性/预防性或诊断性医疗任务,或者(III)从不同传感器接收信息且执行不同的治疗性/预防性或诊断性医疗任务,其中每一MZMA中的至少一个组件与MZMA的至少一个其它组件相比经历与数据网络的一个或多个其它部分的不同水平的交互。例如,MZMA的第一分区中的组件可经历较多安全性和与数据网络的较不直接或不直接通信,而第二分区中的组件可经历通常或在某些条件下的直接通信(例如,有规律地中继数据输出,但仅当其通过防火墙时或当其响应于从第二分区MZMA组件发送的请求/拉动信号时接收数据)。
在各情况下,网络中的MZMA中的至少一个的至少一个组件与治疗性/预防性医疗任务的应用相关联(不矛盾的是,本文中对治疗性和预防性任务的参考隐含地提供对彼此的支持),并且MZMA的此类至少一个组件不与数据网络直接通信。在各方面中,网络中的MZMA中的至少一个的至少一个组件(1)与治疗性医疗任务、预防性任务或这两者的应用相关联,(2)与NDS/MAC-DMS通信,并且(c)仅准许来自NDS/MAC-DMS的预先建立量的输入,其中MZMA的至少一个组件或相关联分区中的操作系统、软件或经批准形式的NDS/MAC-DMS输入的改变需要来自MZMA的经授权操作者的本地批准。
读者将认识到,MZMA是本发明的独立方面(即,与涉及NDS的本发明的方面分离)。在此类方面中,本发明提供例如医疗装置,其包括经历与例如互联网或其它网络的相关联数据网络的不同水平的交互的两个或更多个分区,其中此类≥2个分区在与网络的交互性方面经历不同规则/限制,通常其中与患者护理的关键组件相关联的分区受到与网络/互联网的通信的限制(例如,如在此类分区中不被准许直接从外部网络/互联网接收信息,并且在一些情况下,还被准许将信息直接发送到网络/互联网)。在各方面中,此类MZMA或其受限组件仅经历手动更新/修改或经由经授权用户对此类更新的推送/请求通过网络/互联网的更新。在各方面中,此类装置的大部分灵敏组件仅经历手动更新。在各方面中,此类MZMA受制于本公开中所论述的各种安全性组件(例如,防篡改保护)。本文中结合MZMA描述的其它特征/方面还可并入在此类MZMA中,在各方面中,所述此类MZMA可再次独立于MZMA操作(例如,通过与其它服务器、互联网、其它医疗装置、其它计算机、其它网络等网络连接)。
B.系统(NDS)和网络
一个或多个MA(通常MA的群组)和NDS在操作中形成网络。如其它地方所提及,网络还可包含其它装置/组件或与其它装置/组件介接,所述其它装置/组件是例如CRMS、其它ONDI、托管EMR的装置/系统等。由MA和NDS形成的网络可为例如互联网的较广泛网络的限定部分。
在各方面中,NDS可控制网络的一些、大部分、一般全部,或全部MA的操作的一个或多个方面。此类NDS可表征为MA控制和数据管理系统(“MAC-DMS”)。MAC-DMS还可任选地控制网络中的一些、大部分、一般全部,或全部ONDI的一些或大部分操作方面。一般来说,并且不矛盾的是,此处关于网络/NDS描述的任何方面还可应用于MAC-DMS,并且NDS/网络的每一公开内容还隐含地公开了所参考NDS/网络是MAC-DMS的对应方面。
网络的组件可通过任何适合的方法/构件互连。在各方面中,网络的大部分、一般全部,或至少大体上全部组件将经由互联网通信连接。在各方面中,可从互联网通信排除网络的某些部分,例如,可从互联网通信排除网络中的医疗设备(MA)的部分,例如涉及将治疗直接应用于患者的治疗性组件(例如,在MZMA的受限分区中)。可通过连接点(例如,节点)区分/连接网络的组件。经历由SO、lE或这两者进行的一定水平的控制的网络的节点可包含用于实体的节点,所述节点充当实体MA(其可表征为IE MAG)与NDS之间的连接点、筛选/过滤点(例如,本地MA、NDS或介入层级处的防火墙和其它安全性单元),或这两者。在各方面中,网络的一些、大部分、一般全部,或全部组件之间的通信被加密(例如,经由VPN或其它形式的加密隧道传达)。在各方面中,一些通信未被加密,但一些数据(例如,PHI、装置控制应用程序等)被加密,或者与网络装置之间的网络中中继的其它数据相比经历更高级加密/安全性。
在各方面中,网络可被分类为广域网(WAN)。在各方面中,网络可被分类为软件定义的WAN(SDWAN)或基于云的WAN,或者包括软件定义的WAN或基于云的WAN。在各方面中,WAN包括多个LAN(例如,实体LAN、设施LAN,或与用户类别或类别中的用户群组相关联的LAN,所述用户群组是例如与不同研究组织实体相关联的研究人员用户群组)。
在各方面中,NDS/MAC-DMS的拥有者/操作者(SO)是与网络中的MA中的一些、大部分、一般全部、大体上全部,或全部的拥有者不同的实体。在各方面中,NDS可表征为具有对MA或MA群组的存取,例如通过对从来自MA拥有者的网络MA接收数据或将数据中继到网络MA的权限的存取授权。在各方面中,NDS可包括与由lE(关于NDS拥有者)拥有的MA的连接相关联的电子签约功能,所述电子签约功能呈现、协商、执行、维持、更新和以其它方式管理用于MA对NDS的存取的合同条款(包含与知识产权、软件或数据的所有权和修改、保密性、患者安全、法律依从性、责任、性能保证、财务条款等相关)。在各方面中,此类电子签约功能是选择性地或条件性地可更新的(例如,当条款到期或装置/NDS条件改变时可更新的)。
NDS包括用于处置与MA和任选的ONDI传入和传出通信的组件/系统/能力(例如,可接收和传输数据两者),并且NDS还将包括数据存储以及数据处理能力,如其它地方所论述。在各方面中,NDS可包括个别地或作为群组或作为MA群组与任何一个或多个MA通信的能力,例如一次与任何2个或更多个MA通信,或者一次与任何2个或更多个MA群组(MAG)通信。NDS可包括硬件、软件等的任何适合的组合。在各方面中,大部分、一般全部、大体上全部,或全部NDS组件是基于云的资源,例如基于云的存储器、基于云的处理器功能等。
在各方面中,NDS将信息中继到MA,或者MAC-DMS尤其基于NDS-AD(例如,NDS-AD与预先编程的标准/规则或算法的比较)而控制MA的操作。NDS-AD可用于生成控制数据,所述控制数据可表征为输出应用程序或指令,以及或替代地中继信息NDS-AD,所述信息NDS-AD还可递送到MA和其它网络装置/接口(ONDI)。例如,信息NDS-AD可包含例如个体的经预测生理数据,所述经预测生理数据由NDS通过分析类似地定位的个体的MA-D生成(任选地参考其它医疗数据)。
NDS的控制应用程序/控制器可控制MA显示器、其它感官MA功能(例如,通过播放警报),或控制MA/MA部分/组件的治疗性或诊断性组件。因而,NDS可表征为MA控制和数据管理系统(“MAC-DMS”)。尽管此处通常使用术语NDS,但应理解,在共同方面中,NDS还可被分类为MAC-DMS,并且读者将理解,术语NDS的使用在此处隐含地公开了NDS是MAC-DMS的对应方面。
I.NDS组件
为了更好地示出NDS的可能组件和其操作,在以下部分中论述若干选择组件。
1.NDS存储器系统/组件/单元
NDS包括可维持用于NDS的操作的MA-D、NDS-AD和CEI的一个或多个存储器单元(“存储器”或“NDS-MEMU”)。NDS存储器单元可包括含于一个或多个结构(≥1个驱动器、媒体排组等)中的任何适合类型的PTRCRM。在各方面中,大部分、一般全部,或全部NDS存储器被组织成数据存储库(DR)。在各方面中,NDS包括一个或多个可查询(query-able/queryable)/可搜索DR,其包括MA-D、NDS-AD、任选地来自其它输入源(例如,所连接CRMS)的输入,或其任何组合。在各方面中,NDS可包括功能上不同、物理上不同或这两者的≥2种类型的存储器/DR。例如,在各方面中,NDS将包括与流式数据处理器(SDP)相关联的存储器单元,所述SDP在操作上或物理上与NDS的主要存储器分离,例如通过与NDS的大部分、一般全部,或全部DR分离。NDS存储器的包括DR的大部分或全部的部分可被描述为NDS的“主要存储器”。如下文所论述,NDS存储器单元/系统,例如NDS主要存储器,可被划分成不同的物理组件、不同的功能分区/区域,或这两者。
在各方面中,一些、一般全部,或全部NDS存储器单元(有时被称为NDS-MEMU)包括网络附加存储(NAS)基础设施,例如经集群NAS基础设施(包括例如NAS箱,各自包括若干单独的存储装置,通常连接到主NAS装置,从而形成互连的存储器装置/媒体)。在各方面中,一些、大部分、一般全部,或全部NDS存储器单元是基于云计算平台/范例(例如,DR/数据存储区即服务/存储(DaaS)平台,或基础设施即服务(laaS)或平台即服务(PaaS)平台,除存储器和存储器支持功能之外,仅包括处理和可能其它功能)。在各方面中,基于云的NDS存储器是基于分布式系统、可按需(或自动)缩放系统,或这两者。在各方面中,形成NDS存储器的一些、大部分、一般全部,或全部的分布式文件系统跨越许多单独的服务器存储数据。在一些方面中,大部分、一般全部,或大体上全部NDS存储器不是分布式的。在各方面中,NDS存储器和相关NDS输入单元功能包括数据在分布式存储器系统中的冗余存储。
NDS存储器单元(或网络的其它装置的存储器单元)的硬件组件可使用任何适合类型的存储器媒体。在各方面中,存储器将包括动态RAM或快闪存储器。在各方面中,存储器包括基于磁盘的存储器或基于混合结构磁盘的存储装置以及DRAM/快闪存储器(例如,将磁盘存储装置用于“较冷”数据,以及将DRAM或快闪用于“较热”数据)。
一般来说,存储器单元,例如NDS存储器,可包含固件、内核和/或应用程序。内核可为操作系统,包含用于存储器管理、调度和过程管理、输入/输出以及通信的模块,或允许操作系统与相关计算装置/系统的硬件模块/组件(例如,存储器单元、网络连接接口、端口和总线)通信的装置驱动器。应用程序可为一个或多个用户空间软件程序,例如网页浏览器或电子邮件客户端,以及由这些程序使用的任何软件库。存储器还可存储由这些和其它程序和应用程序使用的数据。
NDS或其它网络装置的数据存储装置/存储器单元可包括数据存储阵列/可在数据存储阵列中,所述数据存储阵列可包含被配置成管理对硬盘驱动器、固态硬盘等的群组的读取和写入存取的驱动器阵列控制器。单独或结合NDS组件(服务器装置)的驱动器阵列控制器还可被配置成管理存储在数据存储装置/存储器单元(DR)中的数据的备份或冗余复本,以防止DR/驱动器失效、数据失效等,例如防止NDS组件存取存储器/数据存储装置的部分/单元的失效。如其它地方所论述,DR可包含任何适合形式的数据存储库,包含任何适合的数据库,例如已知的结构化查询语言(SQL)数据库。各种类型的数据结构可将信息(例如,分析性数据)存储在此类数据库中,所述数据库包含但不限于表、阵列、列表、树和元组。此外,数据存储装置中的数据库或其它DR可为整体的或跨多个物理装置分布。
在各方面中,NDS存储器单元包括基于云的存储器,所述基于云的存储器包括互联网规模的文件系统(例如,谷歌文件系统(GFS))。具有此处所论述的这些和其它特征的基于云的存储系统的实例包含亚马逊简单存储服务(S3)、Nirvanix云存储、OpenStack Swift以及Windows Azure二进制大对象(Blob)存储。NDS-MEMU可包括文件管理系统/层,所述文件管理系统/层限定用于存储器单元中的其它数据管理层级的架构中的一些或大部分(例如,Hadoop分布式文件系统(HDFS)或具有将数据集成分割且复制到节点的能力的类似系统,在这些节点处,所述数据更有可能由映射功能(映射器)所引导的应用程序消耗)。此类文件系统通常包括可配置的数据集复制功能、可检测地或显著地最小化NDS-MEMU硬件架构或操作系统/软件中的组件/装置失效的影响。在各方面中,NDS存储器单元的U/F还可包括数据管理系统(DMS),所述数据管理系统可包含DBMS。在各方面中,NDS存储器单元的U/F包括执行工具,所述执行工具用于在存储器的组件当中DoS分配计算负载,并且所述执行工具可充当用于存储器的API且可包含其它U/F或与其它U/F相关,所述其它U/F是例如针对NDS存储器的数据检验、数据审核或数据视觉化功能。NDS处理器还通常包括用于来自DR的信息提取的查询系统。
在各方面中,使用非关系模型(例如,用于提供对非表格数据集的高效存储和存取的文档、图表、密钥值和其它模型)存储NDS的DR中的数据中的一些,例如DR中的可感知量的数据或材料量的数据。在各方面中,DR中的一些、大部分,或一般全部数据可表征为存储在NoSQL DR中,例如MongoDB、Hadoop HBase、Apache Cassandra、Couchbase等。在各方面中,DR采用NoSQL和批量处理优化的Hadoop功能/结构两者。例如,HBase(NoSQL DR结构)可用于HDFS的顶部上,以在Hadoop中提供低时延功能。可采用其它文件系统,所述其它文件系统可在分布式多服务器环境中高效地执行类似的存储器和存储器相关功能。通常,分布式存储器系统将包括存储数据和文件的主节点/通常以复制和防失效/容错方式将实际信息块存储在多个节点中的数据系统信息块服务器。数据管理系统(DMS)通常还将包括检查和功能或类似功能以检查数据完整性和与其相关联的校正/警告机制。可用于DMS中的其它工具可包括MapReduce框架或类似的并行、分布式和基于集群的数据管理算法,例如Hadoop、Apache Spark等。在各方面中,NDS输入单元可并行地处理来自≥~250个节点/流、≥~500个节点/流、≥~1000个节点/流、≥~5000个节点/流,或≥~10,000个节点/流的数据。在各方面中,此类处理与≤~40秒、≤~30秒、≤~10秒、≤~5秒或≤~l秒(例如,≤~0.33秒、≤~0.1秒,或≤~0.05秒)的摄取时延相关联,包含初始变换性能。
如其它地方所论述,在各方面中,数据摄取范例可采用提取、变换和加载(ETL)程序,其中数据取自来源,被操控以配合目标系统的性质或企业的需求,然后被添加到所述系统。在其它方面中,如其它地方所论述,变换或数据摄取结构要求最小(例如,需要小于~10个、小于~9个,或小于~8个变换/结构),并且NDS分析性功能主要基于应用于DR所存储数据的变换而操作,使得数据摄取主要、一般仅,或大体上仅基于提取、加载和变换(ELT)方法。
数据存储库(“DR”)可基于主要、大体上仅,或仅在DR中/从DR接收(摄取)、存储和存取/利用(消耗)数据的方式而分类。已知DR的实例包含数据库、数据仓库和数据湖。通常,装置或NDS的存储器中的每一DR可基于这些其它方式中的特性而与装置/NDS的总体存储器中的其它DR区分开。例如,所属领域的技术人员可尤其基于DR的结构、存储在DR中的数据的类型等而将数据库DR与数据湖DR区分开。
通常,此处,数据库意味着包括关系数据集的DR,所述关系数据集包括≥约5个,通常≥7个、≥8个,或≥约10个(例如,≥~12个、≥15个,或≥~20个)相关数据点,所述相关数据点包括组织成≥~3个、≥5个、≥10个、≥50个或≥~100个记录的属性和值,并且可包含且通常将包含例如表、所存储查询等较高层级结构。数据库通常将数据存储在表、列和行(表中的记录和字段)中。数据库通常由数据库管理系统(DBMS)控制,其中关系数据库管理系统(RDBM)和面向对象的数据库是常见的。NDS存储器中所采用的大部分数据库通常是分层的(非平坦的)。可用于各方面中的数据库(DB)的实例包含微软SQL、Oracle、微软存取和Redshift数据库。在各方面中,NDS包括≥1个关系数据库,并且在各方面中包括≥2个关系数据库,所述关系数据库收集数据库阶层中包括MA-D、分析性数据、输出等的所汇编数据集,如其它地方所示出。因此,在各情况下,NDS包括多个可查询DR,例如≥1个DL/EDL DR和≥1个关系数据库(RDB)DR。NDS还可包括其它存储器组件,例如有源存储器组件(例如,网络RAM)、用于初始分析的单独指令等,所述其它存储器组件可用于对数据执行分析(通常受限于步骤/功能的有限集合,例如≤50个、≤30个、≤20个、≤12个、≤8个或≤5个相对集合S/F),所述分析是在传入数据摄取到DR中之前或期间对所述传入数据执行的。
“数据仓库”通常通过按规模、存储时间、信息来源(数据仓库从若干来源提取并集成此类数据)、结构和功能(例如,用于处理信息而非仅记录事务的优化)而与数据库区分开。数据仓库从若干来源接收相关数据,并且类似于数据库,应用结构(主题),需要设置结构,或这两者,之后存储此类数据,这可持续长时间周期。数据仓库的组件可表征为数据集市。
数据库和数据仓库两者可表征为主题写入/记录系统,需要在存储在DR中之前以特定格式摄取数据,将数据变换成特定格式,或这两者。在各方面中,NDS的DR内容的一些或大部分、NDS的DR的一些或大部分,或这两者不是主题写入/记录系统。在各方面中,NDS主要存储器包括主题写入/记录和非主题写入/记录DR的混合。
在各方面中,主要NDS存储器单元的一些、大部分,或一般全部被构造为数据湖(“DF”)、增强型数据湖(“EDL”)(下文所论述),或其组合。不矛盾的是,对DE或EDL的参考提供对包括存储器结构的对应类型的方面的隐含支持(尽管存在不同于真实DL的EDL的方面)。在各方面中,DL/EDL可包括结构化部分(被调适/配置成保持或至少被分派以保持结构化记录的数据存储分区,例如在数据库中),或NDS-MEMU可包括物理上或功能上单独的结构化DR部分,所述结构化DR部分可包括例如数据库、数据仓库或数据集市(例如,作为以其它方式具有DL/EDL结构的存储器组件)。在各方面中,NDS存储器的至少部分或NDS存储器的大部分、一般全部,或全部被组织在云数据仓库中,例如亚马逊Redshift、谷歌BigQuery、Snowflake和微软Azure SQL数据仓库。
a.数据湖
在各方面中,NDS存储器单元(例如,主要NDS-MEMU)是DR、包括DR、主要包括DR、基本上由DR组成,或一般由DR组成,所述DR包括数据湖DR、EDL DR或包括两种系统的元件的系统。
在本公开中,数据湖(“DE”)是接受呈对数据仓库、数据库或类似的主题写入/记录DR不可接受的形式的数据的存储器结构。仅在主题读取基础上(在将主题应用于DE中的数据时),DL中的数据通常以或以约2个-4个、2个-5个、2个-6个,或约2个-7个层级的数据关系(例如,属性和值;属性-值-数据类型;属性-值-数据类型-来源;或属性-值-数据类型-来源-时间序列)组织在记录中。DL/DLLR通常可表征为采用主要、一般仅,或仅提取-加载-变换(ELT)数据处置方法。在各方面中,DE可以原生格式存储数据(即,原始数据和非结构化数据)。在基本/真实DE中,不存在数据仓/分拣(就结构、类型等而言的异质数据全部维持在经集成DR中)。DE通常从例如数据管线的输入接收数据,并且立即存储数据,而不考虑数据的结构,其中数据由DE存取/应用平台(例如,Apache Hadoop、Apache Spark、关系数据库管理系统(RDBMS)/SQL,或CT)存取(例如,应用Hudi或Parquet数据格式)。
DE结构中的数据可含于保持所存储数据的一个或多个电子数据存储装置或结构中,所述电子数据存储装置或结构可为专用装置、基于云的/按需/分布式存储器资源,或CT。在真实DE中,根据DE如何接收数据而以未经修改格式存储和维持数据(除例如应用于一些DL中的标识符元数据标签以外),至少直到主题应用、查询操作,或这两者,或者通过应用程序、NDS、其它网络装置或网络用户进行的其它稍后消耗、使用或解释。在各方面中,DL/EDL驻存在云基础设施(例如,私用云,或提供基础设施即服务的公共云)上。在各方面中,NDS存储器包括数据湖服务器,或者主要、一般,或完全由数据湖服务器构成,每一数据湖服务器被视为数据湖服务器节点,并且全部数据湖服务器节点彼此连接以形成网状拓扑结构。用于DL或EDL云存储器应用程序的可编程、可自动缩放、基于云的系统的实例是微软Azure数据湖服务,其可以平行和分布式方式动态地分配或取消分配存储器资源,并且其提供应用程序,例如Hadoop或其部分(例如,YARN)、Spark和SQL样查询引擎(SCOPE/U-SQL)。适用于所属领域中已知的DL/DLLR系统的其它应用程序包含Hive、Map Reduce、HBase、Storm、Kafka和R-Server。所属领域中的其它替代DL管理系统包含WatsonTM或DeepDiveTM系统。
在各方面中,NDS的DL/EDL中的数据包括足够量的相关联元数据,已经历足够量的处理或改进,或这两者,使得数据可识别为属于特定装置(例如,特定MA)、特定类型的MA(例如,和ECMO或心脏泵)、特定实体、特定MA或实体群组、特定HCP,或其它此类可具体识别的来源或特性,或者已由它们生成。在某些另外方面中,NDS的DL/EDL中的数据包括足够的识别信息以能够系结到特定生理状态、条件、患者或其它此类可具体识别的来源或特性。
在各方面中,DL/EDL可存储≥约1万亿、≥2万亿、≥3万亿、≥5万亿、≥10万亿、≥约20万亿,或≥约50万亿文件(具有高达1拍字节的文件大小)。在各方面中,DL/EDL包括≥~20拍字节、≥50拍字节、≥100拍字节、≥250拍字节、≥500拍字节,或≥~1000拍字节的容量(例如,约1拍字节-500拍字节、约2拍字节-400拍字节、约3拍字节-300拍字节,或5拍字节-250拍字节)。在各方面中,DL/DLLR中的平均或中值数据时延或者大部分、一般全部,或大体上全部数据传送的时延是≤~10分钟、≤~5分钟、≤~3分钟、≤~2分钟、≤~1分钟、≤40秒、≤30秒、≤15秒、≤10秒、≤5秒,或≤~3秒(例如,约2秒-2,000秒;3秒-1,500秒;3秒-1,200秒;3秒-900秒;4秒-400秒;4秒-240秒;3秒-300秒;或约5秒-300秒)。在各方面中,DL/EDL的平均操作性或者主要、一般,或相当大水平的操作性在1个月、1个季度或1年的周期内是≥~98%、≥99%、≥99.5%,或≥~99.9%(例如,如在存储器供应商SLA测量或其它类似量度中所反映)。
在各方面中,与DR相关的摄取、大部分应用或这两者方面的时延在大多数情况下、在一般全部情况下、在大体上全部情况下或平均以秒或分钟为单位进行测量(例如,≤~200秒、≤150秒、≤90秒、≤60秒、≤40秒、≤30秒、≤20秒、≤10秒、≤5秒,或≤~l秒(例如,≤约0.5秒、≤0.1秒,或≤约0.01秒)。
在各方面中,NDS存储器还包括数据仓库组件,其中DL或EDL用作初始存储/集结区域。在此类方面中,到NDS存储器中的数据流从网络输入(例如,主要MA)/数据管线进入DL或EDL中,然后,DL/EDL所存储数据中的一些中继到数据仓库(通常在任何相关周期(月、季度或年)中小于大部分,例如小于约33%、≤~25%、≤15%、≤10%或≤~5%的所接收数据)。在各方面中,混合型数据仓库/数据湖平台或管理工具(例如可商购SNOWFLAKETM存储器管理应用程序)构成NDS存储器的部分。在各方面中,NDS存储器包括大规模并行分析数据库/DR,所述大规模并行分析数据库/DR在各方面中可支持近实时结果以复杂化SQL查询(迭代查询能力),但所述大规模并行分析数据库/DR通常在存储在此类DR中之前过滤数据或将数据变换成高度结构化数据。
在各方面中,DL/EDL包括另一存储器结构,例如图形数据库,所述存储器结构存储事件相关数据或数据趋势(例如,医疗程序事件数据、患者症状数据、患者最终结果数据、病况进展数据、医疗并发症数据、不良事件数据、装置性能事件、患者响应事件数据等)。然而,在其它方面中,NDS存储器不具有图形数据库,从而为其它存储器架构保留存储器且可检测地或显著地(DoS)减小数据摄取的复杂性。
在各方面中,存储器单元包括数据压缩能力,所述数据压缩能力在各方面中DoS增强存储器单元的数据存储能力。在各方面中,在摄取之后自动地或按需应用数据压缩功能(并且当存取/消耗经压缩数据时采用类似的解压缩)。在各方面中,压缩提供≥~2比1、≥~3比l、≥~5比l,或≥~10比l的容量改进。
本发明的NDS中的DL通常经历查询应用程序(例如,使用上述平台中的任一个的查询/搜索组件),其中所得数据任选地经历主题以组织所得数据以供呈现、进一步分析、或这两者,如其它地方所论述。可适用于DL/EDL应用的数据湖技术、应用程序等的方面描述在以下各项中:例如US20200380169、US20180373781、US20190370263、US20200210896、US20200193057、US10846307、US10706045、US10572494、US10545960、US10795895、WO2018236341、CN111221526、CN111460236、CN111221887、CN111221785和IN919CHE2015A。与稍微增强型DL的应用相关的额外方面(其中可应用时间序列元数据和其它未指定的增强以促进查询应用程序)描述在US20180082036中。
b.EDL
在各方面中,NDS存储器单元包括增强型数据湖(“EDL”)DR、大多/主要包括EDLDR、基本上由EDL DR组成,或一般由EDL DR组成。“EDL”通常不同于以下操作时的“真实DL”:(1)将存储在DR中的EDL中的数据组织到管控分区、结构化DR分区,或这两者中;(2)对一些、大部分、一般全部,或全部传入数据和所存储数据强加最小结构要求;或(3)(1)和(2)两者。在各方面中,EDL DR与将数据摄取到EDL中时的真实/典型DL区分开,摄取过程/功能/单元/引擎(a)在数据存储在EDL DR中之前将一个或多个数据改进过程用于所述数据(例如,数据审查和校正过程);(b)将新元数据标签强加在传入数据上/到传入数据,将一个或多个结构要求强加在传入记录(Record/record)上/到传入记录,或这两者,例如使得存储在EDL中的记录包括例如≥~7个-8个数据属性;(c)表征数据且将记录/数据瞄准/定位到EDL中到受制于不同的策略的多个数据管控分区中的一个中;或(d)其任何组合。尽管增强型数据结构在EDL数据上的此类强加,EDL还可包括一个或多个DL特性,包含(a)接收非结构化/半非结构化异质数据的能力;(b)将不同类型的数据存储在单个经集成集合中;(c)主要、一般,或仅主题读取数据组织;或(d)其任何组合。
“摄取”在所属领域中被理解为将数据/记录接收和存储到例如DR的存储器系统/装置中的过程和与将数据/记录接收和存储到例如DR的存储器系统/装置中相关联。可在EDL摄取过程中强加在数据/记录上的属性可包含例如数据的类型(例如,视频、文本等)、特征和相关联的属性数据(例如,MA类型特征/属性数据)、时间序列数据,或查询响应标签/元件。在各方面中,EDL摄取过程需要大部分、一般全部,或全部MA-D与以下各项中的一个、一些、大部分,或全部相关联:(1)MA-D源数据、(2)事件相关联(记录)数据、(3)经高速缓存数据特性与RT MA数据特性、(4)警报数据、(5)MA操作状况数据、(6)MA-D类型数据、(7)隐私/RR要求指示符,以及(8)MA实体拥有者数据。在EDL摄取过程期间将此类要求强加在数据上将EDL与真实DL区分开,并且可显著地增强包括EDL DR的NDS的性能,而不将如此多的需求强加在参与摄取过程以显著地或可检测地不可接受地减损/延迟SMAD摄取的NDS处理器/系统上,不将需求强加在查询过程上,或这两者。
在各方面中,EDL中的数据存储在EDL的两个或更多个不同的分区中,所述分区由不同的数据管理协议/规则(策略)管控且包括在摄入时、在初始摄入之后(例如,基于在摄取时应用的有规律地运行的一般主题应用程序或基于在原始数据上应用的例如查询、NDS分析性功能等按需应用程序的操作),或其组合(CT)应用的具有不同识别特性的数据。在各方面中,一些、大部分、一般全部,或全部EDL数据管控分区定义的一个元件是存在PHI。在各方面中,数据分区管控分区定义的一个元件在于数据是否已经历管理、评分或其组合。可将数据加标签为受制于策略,或可将策略应用于依从特定标准的数据(例如,使用如果/则(if/then)逻辑或相关逻辑结构)。
在各方面中,从NDS作为输出(例如,NDS-AD)中继的EDL数据存储在另一管控分区中,所述管控分区受制于不同的策略,包含将标签/标识符应用于包括PHI的数据记录(例如,与其它组件一起起作用以阻止存取呈未经编校或未经修改形式的此类数据或阻止将此类数据发送到商业(Commercial/commercial)用户类别相关联的装置/接口的标签)。在各方面中,EDL的部分被结构化为NDS-MEMU的元件或与NDS-MEMU的元件相关联,所述NDS-MEMU的元件被结构化为数据库或数据仓库,例如为EDL的数据集市组件,其中材料量、大部分、一般全部,或大体上全部结构化数据是NDS-AD或其子集,或与其相关的数据(例如,响应于查询或以其它方式应用于EDL中的非结构化/半结构化数据或DR的其它部分上的对主题应用程序的响应)。
在各方面中,NDS可包括用于数据分组和分隔能力的引擎/组件/系统。在各方面中,NDS可包括能够表征为可识别为属于数据的特定子集的多个数据集或数据。举例来说,在各方面中,NDS可包括(a)特定国家中的MA的数据、(b)国家特定的数据管控规则,以及(c)与一个或多个其它NDS共享的系统蓝图数据。根据实施例,NDS-MEMU包括管理以下各项的存储、使用和存取的单独的管控分区:(a)SMAD、高速缓存数据,或这两者;(b)所管理数据、所评分数据,或这两者;(c)系统测试数据;以及(d)传出数据。此类功能可通过例如将元标签应用于记录/数据上、识别与某些特性匹配的记录/数据(例如,通过如果/则结构分析等)或其组合来执行。
在各方面中,EDL仅接受包括某些集合类型的属性和值/特征样关系的数据,或仅将包括某些集合类型的属性和值/特征样关系的数据存储在某些数据管控分区中。在各方面中,NDS监测NDS是否正接收具有某些属性和特征样关系的数据并将所述数据存储到EDL中,并且是否向管理员警告未接收到此类数据。在各方面中,EDL仅接受包括某些数据结构的数据(例如,仅接受半非结构化数据集合,例如JSON数据或其它半非结构化数据格式,在其它地方论述),或仅将具有此类结构的数据存储在某些分区中。在各方面中,EDL接受若干数据结构类型,但尤其基于数据结构而将EDL中的数据分隔到例如不同EDL的管控/内容分区中。
在各方面中,仅将数据结构要求或变换过程应用于某些类型的数据流,并且以较少调节的物质(类似于或更类似于传统DL)处理其它数据流/输入。举例来说,在各方面中,结构要求、变换或这两者放置在一个、一些、大部分、一般全部,或全部MA-D数据/流中的一些、大部分、一般全部,或全部上,但其它形式的输入并不受制于此类结构要求或变换。例如,在各方面中,NDS可通过电子邮件、其它消息、注释应用程序、网页数据等或从外部数据存储库/应用程序(例如,CMSS)接收输入,所述数据可包括非结构化数据或半结构化/结构化数据,所述非结构化数据或半结构化/结构化数据具有不经历在NDS拥有者的当前或先前控制下的改变的结构。视频数据、图像数据、音频数据或此类数据的组合还可由DL/EDL以原始格式、以需要顺应某些标准的格式或这两者接收。
将数据摄取到EDL中可包括:例如接收数据流(例如,包括洪流数据流),且在存储之前(在摄取/预先摄取期间)将变换应用于此类传入数据上或将结构要求强加在此类传入数据上,并且在此类所存储EDL数据的一些、大部分、一般全部,或全部应用/消耗(后摄取)之前,通常将额外结构/主题强加在所存储EDL数据上。如其它地方所论述,数据变换可包含应用数据改进单元(DIU)以例如最初协调数据、清洁数据、验证数据等。数据变换步骤/功能还可包括应用元数据;管理,例如到基于数据内容/元标签的管控分区中;或CT。数据变换可包括应用加密(例如,将SSL应用于运动数据或将HSM备份密钥应用于EDL中的“静止”数据)。
对EDL数据的存取可需要认证,例如多因素认证,并且EDL管理功能可包含基于作用的存取控制(例如,经由基于POSIX的存取控制)。EDL管理功能可进一步包括审核对EDL数据(或对NDS的其它方面或一般对NDS)的存取或配置改变。
包括个人可识别信息(PII)、PHI或这两者的数据可在数据攝入过程中进行识别,并且DIU可使用例如通过格式保留加密(EPE)的令牌化以对此类数据或其它机密信息进行加密。在各方面中,应用于传入数据的一些、大部分、一般全部,或全部元数据基于预先编程的规则而自动地从输入到EDL中的数据生成。
如同DL,一般来说,EDL可经历查询和主题应用程序(例如,由分析性单元功能应用),所述查询和主题应用程序通过通常包括用于数据中所识别的每一记录的≥~7个、≥10个、≥12个、≥15个或≥~20个相关联数据元件的主题将额外结构应用于数据,其中查询识别的记录可以例如100;1000;10000;100000;或例如1000000进行编号。EDL管理功能可进一步包含消息传递功能、登入功能、报告功能、汇出功能、爬网程序功能、机器学习模块,或任何CT。在各方面中,EDL功能包含还用于基于特定属性/字段关系或其它数据条目/类型而查询功能的一个或多个自然语言查询功能。数据改进单元(DIU)可将过程应用于传入数据或所存储数据上,所述过程归一化数据流、富集数据流或对数据流加标签或所存储数据。在各方面中,应用于传入数据/流的DIU过程不会可检测地或显著地(“DoS”)影响时延。
在各方面中,NDS/MAC-DMS处理单元变换MA-D,将要求强加在MA-D上,或这两者,使得存储在增强型数据湖中的大体上全部MA-D数据集包括医疗设备源识别信息、MA-D类型信息,以及一个或多个生理参数数据集,其各自任选地以预先编程的MAC-DMS可辨识标准格式呈现,并且增强型数据湖包括基于其中所存储的MA-D数据集、分析性数据或这两者的来源或内容的不同的数据管控分区,如上文所描述。
2.NDS处理器
NDS包括处理器单元/系统/组件(有时被称为NDS-PROCU或NDS处理器),所述处理器单元/系统/组件是可执行(读取)存储在NDS存储器中的NDS CEI的装置/系统。如同NDS存储器,NDS可包括可物理上或功能上彼此分离的多个处理器单元。此类单独的处理装置/系统可形成离散/相互操作处理器,或者NDS可包括在至少一些、大部分,或全部时间彼此分开地操作的多个处理单元。举例来说,在各方面中,NDS包括:(1)与流式数据处理器(SDP)单元/引擎/系统(又名SDP或SDE)相关联的第一处理器,所述第一处理器例如对传入数据执行初始分析任务;以及单独的第二(主要)NDS处理器,所述第二(主要)NDS处理器处理后摄取NDSDR数据(例如,执行NDSDR查询,生成NDS-AD,并且管理NDS输出等)。
尽管SDP在此处和所属领域中通常被描述为“处理器”,但在各方面中,SDP可缺乏任何单独的物理处理器装置/组件(例如,SDP可包括与例如主/总体系统处理单元的单独的处理器一起工作的引擎)。因此,SDP可替代地被描述为引擎(流式数据引擎(“SDE”))或流式数据单元(“SDU”)。在各方面中,SDP确实包含与NDS的其它处理单元分开的物理处理器组件。每一此类不同方面隐含地由SDP的任何公开内容提供。
NDS处理器可具有用于根据此处所描述的特性/方面执行NDS的功能或适用的NDS组件的任何适合的特征/组件。考虑到NDS在从多个MA接收大量数据时的作用,通常在不同MA群组中(并且在来自不同类型的MA、不同的患者类型、不同的治疗协议等情况下),为了分析此类数据,并且为了将此类数据提供到HCP和MA的其它用户以及其它系统组件,NDS处理器(a)可包括远超出任何单个膝上型计算机/台式通用计算机的典型处理能力的显著的物理处理能力;(b)可包括采用专用数据管理方法以确保提示处置、分析和数据中继的引擎/单元/组件;或(c)可包括(a)和(b)两者。
在各方面中,NDS处理器包括工作流程架构,所述工作流程架构可表征为包括大规模并行处理/极大工作流程(例如,在所属领域中结合领先的基于云的系统,例如微软Azure系统理解此类术语)。例如,在各方面中,多核心MA中的核心/处理器的数目是≥~10,例如≥~20、≥~50、≥~100、≥~200、≥~500,或≥~1,000,例如≥~2,000个、≥5,000个、≥10,000个、≥12,500个或≥~15,000个核心(例如,~1,000个-20,000个核心、1,000个-15,000个核心、3,000个-18,000个核心、2,000个-16,000个核心,或~2,500个-15,000个核心)。在各方面中,NDS处理器主要、一般仅,或完全由基于云的处理器能力/功能构成。在各方面中,NDS处理器基于可缩放、大规模并行和分布式处理器架构而操作。
大规模并行处理(MPP)功能/方法可通过使用大系统阶跃函数,例如亚马逊网页服务(AWS)阶跃函数来实现。微软Azure服务还包含MPP功能。在各方面中,NDS将包括一种架构,所述架构包括(始终、平均或在峰值操作容量下)≥~100个、≥~150个、≥~200个、≥~500个、≥~1000个、≥~2000个、≥~5000个或≥~10,000个处理器/存储器组合),使得由NDS处理器执行的一些、大部分、一般全部,或大体上全部分析性功能能够在例如≤~30秒、≤~10秒或≤~5秒内完成。可用于NDS处理器中的MPP架构通常包括互连数据路径。在各方面中,NDS处理器具有网格计算MPP架构、计算机集群MPP架构,或这两者。
在各方面中,一个、一些、大部分,或全部NDS处理器可表征为“高度可用的”或包括“高度可用的”工作流程。在各方面中,NDS或NDS的组件在一周期(例如,一季度、一年、3年周期、5年周期等)内展现出≥~97%、≥~98%、≥~99%可用性(可存取性和标准/最优操作性),并且在更特定方面中,高度可用的NDS展现出≥~99.8%、≥~99.9%、≥~99.95%或≥~99.999%可用性。高可用性可通过任何适合的方法来实现,所述方法包含普通手段、消息队列、λ重试功能(例如,在AWS中)或CT。用于高可用性的一般资源/结构包括应用组件冗余、组件监测和管理、故障接管(节点/过程取代/路由)、使用分布式复制体积、负载均衡,或其组合。
在各方面中,NDS处理器,例如MPP NDS处理器,展现出≥~100GB/秒带宽(例如,≥~150GB/秒、≥200GB/秒,或≥~250GB/秒带宽)。在各方面中,NDS处理器展现出≥~2GHz、≥2.5GHz、≥3GHz、≥3.33GHz或≥~3.5GHz处理。在各方面中,NDS过程可执行/处理≥~50,000个事务/事件/秒、≥75,000个事务/事件/秒,或≥~100,000个事务/事件/秒。在各方面中,NDS处理器在大部分时间、一般始终、大体上全部时间或平均以≥~0.5拍浮点运算、≥~l拍浮点运算、≥~2拍浮点运算、≥~3拍浮点运算、≥~5拍浮点运算、≥~10拍浮点运算或≥~25拍浮点运算(例如,在约0.5拍浮点运算-12.5拍浮点运算之间,例如1拍浮点运算-15拍浮点运算、1拍浮点运算-20拍浮点运算、2拍浮点运算-50拍浮点运算、2拍浮点运算-80拍浮点运算,或者在约5拍浮点运算-100拍浮点运算或10拍浮点运算-120拍浮点运算之间等)。
在各方面中,NDS处理器包括分割功能、处理器能力缩放功能、处理器资源预留功能、检查点设置功能、基于数据队列的处理功能、错误恢复功能(例如,用于冗余处理器错误功能),或CT,这些功能可检测地或显著地增强处理器的性能。
并行处理系统(包含MPP系统);相关方法、功能和数据结构;以及其中许多适用于各方面的其它相关原理描述在以下各项中:US5485627、US8799284、US8583896、US10802929、US5404562、US4727474、US5765181、US9239741、US10339235、US8903841、US5230079、US4380046、US7716336、US9569493、US10147103、US5799149、US6185693、US8903841、US5566321、US20030110230、US20080034157、US20170270165、US20090031104、US20030195938、US10078565、US20170180272、US20130111188、US20200167362、US5881227、US5103393、US8799284、US20170270165、US20200364226、US20150120368、US10372696、US10565199、US6098178、US5103393、US5511221、US6957318、US5146608、US20100287557、US10303654、US9910821、US9697170、US5390298、US5008815、US5872987、US5253308、US8108718、US6185693、US9448966、EP0456201、EP0381671、CN103778212、CN103237045、KR101632253、KR1020140063279、KR1020170056773和KR101083052。
并行处理可包括分布式并行处理、非分布式并行处理或这两者的架构,或者执行分布式并行处理、非分布式并行处理或这两者。“分布式处理”通常意味着在物理上分离但联网的机器执行的处理。非分布式并行处理可在互连和共址的核心上执行。并行处理系统可包括可分类为集群、网格、云或其组合的系统。在各方面中,NDS处理器包括异质软件、异质硬件,或这两者,或者经由异质网络操作(例如,就拓扑的组件、层、通信协议和其它方面而言)。在各方面中,就软件、硬件或这两者而言,NDS处理器、NDS存储器或这两者是动态系统(随时间推移而变化)。
NDS、网络或这两者可包含或使用路由器,所述路由器可包括被配置成提供内部和外部通信的网络连接/通信装备。路由器可包含包交换和/或路由装置/单元(包含开关和/或网关),所述包交换和/或路由装置/单元被配置成经由本地集群网络、NDS/NDS组件(例如,服务器集群)与其它装置之间的网络通信或这两者、经由跨越网络的通信链路在NDS组件(服务器处理单元/装置)与NDS存储器(数据存储装置)之间提供网络通信。路由器可被选择用于能够处置、被配置成用于或被选择用于能够处置和被配置成用于处置网络的数据需求、数据存储、时延、可用性,和NDS/网络的吞吐量,以及可促成网络/NDS架构的成本、速度、容错性、回弹性、效率和/或其它设计目标。NDS/网络的路由器可包括安全性能力,例如VPN、防火墙等,并且还可包含多协议标注交换能力。此类路由器是已知的,并且包含例如CiscoCatalyst 8000V路由器、Cisco Catalyst 9000路由器等。在各方面中,路由器具有可响应于来自NDS的指令而修改的可缩放性能力。在各方面中,路由器与具有类似能力的LAN交换机耦合。在各方面中,一些、大部分、一般全部、基本上全部,或全部路由、切换和类似功能由软件定义的广域网组件/单元(SD-WAN电器)(其可为按需组件)执行。
在分布式计算环境中,例如可存在于某些NDS中,程序模块或子例程可位于本地或远端存储器存储装置。用于分布式环境中的程序或程序模块可电子地分布在互联网之上或其它网络(包含无线网络)之上。在特定方面中,DR整体或部分地存储,并且处理器功能经由例如微软Azure或AWS的云平台而采用。可构成NDS处理器的一些、大部分、一般全部,或全部部分的分布式处理器系统/组件可使用分布式存储器,借此例如处理器可被赋予存储器空间的信息块并且经由消息传递或类似方法进行通信。每一处理器可在此类方面中直接存取其本地存储器且间接存取存储器的非本地或远端信息块。
在各方面中,NDS引擎/组件/单元/系统大多、一般、基本上,或完全基于公共云网络/远端服务器装置(例如,经集成/链接服务器集群),所述公共云网络/远端服务器装置可用于外包计算、数据存储、通信和服务托管操作。这些服务器可经虚拟化(即,服务器可为或包括虚拟机)。公共云网络的实例包含亚马逊网页服务(AWS)和微软Azure服务。NDS可包括支持公共云网络、提供负载均衡、冗余、高可用性、可缩放性等的网络管理平台和服务器集群。
在各方面中,NDS可包括虚拟机/服务器(模拟包括存储器、处理和通信资源),所述虚拟机/服务器可由计算机装置、服务器集群等体现,通常由集中式服务器装置、应用程序等管理,充当NDS控制器,并且可由经授权NDS管理员选择性地存取。通过微软、VMWare等的虚拟机系统在所属领域中已知且可适用于此类应用程序。
在各方面中,NDS处理器的硬件可包括用于选择分析性功能的专用节点,所述专用节点可包括GPU、专用数据检索/挖掘单元等,可在各方面中包括非云、专用硬件单元,但可与基于云的存储器/处理器组件介接。在各方面中,处理器功能包括DoS降低处理瓶颈和DoS/DOS加速一个或多个功能(例如,搜索操作)的FPGA。在各方面中,一些、大部分,或一般全部处理组件包括多核心、多线程,或GPU处理器。在各方面中,处理器展现出介于约2.5万亿次浮点运算-25万亿次浮点运算、2.5万亿次浮点运算-15万亿次浮点运算、2.5万亿次浮点运算-12万亿次浮点运算之间或介于约2.5万亿次浮点运算-10万亿次浮点运算(例如,~1万亿次浮点运算-10万亿次浮点运算、~2万亿次浮点运算-12万亿次浮点运算、~l万亿次浮点运算-5万亿次浮点运算、~2万亿次浮点运算-6万亿次浮点运算或~2万亿次浮点运算-10万亿次浮点运算)之间的精度。在各方面中,NDS处理器/系统包括≥~100GB/s的存储器带宽,例如≥~125GB/s、≥150GB/s、≥175GB/s或≥~200GB/s的带宽(例如,介于约50GB/s-250GB/s带宽之间,例如~100Gb/s无限频带)。在各方面中,NDS处理器包括、主要包括,或一般包括具有≥~100GB、≥200GB、≥300GB、≥350GB、≥400GB,或≥~500GB RAM的核心。在各方面中,NDS处理器包括、主要包括,或一般包括具有≥~2GHz、≥2.5GHz、≥2.75GHz、≥3GHz、≥3.2GHz、≥3.4GHz、≥3.5GHz、≥3.6GHz、≥3.7GHz、≥3.8GHz,或≥~4GHz的基础时钟速度的核心。在各方面中,NDS处理器中的MPI时延平均、大多或一般为≤~5秒、≤2秒、≤1秒、≤0.25秒、≤0.1秒、≤0.01秒,或≤~0.005秒。在各方面中,节点连接包括千兆位开关,例如支持≥~25Gbps、≥35Gbps、≥40Gbps、≥~50Gpbs、≥约75Gbps、≥约85Gbps,或≥约100Gbps链路速度的开关。
在各方面中,处理器单元功能/引擎可包括数据调度程序(例如,Mesos、YARN或Sparrow数据调度程序)。在各方面中,NDS处理器的数据调度程序具有≤~10秒、≤~5秒、≤~2秒或≤~1秒(例如,介于~0.5秒-7.5秒、~0.25秒-5秒或~1秒-10秒之间)的响应时间。在各方面中,NDS处理器的DMS包括高带宽超低时延(HULL)架构。在各方面中,处理器单元功能/单元/引擎/系统包含流式数据处理器(也被称为SDP、SDE或流处理器),所述流式数据处理器在各方面中还可被分类为NDS输入单元/系统的组件。在各方面中,流处理器可执行流处理功能,例如映射、过滤、接合和聚合功能,以及其它数据变换功能(例如,如可用于Kafka流中)。SDP、主要处理器或这两者可例如包括用于汇编时间序列和从MA-D收集的其它适当的数据的引擎。在各方面中,高速缓存数据和相关联的时间序列RT MA-D的重新汇编大多或完全在SDP外部(例如,在主要处理器或专用处理器/引擎中)执行,以减少SDP/SDE上的数据处理负荷。在其它地方论述高速缓存RT MA-D的重新汇编。
组件的互连可经由以太网、光纤电缆、Wi-Fi或另一适合的连接/拓扑/方法来促进。处理功能包含用于CEI和其它数据的映射功能、用于执行任务(包含例如摄取数据,如其它地方所论述)的调度功能,或这两者,网络接口还可支持例如同轴电缆或电力线的一个或多个非以太网媒体之上或例如同步光学网络连接(SONET)或数字订户线(DSL)技术的广域媒体之上的通信。处理功能还可包含用于NDS存储器系统/单元的用户控制的虚拟机监测器/控件、API等。可由NDS处理器执行的其它功能在本文中单独描述(例如,输入功能、存储器功能、分析性功能和中继功能)(为澄清过程起见,此类功能通常与本文中的例如分析性单元、输入单元等特定单元/步骤相关联)。还在其它地方论述可由NDS处理器实施的相关处理功能(例如,将NoSQL或Hadoop用于NDSDR中的数据摄取和管理)。在各方面中,通过在大部分、一般全部,或大体上全部情况下的并行处理来管理处理。在各方面中,通过NDS处理器针对某些过程采用批量处理。在其它地方进一步论述此类数据处理方法。在各方面中,NDS处理包括大量同步并行(BSP)处理组件/功能/引擎。用于提供此处所描述的系统/网络的结构/功能的NDS的其它特征/组件(和在适当时网络)还或替代地可包含例如虚拟交换机、虚拟桥(例如,到NIC)、虚拟适配器、NAT服务组件/系统/引擎、路由器/路由器表、DNS/CSP系统、子网系统、流量监测器/管理器、流量过滤器/防火墙等。
3.NDS安全性引擎/单元
NDS可包括安全性单元(系统/组件/引擎),所述安全性单元包括可为硬件组件、软件组件/引擎或其组合(CT)的安全性组件。NDS安全性单元(也被称为NDS-SECURU或“NDS安全性”)可为或包括在网络层级处提供一个或多个数据安全性功能的元件的任何组合。
在各方面中,NDS安全性包括防火墙。在各方面中,NDS防火墙功能包括一个或多个包过滤防火墙(例如,无状态包过滤防火墙)。在各方面中,此类防火墙包括用于针对存取控制列表检查包数据的协议,以及用于丢弃/阻止未经授权的经中继包、传递经授权包或这两者的协议。在各方面中,NDS防火墙采用状态包检验(SPI)(又名动态包过滤)。在各方面中,NDS防火墙包括代理服务器防火墙(又名应用程序层级网关),所述代理服务器防火墙尤其是屏蔽网络IP地址、限制数据流量类型,或这两者。在各方面中,NDS防火墙包括电路层级网关(尤其确保安全连接)。在各方面中,NDS安全性单元包括深度包检验防火墙,其分析一些、大部分、一般全部、大体上全部,或全部所接收包、TCP握手或这两者的一些、大部分、一般全部、大体上全部,或全部有效负载内容。在各方面中,NDS安全性防火墙执行表面包检验和深度包检验两者,例如以有序方式、基于对包的分析,或这两者。在各方面中,防火墙功能还执行防病毒扫描/保护功能、垃圾邮件过滤功能、应用程序控制功能,或其组合。在各方面中,NDS安全性单元采用云防火墙(又名防火墙即服务(FWaaS)功能),如经由例如微软Azure服务可用的,所述微软Azure服务是可缩放的,通常与其它NDS元件的可缩放性相关联,例如处理能力或存储器容量,或响应于独立于NDS能力的其它扩展的增加的流量负载而自动地或按需。NDS层级处的防火墙还可为或以其它方式可为网页应用程序防火墙,所述网页应用程序防火墙可为基于硬件或软件的。
在其它方面中,NDS安全性可包括数据加密能力、抗病毒功能、认证能力、数据排除/编校能力,或任何CT等,其方面在本文中其它地方论述(例如,关于方法、NDS存储器或MA)。
4.NDS输入引擎/组件/单元
NDS包括至少一个NDS输入单元(NDS-INPU或NDS输入)。NDS输入单元通常包含处置来自外部源的数据的接收和通向存储器组件/系统数据存储的此类传入数据的初始处理(摄取)的硬件组件和引擎的组合。
在各方面中,NDS输入单元或其组件/其替代方案(例如,SDP/SDE)可对从一些、大部分、一般全部,或全部MA、其它输入(例如,ONDI)或这两者接收的数据执行评估/分析性程序。在各方面中,主要、一般仅或仅对MA-D执行此类“初始分析”步骤。此类初始分析过程可例如不同于其它NDS分析性过程(例如,由分析性单元执行,对DR数据执行,或这两者)。在一个方面中,NDS输入单元可在初始分析中确定从MA接收的MA-D是NRT/RT-MAD或高速缓存数据、还是SUMAD,还是这两者。此类功能可由已知技术执行,所述技术是例如数据时间同步和时间序列数据匹配/分析。在各方面中,初始分析可包含在甚至完全数据摄取之前针对预先编程的图案、指示符等分析需要基于传入数据的立即动作的MA-D。在各方面中,此类预先编程的图案是可编程的,通过机器学习过程修改,或这两者。在各方面中,NDS输入单元可与控制器系统/引擎/单元一起工作或包括控制器系统/引擎/单元,所述控制器系统/引擎/单元将控制指令发送到MA、ONDI,或这两者。在其它方面中,在摄取到NDS存储器中期间或之后,NDS一般、大体上仅,或仅分析数据,而非执行初始分析。在一些此类方面中,NDS还可包括接收SMAD的流处理器。
NDS输入单元(NDS-INPU)还可包括缓冲器单元/功能,所述缓冲器单元/功能维持通过传入数据源/流接收的任何过量数据,直到用于初始分析、初始变换和摄取的其它方面的容量可用。在一个或多个阈值处或超过一个或多个阈值的缓冲器的使用可将信号提供到可缩放系统,以用于评估缩放或缩放资源以适应传入数据负载,从而避免在周期(例如,一天、一周或一个月)内的时延的显著增加。
NDS输入单元可或可大部分时间、一般始终,或大体上全部时间同时接收/处理多个数据流,例如TCP包的流,例如经由多个处理系统/功能,在下文和其它地方论述。此类NDS输入单元可包括或为流式数据处理器(SDP/SDE),例如,如下文和其它地方进一步论述。
由NDS输入单元接收的输入可呈任何适合的格式(例如,文本/字母数字数据、表格数据、视频数据、音频数据、图像数据或其任何适合的组合)。在各方面中,通常小于输入的一半的一些输入,例如可感知量、材料量或其它量(就文件数目、数据大小,或这两者而言)呈或可呈非结构化数据(例如,电子邮件、网页等)的形式。在各方面中,由NDS接收的大部分、一般全部,或大体上全部输入具有半结构化格式(例如,CSV、JSON或Avro数据格式)。在各方面中,数据类型(例如,MA-D)的大部分、一般全部,或大体上全部输入呈JSON格式。
输入可通过批量处理、实时/流式处理或这两者来处理。在其它地方和下文论述批量数据和实时/流式数据的方面。NDS输入单元通常可执行两个过程,例如大部分时间或一般当MA在线时(在与NDS的大体上连续通信时)将批量处理应用于经高速缓存数据上传上和将实时/流(流式)(RT/S)处理应用于MA-D上。批量处理还可应用于例如来自包含MA的网络组件的事件/日志数据。在各方面中,NDS包括至少部分专门设计用于高速缓存数据的分析的单元(高速缓存MA-D处理单元)。高速缓存MA-D处理单元/引擎可为MA的较宽组件的部分,例如MA处理单元。在各方面中,高速缓存MA-D引擎/处理器包括具体地分析高速缓存MA-D的译码功能、例程等。在各方面中,高速缓存数据处理器/引擎/系统至少部分地与NDS的其它处理器/引擎/单元离散。在各方面中,此类高速缓存处理器/引擎将关于处理器/NDS是否已接收、分析或利用高速缓存信息的信息中继到网络装置(例如,通过在将高速缓存数据中继到NDS的MA处提供状况信息、警报等)。
在各方面中,NDS/MAC-DMS处理单元评估医疗设备的所接收高速缓存MA-D是否可与相同医疗设备的所接收流式MA-D组合,并且如果MAC-DMS处理单元确定高速缓存MA-D和流式MA-D可组合,则组合流式MA-D和高速缓存MA-D以形成混合MA-D数据集,其中由分析性单元分析的MA-D包括混合MA-D数据集。高速缓存MA-D和相关流式MA-D的组合通常包括评估一个(通常两个)流式MA-D数据集的时间组分,以及高速缓存MA-D数据集的端点,以确定时间点/端点中是否存在足够的接近性来组合高速缓存数据集和流式数据集。此类评估可包括生成假定匹配、评估假定匹配(经组合高速缓存/流式MA-D)的质量/可读性/可分析性。在此或其它方面中,NDS处理器(或其组件)评定用于分析性过程的高速缓存数据的可用性、将高速缓存MA-D存储在NDS存储器中的适合性,或这两者。
NDS对数据/记录(例如高速缓存数据和来自特定MA的RT-MA-D)的分析和组合(如果适合的话)可由任何适合的数据链接和汇编方法来执行。多个此类方法是已知的,并且因此,仅在此处简要地描述。在各方面中,从MA中继的大部分、一般全部,或全部MA-D(高速缓存数据和RT-MA-D)将包括时间信息和装置识别信息(其可被视为实体标识符)。在各方面中,NDS的处理器(例如高速缓存数据处理器)包括识别共同实体标识符信息、捕获/传输信息的时间且使用此类信息尤其作为用于确定将高速缓存数据与MA-D组合的基础的引擎。在各方面中,MA-D包括≥2个或≥3个标识符,NDS组件/系统/引擎被预先编程以识别、比较和分析此类评定中的类似性/匹配。在RT MA-D与高速缓存数据之间不存在时间上的间隙的各方面中,可使用接合/合并过程以重新汇编来自MA-D的数据。
在各方面中,NDS包括用于评估以下情况的引擎/CEI:基于数据/记录标识符,数据不匹配,但数据预期/已知为相关/类似的;数据的时间系列中存在间隙;或这两者。此类方法可利用/结合所属领域中已知的或可用的工具中的记录/数据链接/匹配方法/功能。
在各方面中,数据/记录链接确定中所涉及的引擎采用确定性算法(例如,拒绝匹配,除非存在1个、2个、3个或更多个实体识别数据标记,拒绝时间序列信息匹配,或这两者)。在各方面中,此类引擎/系统或其它NDS组件还或替代地采用概率性数据/记录链接策略(例如,评估(1)每一标识符的判别能力和(2)两个记录基于它们在各种标识符上是一致还是不一致而为真匹配的可能性)。分派到每一标识符上的一致或不一致的权重可被评定为似然比,将真匹配在标识符上一致的概率(例如,“m-概率”)与假匹配在标识符上随机一致的概率(例如,“u-概率”)进行比较。举例来说,EM算法是用于估计m-概率和u-概率的迭代途径。参见例如杜塞齐纳SB(Dusetzina SB)等人,2014年9月4日,记录链接方法的概述(AnOverview of Record Linkage Methods)。可购自:ncbi.nlm.nih.gov/books/NBK253312/。
此类功能/步骤可包括例如二进制/成对监督分类、集群过程、概率性数据链接过程等。此类过程可包括传递性/非传递性检查功能/过程。在各方面中,此类过程/引擎/功能包括集体实体解析技术。
在各方面中,此类功能/引擎包括用于在包括多个患者、IE或用户类别(例如商业类用户)的网络中保护例如PHI的机密信息的协议/算法。在此类方面中,可将匹配数据中继到一些、大部分或全部客户端装置(例如,MA),但不中继基础数据的细节。加密方法(例如布隆过滤器)或其它地方所描述的其它加密技术还或替代地用于此类过程中以保护机密信息。
在各方面中,参与数据/记录评估和链接的引擎/组件/系统使用步骤/引擎/算法以剖析/阻止更有可能将匹配包含到较小集合中的记录,由此采用不同途径以测量类似性。在各方面中,较小/经剖析数据集在大部分、一般全部,或全部情况下在进一步潜在的链接分析之前经历清洁或消除。通常,识别不同集合中的类似记录可指示跨越数据集的链路,这促进清洁、知识发现或逆向工程化,这可促成主数据聚合。因此,例如,参与此类过程的引擎可应用阻止、类似性评分和如所属领域中已知的近似匹配步骤/功能/代码,考虑例如数据类型且使用此类信息以确定用于比较/评估的基础(例如,用于数字数据的简单距离函数、用于识别“距离”的字符串比较规则等)。
在各方面中,参与此上下文或其它上下文中(例如,在查询过程中)的记录匹配的引擎/组件采用NLP引擎/算法(例如,词频、倒置文档频率(或tf-idf))。还在其它地方论述NLP方法。TIF和类似算法将文本拆分成‘信息块’(或n元语法),对给定样本的每一信息块的发生进行计数,然后基于信息块跨越数据集的全部样本有多稀少而将加权应用于此。此类算法并入到本发明的系统可用或可适用于本发明的系统的编程语言/平台的n元语法函数中。在各方面中,还或替代地通过余弦类似性方法发现紧密匹配。
在各方面中,NDS可利用内部库或其它信息源(例如,第三方数据库、IE数据库或EMR/EHR信息)以填充间隙。在各方面中,间隙由来自MA、类似MA或MA IE拥有者的相关MA-D填充。
在各方面中,所属领域中已知的模糊匹配方法用于比较/数据链接。此类方法是已知的。例如,在Python Pandas封装(Pandas)中提供用于评估和合并匹配数据(merge_asof)的工具。Pandas还可用于对时间序列数据起作用,通常,例如pandas.DataFrame对象可包含若干数量,其中的每一个可被提取为个别pandas。Python fuzzymatcher库提供使用概率性记录链接将两个pandas DataFrame链接在一起的接口。Python记录链接工具包提供功能集合以使记录链接自动化且执行数据删除重复(采用数据块、用于测量字符串类似性的多个算法、使用评分算法的匹配评级、过程中监督机器学习的使用等)。类似的工具/方法是已知的或可适用于NDS过程。在各方面中,数据/记录链接/评估和相关功能(例如查询功能)还考虑记录/数据集的主题匹配。
一旦确定匹配存在,引擎就将采用合并、接合或类似的功能/操作/步骤以将相关数据/记录(例如,来自MA的匹配的高速缓存数据和RT-MA-D)汇集在一起/重新汇编。此类功能在所属领域中是众所周知的,并且在共同的编程语言和商务系统中可用。例如,PythonPandas包含高性能、存储器内接合和合并操作,并且合并和接合语句/应用程序在SQF中可用(例如,使用SAS数据步骤)。在例如Azure/Power BI的系统中,合并功能可用,使用通过谷歌云可用的SQF功能形成谷歌BigQuery的部分的合并功能也是如此,并且加入亚马逊Redshift的操作者。取决于待链接的数据,接合件可为例如内接合件、右外接合件、左外接合件、完全外接合件、交叉接合件,或任何其它适合类型的接合件。
在各方面中,NDS或NDS组件(例如高速缓存处理器/引擎)可执行方法或包括执行功能的引擎,所述功能包括以下步骤:开始(1)如果MA离线,则校正预期的相关高速缓存数据和来自MA的RT-MA-D(例如,基于时间序列数据在60分钟、30分钟、20分钟、10分钟、5分钟、2分钟或1分钟的时间内);(2)将RT-MA-D和高速缓存数据进行比较;(3)如果高速缓存数据EQU AES或在类型和时间序列上与RT-MA-D足够类似(基于比较标准);(a)接合/合并高速缓存数据/RT-MA-D;否则拒绝合并/接合;(4)任选地将结果中继到MA/OND;以及(5)结束。
在各方面中,在RT/S处理下处理NDS的大部分、一般全部,或大体上全部输入。在各方面中,使用Hadoop/MapReduce框架或类似框架(例如,可执行映射和简化功能,例如拆分、映射、分割、混洗、分拣和简化功能),或被设计用于批量处理和RT/S处理两者的框架执行批量处理任务,如其它地方所论述。在任一情况下,但特别地,在批量处理中,NDS输入单元可包括映射器功能,所述映射器功能采用传入数据中的属性/值对(或密钥/值对),将此类数据与任何相关联的传入文件/信息块/流数据拆分开,并且输出一个密钥值对或多个密钥值对以供存储(过滤或解复用功能),且任选地通过组合器功能组合此类输出数据,执行分割功能,执行简化器功能,执行混洗功能,或其任何组合。在各方面中,批量处理还可用于对所存储数据的分析性功能(例如,由NDS处理器的分析性单元执行)中。在各方面中,通过批量处理方法执行对所存储数据执行的一些、大部分、一般全部,或全部分析性功能。在各方面中,递送到NDS的RT/S数据尤其由被设计以专门用于流式数据的处理的系统处理,所述系统是例如Apache Storm或类似系统(例如,具有处理≥~1,000,000个记录/秒/节点的能力的系统)、Apache Kafka等。在各方面中,NDS-INPU包括在RT/S数据的接收、分析和摄取的各种部分上一起工作的此类系统中的2个、3个或更多个(例如,Kafka和Storm的组合)。
“实时处理”的定义在所属领域中是变化的。在各方面中,实时(“RT”)处理意味着大体上仅或仅在一段时间内进行处理,使得在一般全部或大体上全部情况下,NDS可摄取/接收流式MA-D,并且在摄取之前/期间至少最初地分析所述流式MA-D,或者在摄取之后完全地分析自动功能,例如使得(1)分析预定时间关键数据中的大部分、一般全部,或全部,并且(2)(a)递送警告/警报功能,(b)递送MA装置控制指令,(c)在适用MA上显示MA治疗性指令,或(d)发生其任何组合。在各方面中,在操作中,系统在任何有害治疗或诊断性/监测效果之前在大部分、一般全部,或大体上全部情况下提供治疗性MA控制或治疗相关信息输出,或者使得将分类为延迟的输出递送/应用程序的数目不显著。
RT/S数据摄取通常包括(大多、一般,或仅包括)在摄取下一个流之前的摄取,以在相当长的时间量内不显著地增加缓冲数据的量。在各方面中,在NDS中RT/S数据的接收定时并不大体上或显著地不同于初始分析完成的时间。在各方面中,RT/S数据接收、初始分析完成、数据摄取或全部三个过程的定时大致相同。
在各方面中,“RT过程”意味着在≤~5秒、≤~3秒、≤~2秒、≤~1秒或≤~0.5秒(例如,≤~0.25秒、≤~0.2秒,或≤~0.1秒,例如在约0.1秒与2.5秒之间、0.01秒与2秒之间、0.05秒与2秒之间、0.05秒与1秒之间、0.005秒与1.5之间、0.001秒与1秒之间,或在约0.0001秒与1秒之间)内执行的过程。在各方面中,除了在缓冲器中或在暂时性存储器中用于初始RT分析以外,一些RT/S数据不由NDS存储器存储。在各方面中,大部分、一般全部,或大体上全部RT/S数据被摄取且存储在NDSDR中。用于实现流处理的方法可包括采用用于数据聚合/压缩的近似方法,使用随机读取/写入方法(相对于NDS存储器),并且微处理流部分(例如,每过程循环微处理单个文件、几个记录等)。
在各方面中,NDS输入可包括电子邮件输入。例如,NDS可包括电子邮件流监测U/F(包括电子邮件流监测步骤的方法)。电子邮件输入处理功能可包括用于辨识附件、电子邮件文本或这两者的协议。电子邮件和相关文本消息传递格式、网页等可用于提供实质性个体数据、系统数据、网络数据、网络组件数据(例如,MA-D),或对NDS或网络的组件的请求。在各方面中,自然语言处理(“NLP”)和其它处理工具/方法可用于推断电子邮件或者其它非结构化文本消息内容或意图(例如,对NDS服务的请求)。例如,NDS输入单元可采用主题分类(SMC)算法,所述SMC算法可确认非结构化输入数据的上下文。在各方面中,评级功能、富集功能等可对输入执行以促进输入的初始处理(例如,数据队列、初始分析等的应用)。在各方面中,通过大型系统阶跃函数(例如亚马逊网页服务(AWS)阶跃函数或微软Azure中的对应函数)来实现初始输入数据变换功能。
在RT/S数据处理中,NDS输入单元可包括可表征为流/流式处理引擎(“SPE”)或流处理单元(又名流处理器或SDP)的系统/组件/功能。SPE可尤其识别MA-D的流中的情况和事件,例如在急救护理情况下,例如手术和重病监护室(ICU)情况/设置。在各方面中,SPE可识别MA类型、特定MA、所使用的医疗程序、医疗数据的定时、MA-D的性质(数据类型)、MA-D的集合类型(例如,RT/S或经高速缓存MA-CD)、MA状况数据、MA传感器或MA相关联的传感器数据(例如,生命征象数据)等(例如,通过数据变换或数据输入要求)。例如,MA-D的时间系列可包括指示以下各项的状况数据:使用特定MA的程序的开始、使用特定MA的程序的结束,或基于最初接收的数据的NDS输入单元筛选而触发一个或多个警报/警告的患者病况的改变。源自相同的MA、相同的MA类型、相同的患者、相同的HCP、相同的实体、相同的位置或ACT的RT/S数据可由NDS输入单元加标签或以其它方式识别为相关的。NDS输入单元应用的标签可用于同时分析相关数据流或组合相关数据流的分析,以识别满足或超过某些阈值/标准的临床情况,从而触发NDS在例如警告/警报、MA的控制、MA协议信息的显示等方面的经优先级排序动作。举例来说,在各方面中,MA状况数据流、用户输入数据流、装置设置数据流和操作数据流可用于识别何时使用装置和所述装置如何用于临床情况下。此信息可帮助将维护应用中的MA与临床使用、临床试验使用、研究使用或其组合中的MA区分开。在包括多种类型的MA、提供多个应用程序的MA或这两者的网络中,输入数据可用于将MA-D流识别为与特定个体、特定HCP或HCP团队、另一类别的MA用户、特定实体或其组合相关联。在各方面中,RT/S MA-D或其它MA-D输入可与来自其它网络/系统组件的信息(例如MA拥有者系统信息)组合,以推断在初始分析中可具重要性的其它关系。例如,MA拥有者系统可包括例如采用MA的程序的调度,所述MA当与传入MA数据链接时可指示MA如何/何时用于实体中,并且此类信息可中继回到实体,中继回到研究类别的用户,或中继回到商业类用户(提供与RR一致的PHI的编校/排除或其它保护)。然而,通常,此类非关键分析应用于所存储数据上,而非应用于输入(预先摄取数据)上。
在各方面中,流处理单元(例如流式数据处理器(SDP))使用评分板(动态地调度管线,使得指令可当冲突不存在且处理资源可用时无序地执行),以及其它地方所描述的其它类型的消息排队或优先级排序方法,或作为所述优先级排序的替代方案。
各方面可包括使流式数据处理单元(a)接收经中继流式MA-D,(b)对经中继流式MA-D执行初始分析,并且(c)如果初始分析识别经中继流式MA-D中的一个或多个预先编程条件,则执行初始功能的预先编程的有限集合中的一个或多个,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络装置或这两者的操作的指令。此类功能还可被写入/描述为开始,(1)当MA可操作时;(a)重复,直到MA和NDS不处于安全且稳定的通信中;(I)在流式数据处理器处接收流式MA-D;(II)对经流式传输MA-D执行初始分析;(III)如果初始分析中≥1各条件(例如,患者危险、装置失效等的指示);则(A)执行初始分析输出功能(例如,控制警报等的装置中继、@MA、ONDI或这两者);(B)存储流式MA-D;(IV)否则;(A)存储流式MA-D;(2)结束同时;结束。
在各方面中,在NDS中和在NDS输出中分开地识别和处置其它类别的机密数据,例如在数据RR(例如US HIPAA、EU GDPR和加利福尼亚CCPA/CRPA RR)下受保护的个人可识别信息/PHI(例如,通过数据管理、选择性地中继/显示等)。在各方面中,来自研究类MA的数据和其它研究类OND可包括受制于其它数据规则(例如不知情/匿名化数据规则、随机数据规则等)的数据。
如所指示,NDS输入单元可包括控制器或与控制器一起起作用,所述控制器基于对SMAD、高速缓存数据或这两者执行的初始分析而引起输出。例如,流式分析功能输出可包括警报/警告算法、控制算法、事件检测算法或预测算法。可预定义这些算法,或在其它实施例中,可经由自动化学习产生这些算法。流式分析算法的非限制性实例可包含对患者的健康状况的恶化的早期检测、手术室(OR)或ICU中的并发症的检测、需要维护的医疗装置的预测、在可能需要未来特殊护理的情况下并发症的预测,或调度延迟的预测。在各方面中,MA-D流可指示MA正被使用的方式,并且根据指示MA的操作的状态的数据的初始分析,可检测例如手术期间的并发症的事件,且触发适当的动作/警报。在实施例中,流式分析U/F可用于预测患者位置的改变,所述改变可与例如来自MA-D的RT/S数据流(和经高速缓存MA-CD的随后上传)中的间隙相关联。
在各方面中,可高效地处置RT/S和批量处理两者的DMS(例如,数据处理引擎)可形成或为NDS输入单元的组件。流处理引擎/可通常以“非侵入性”方式“分流”传入数据流(而不影响数据流的内容),并且在各方面中,不显著地影响摄取时延。此类系统的实例是Spring XD系统(Apache)。在各方面中,NDS输入单元包括或存取单元/引擎/功能(U/F),所述单元/引擎/功能可在摄取之前或与摄取并行地执行多个迭代数据变换或分析步骤,例如在Apache Spark中。
在各方面中,对维持在一个或多个暂时性存储器单元中的数据执行一些、大部分,或一般NDS输入单元/引擎功能。例如,在各方面中,本发明的方法包括:在暂时性存储器中收集流的多个组分、多个流或这两者,以及对此类暂时保存的数据执行一个或多个NDS输入单元功能(例如,对触发立即警告/警报的数据、MA治疗性操作参数的改变或这两者的分析)。
在各方面中,NDS输入单元或NDS的其它组件(例如,NDS中继单元/NDS-RELAYU)将包括/执行用于管理数据串行化/解串行化(例如,包括数据串行化库、主题等)的U/F。例如,此类U/F通常可将复杂数据结构转换成字节流以用于存储、传送和分布在物理装置上,或用于存储(例如,在EDL中)。在各方面中,串行化/解串行化U/F可将呈某些格式的数据转换成优选的或系统限制某些输入数据的其它格式。例如,BSON、YAML或MessagePack数据可通过NDS的串行化/解串行化功能来转换成JSON数据(或相反)。用于促进串行化的已知技术/框架的实例包含例如Apache Thrift、谷歌协议缓冲器、Apache Avro和Apache Flume。
在各方面中,NDS输入单元对MA数据或其它入站消息(遥测)执行立即过程内/存储器内数据功能。在各方面中,NDS输入单元在有限时间重复循环基础上执行此类数据收集和分析和/或在有限时间周期(例如,每5秒-30秒,例如每约10秒或约5秒-30秒的延迟,例如约10秒-20秒或约10秒-25秒)内对此类数据执行延迟动作。此类功能包含某些数据的立即分析,从而引起装置控制功能、MA/ONDI警报等的激活。
在各方面中,NDS输入单元包括数据验证规则过程,所述数据验证规则过程基于NDS输入单元每约1秒、约2秒、约3秒、约4秒、约5秒、约10秒或例如约每0.1秒或约每0.5秒从MA接收≥10个MA-D包,例如≥约11个、≥约12个、≥约15个、≥约20个、≥约25个、≥约50个、≥约75个,或≥约100个或更多个,例如≥约250个、≥约500个、≥约750个、≥约1000个,或甚至更多个MA-D包(包大小根据系统/网络性质而变化,例如为约1kb-100kb、约1.25kb-75kb,或约1.5kb-65kb)。在各方面中,如果违反此类数据验证规则,则NDS输入单元中的CEI或NDS的其它方面可触发其它地方所论述的动作,例如警告/警报功能。
5.数据处置程序(事件中心、IoT中心等)
NDS可包括数据处置程序,所述数据处置程序形成输入单元的部分,与输入单元分离,或这两者。数据处置程序通常是执行数据分析功能、路由功能、事件处置功能或其任何组合的引擎/单元或方法/功能,并且至少部分地不同于NDS的输入单元和中继单元。数据处置程序通常从多个输入源(例如,装置)(在各方面中,同时从若干个输入源,在数千或甚至数百万消息/秒的情况下)接收遥测(数据/消息),并且进一步将此类数据中继到其它单元或输出,通常同时两个或更多个输出。数据处置程序的实例包含分析引擎和事件处置程序。例如流式分析引擎的分析引擎、事件处置程序和类似的系统/单元是已知的。在各方面中,数据处置程序包含基于云的单元/组件。
在各方面中,NDS包括一个或多个事件中心数据处置程序单元。事件中心通常是/包含在大规模但低轮廓(例如,无高级测序功能、递送保证等)上处理数据的单元,所述单元以相对低时延和高可靠性操作。用于事件中心的输入可被称为事件发布者。事件中心和NDS的类似的组件可使用各种数据中继协议,例如HTTP/AMQP协议。在各方面中,事件中心包括分区(例如,2个-32个分区)(在事件中心中保持事件的有序序列)。分区(经分割消费者模型)使得多个应用程序能够并行地处理流,从而允许更大处理速度和对处理速度的更多控制。在各方面中,事件中心仅以单向方式处理数据(不将消息中继到事件发布者,但将数据从事件发布者中继到事件消费者(即,下游单元))。事件中心可充当用于事件管线的“前门”,并且此类事件中心通常被称为“事件摄取器”。
在各方面中,NDS的数据处置程序包括物联网(“IoT”)中心。NDS的IoT中心通常可执行双向数据通信,以及与装置控制、装置认证、装置授权、协议翻译和组合相关的功能。在各方面中,IoT中心对例如MA的所连接装置执行命令和控制功能。例如,IoT中心可包括预先编程指令以用于响应于某些条件(例如,由装置检测的患者中的某些生理量度)而控制装置。在各方面中,IoT中心可处置装置错误报告,例如检查每个装置的失败连接尝试,包括断开连接/停用所连接装置,或这两者。
在各方面中,数据处置程序在时间基础上执行一个或多个数据功能,所述时间是例如重复1分钟、2分钟、3分钟、5分钟、6分钟或10分钟数据收集循环/窗口(例如,30秒-600秒数据收集窗口,例如2分钟-8分钟数据收集窗口)。
Apache Kafka生态系统包括已知的事件中心,所述已知的事件中心可用于NDS中或可用作用于NDS事件中心的模型。Azure系统包含Azure事件中心和IoT中心两者。Azure的大数据分析服务(包含Databrick、流分析、ADLS和HDInsight)可从中心读取数据且处理所述数据。数据处置程序还可包含事件网格,所述事件网格是更集中于事件处理的单元。就所执行的功能/能力而言,NDS可包括此类类型的中心中的任何适合的一个或多个或其等效物。
在各方面中,NDS的数据处置程序执行数据分析和事件处置功能两者。例如,例如Azure流分析的分析引擎充当实时分析和复杂事件处理引擎两者,所述复杂事件处理引擎同时处理来自多个源的流式数据。在各方面中,数据处置程序从来自多个输入源(包含MA-D、NDS-AD和其它输入)的数据识别数据模式、数据关系,或这两者。在各方面中,此类数据处置程序的分析性功能可起始动作、工作流(例如产生警告),从而将信息馈送到报告工具,存储经变换数据以便后续使用,或组合。分析处理器通常执行工作,包含输入、查询和输出元件(例如,从事件中心或IoT中心接收数据,执行基于SQL查询语言或用户自定义函数(UDE)以过滤、分拣、聚合和接合流式数据,并且将数据中继到其它组件/单元,例如Azure功能、服务总线话题或队列以触发下游的通信或自定义工作流或数据存储库中的数据(例如,DL/EL、Azure突触分析等),任选地基于历史数据而训练机器学习模型或执行批量分析。SDP的元件,例如Apache工具,例如Kafka、Spark、Storm和Flink,可用于执行此类功能。亚马逊工具,例如Kinesis流、Kinesis和Firehose,可提供类似服务。
6.分析性引擎/单元/功能
NDS通常包括对MA-D执行分析的组件,所述组件可表征为NDS分析性单元/引擎/系统(有时被称为NDS-ANALU或类似地NDS分析性/分析单元)。NDS分析性单元通常由NDS的单元/引擎和相关联的存储器/处理器资源构成,所述存储器/处理器资源分析NDS存储器中(例如NDSDR中)的数据。NDS可包括任何适合类型的任何适合数目个分析性单元/引擎。在各方面中,NDS包括主要、一般或仅分析DR数据(后摄取)的至少一个分析性单元。在各方面中,NDS包括分析数据预摄取的分析性单元(例如,作为输入单元的部分,例如SDP,如上文和下文所论述)。由NDS分析生成的数据被称为NDS分析性数据(“NDS-AD”)。在各方面中,NDS-AD可递送到网络组件,例如MA或其它网络/NDS组件,并且可为甚至进一步分析性功能/方法的基础,从而产生较高水平的NDS-AD、由NDS的控制器单元执行的控制动作(例如,MA装置功能的控制),或这两者。NDS-AD可包括NDSDR中的经组织或结构化“原始”MA-D或其它输入、通过分析性过程/算法应用于所存储数据上而生成的数据,或这两者。在各方面中,分析性功能将主题应用于NDS存储器中的所存储数据上。例如,NDS分析性单元可包括用于应用≥~2个、≥5个、≥10个、≥20个或≥~50个不同主题的指令,所述不同主题应用于NDS-AD以将数据递送到MA/ONDI,执行功能或CT。相对于由例如NDS输入单元(NDS-INPU)或NDS中继单元(NDS-RELAYU)采用的I/O结合过程,分析性单元的大部分过程可表征为CPU/处理器结合过程(不频繁地生成输入/输出(I/O)请求/操作)。NDS分析性单元引擎/功能通常将生成/产生递送到网络装置/接口的用户的一个或多个形式的输出。此类输出可包含格式化和递送显示在装置或接口上的数据、用于装置的自动操作的机器控制数据、警报/警告指令或其组合。
在各方面中,一个或多个NDS分析性单元/引擎是在操作期间不可调整的固定分析性单元。在各方面中,一个或多个分析性单元在操作中可调整,或甚至在操作中可自动调整。在各方面中,机器学习用于塑形固定功能分析性单元。在各方面中,机器学习用于在操作中驱动/塑形分析性单元的功能(例如,监督或非监督机器学习可应用于或形成NDS分析性单元的处理的部分,例如个体的生理状态的预测、最佳治疗过程等)。
根据各方面,可表征为NDS分析性单元/引擎的部分的代码/CEI包括与传感器数据相关联的一个或多个警告/警报条件,和用于检测所述警告/警报条件的存在的构件,其中NDS分析性单元确定一个或多个警报条件是否由例如MA-D、分析触发,并且NDS基于传感器数据和所准许用户选项而使警报注册在MA中,递送到与关联于MA/个体的用户相关联的装置/接口,或这两者。
在各方面中,MA-D包括关于MA-D的操作状态的信息,并且NDS分析性单元评估在执行一个或多个分析时MA-D中的操作状态信息。
在各方面中,MA中继包括时间加标签(例如与指示数据群组的时间或序列的MA-D相关联的标识符)的包。在各方面中,MA中继包括此类测序信息的数据包,并且NDS分析性单元包括用于分析高速缓存数据的时间组分/属性的功能。在各方面中,在分析高速缓存数据(MA-CD)的时间组分时,NDS-ANALU可以非时间次序对所接收的MA-CD进行重新测序。在各方面中,此类重新测序显现按时间顺序排序的MA-CD。
在各方面中,NDS分析性单元包括用于识别过去MA-D、当前/接近当前MA-D和经预测MA-D(NDS-AD)(例如,使用适用时戳/代码对数据加标签)的功能。在各方面中,NDS分析性单元基于分析而执行≥1个预测性功能,并且将预测性功能的结果中继到MA、其它网络装置/接口(ONDI),或这两者。例如,当前数据可经历初始分析,而被戳记为过去相关窗口的数据时间可被拒绝或直接传递到DR摄取。数据产生时间、中继时间、修改时间或任何CT还可被视为对DR数据执行功能,如其它地方所例示。
在实施例中,NDS分析性单元包括CEI,所述CEI用于监测事件是否发生且在事件发生时重新执行分析,更新分析,并且将经更新分析报告到一个或多个MA,或一个或多个NDS或网络相关联的用户,例如一个或多个其它网络装置/接口(ONDI)。在各方面中,NDS分析性单元包括用于监测满足预先建立的警告条件的数据模式的CEI,并且当数据模式满足此类预先建立的警告条件时,NDS分析性单元包括用于发信号通知需要MA、ONDI或CT的通知的CEI。举例来说,可在MA-D模式、NDS/网络操作模式、通信模式或本文中所描述的系统内与数据相关联且可由NDS分析性单元存取的任何功能元件中识别此类警告条件。
在某些实施例中,NDS分析性单元执行作为医疗装置软件(SAMD)进行监管的≥1个功能/引擎。在各方面中,NDS分析执行≥1个SAMD功能和≥1个非SAMD功能(NSAMD功能)。在各方面中,NDS将≥1个SAMD功能(或≥SAMD和≥1个NSAMD功能)的输出递送到尤其根据CEI不同的MA,所述CEI反映SAMD和NSAMD功能的适用监管状况。在各方面中,≥1个SAMD包括将诊断性指令或治疗性指令提供到健康护理提供者。根据一些方面,≥1个SAMD可响应于一个或多个条件而改变MA的操作条件。在各方面中,NSAMD功能不执行此类任务。
在各情况下,通过一个或多个监管机构(例如,美国FDA)将输出应用程序作为医疗装置软件(SaMD/SAMD)进行监管,并且NDS的操作或方法包括应用一个或多个数据变换、数据管理过程、数据验证检查或者其任一个或全部组合,以确保一个或多个SaMD应用程序依从存储在MAC-DMS存储器单元中处理器可读指令中所记录的一个或多个监管要求。在各方面中,不将此类NDS中的≥1个输出应用程序作为SaMD进行监管,并且NDS的操作/方法从非SaMD输出分拣SaMD输出以确保依从监管要求。
在由NDS分析性单元执行的若干个功能/方法中,一个或多个数据变换发生,如其它地方所论述。结构化数据变换可在例如SQL中执行。半非结构化数据变换可包括基于执行一个或多个查询而将主题应用于数据。
至少一个NDS分析性单元(例如,执行大部分NDS分析性功能的主要NDS分析性单元)可包括查询(搜索和匹配)单元/功能,例如允许用户、过程或这两者对DR数据执行查询。在各方面中,查询单元可与匹配记录评级方法组合地使用字母数字数据、元数据(标签、链路、参考等),或这两者,如其它地方和例如US10572221、US6651054、US5826260、US10229166、US10282472、US7970791中所描述。与查询“命中”(结果)相关的匹配/评级方法可涉及用户输入、用户偏好,或这两者(此类方法的实例描述在例如US10387512和US7996392中)。评级通常将包括评估多个评级因素,例如关键字含义、上下文等、匹配记录内容质量等,所述评级因素通常归于用于通过评级/匹配算法/功能进行分析的加权规则。在一些方面/情况中,查询过程/单元可使用同义词生成方法以扩展查询。相关原理和方法描述在例如US7636714、US8392413、US10546012、US20100082657、US20100313258、US20160253418、US9361362、US9489370、US8832092和US8812541中。在各方面中,查询包括搜索/查询元件,所述搜索查询元件根据频繁组合检测、系统规则或其它适合的方法从一个来源中的术语的组合(术语组合)或从来源生成。经组合搜索术语方法的实例描述在例如US20100138411和US20110184725中。在各方面中,生成查询,或通过尤其将数据集分解成数据集元素来使记录匹配,并且在逐元素基础上(例如,基于密钥/值与密钥/值组合的比较)进行比较。NDS分析性单元或其组件/相关单元(例如NDS数据改进单元(DIU))或这两者可在各种层级(例如,单个术语/定界符层级、二元语法层级、三元语法层级或更高N元语法层级或CT,通常与针对预期句法、共同表达、含义/NER或CT测试此类不同层级组合)处采用令牌化方法(例如,通过二元语法令牌化将“纽约”识别为特定阶段/城市,而不是在个别令牌解释层级处将数据评估为“新”(可能忽略)和“约克”)。由NLP U/F执行的NLP过程可解译输入的异质形式(例如,非结构化输入),或经执行以解译输入的异质形式。NLP过程可与专用SN(根据相关术语和含义、同义词、定界符和其它语法/句法,或格式化规则等训练的SN)的使用组合。可存在各种查询相关S/F的重叠。例如,典型的NLP过程涉及呈字词辨识、句子分段、字段分段(例如,在表格数据中)或段落分段的形式的令牌化。NLP过程通常进一步包括语音辨识的部分(和语音加标签的部分)、时态辨识/加标签等。NLP过程还通常包括应用词形还原过程,以寻找连接输入/DS中的读取术语的基本字词形式,并且评估字词关系(例如,通过相依性剖析(例如,浅剖析/“分块”)、短语识别、字词感测歧义消除、自然语言生成、共指消解、情感分类,以及命名实体辨识(NER))。用于特定术语的NER过程可能需要包含特定语料库/语料。NLP过程可包括基于句子/短语/表达形态或句法的分析,并且NER过程可利用语义或语用等因素。示例性NLP过程包含例如NLTK、WordNet、BERT(子字词令牌)模型,以及Python中的spaCy库资源。在NLP中使用子字词令牌方法可辅助可检测地减少未定义词(outof vocabulary,OOV)解释问题。NLP过程还可用于由NDS输入单元进行的输入过程中,例如指令的接收、对问题的响应等。在本公开中其它地方提供其它NLP过程和与数据匹配(例如,在数据链接中)相关的过程。
查询过程可包含词干提取和相关方法,例如在匹配、同义词生成或这两者中。词干提取可包含后缀移除、前缀移除,或这两者。若干熟知的词干提取算法是已知且可用的,包含Porter Stemmer、Lovins Stemmer、Dawson Stemmer、Krovetz Stemmer、Xerox Stemmer、N-gram Stemmer、Lancaster Stemmer和Snowball Stemmer。词形还原工具/资源和原理是已知的(例如,nltk.stem的WordNetLemmatizer功能和Python中的spaCy库中的词形还原程序类别为常见英语术语提供NLP词形还原功能)。对可用于查询功能、匹配功能或这两者的专用同义词典的开发是已知的(参加例如US20100198821)。可用于查询/匹配过程中的字符串匹配/词干提取步骤包含应用模糊(近似)字符串匹配方法,这些方法是已知的且可使用可用工具/方法执行,所述可用工具/方法是例如使用Levenshtein距离方法,例如采用Python FuzzyWuzzy或模糊匹配程序包/库(设置,例如用于经比较字符串的最小比率)的功能的方法。适合于在词干提取功能中执行词干提取步骤并入的字符串词干提取方法也是已知的。在各方面中,词干提取步骤包含使用预先编程的查找表。在各方面中,词干提取步骤包含应用预先编程的前缀剥除规则、后缀剥除规则、词形还原算法、词干数据库匹配算法或其组合(例如,词缀剥除)。在各方面中,词干提取步骤包括应用经训练/可训练概率性随机算法。在各方面中,用于方法/NDS中的词干提取、匹配或这两者包括经训练以用于、包括或以其它方式分解特定信息的分析/使用的规则/输入,所述特定信息是例如特定MA-D(例如,生命征象数据)。在各方面中,词干提取步骤/单元、匹配步骤/单元或这两者包括ML组件/方法(例如,应用于由监督学习或监督和半监督学习训练的随机算法的ML)。在各方面中,匹配或词干提取功能还应用于非字符串输入,例如图像、值等。就字符串匹配而言描述的本公开的任何部分将理解为提供对此类其它方法或包括此类不同类型的数据中的2个或更多个的较宽类别的数据匹配/词干提取的应用的同时支持。通常基于例如密钥/值对、字段/记录对、另一主题或其组合中的数据点/数据集匹配而执行匹配。可适用于方法/NDS的S/F的搜索/匹配技术和原理的实例描述在例如US10572221、US10452764、US8145654、US6625615和US20160306868以及其中引用的参考文献中。搜索S/F可包括使用元数据,例如搜索“标签”(例如,如US20140039877、US7844587、US20080270451、US9305100和US20200097595所例示)。可适用于方法/NDS的S/F的搜索/匹配技术和原理的实例描述在例如US10572221、US10452764、US8145654、US6625615和US20160306868以及其中引用的参考文献中。本发明的方法/NDS的搜索S/F还可包括使用元数据,例如搜索“标签”(例如,如使用US20140039877、US7844587、US20080270451、US9305100和US20200097595等中所描述的方法)。
在各方面中,NDS分析性单元包括任务调度/过程调度引擎/功能(任务调度程序或过程调度程序)。分析性单元可使用或主要使用长期或中期调度方法,而NDS输入单元或NDS中继单元(NDS-RELAYU)通常、主要、一般或仅使用基于短期(存储器内)调度过程的任务调度单元/功能(U/F)。任务处理器U/F可包括调度器组件/功能,所述调度器组件/功能视需要(例如,在短期过程中)提供对用于适用过程的NDS处理器/分析性单元的控制。在各方面中,任务处理器包括例如响应于数据事件的上下文切换/控制。任务处理器可基于任何一个或多个方法而应用调度,所述方法包含FIFO、优先级调度、最短时间剩余调度、容量调度、轮选调度、多层级队列调度、公平调度、延迟调度、动态比例调度或资源感知自适应调度(RAS)。此类途径的实例描述在例如西塔拉克希米(Seethalakshmi)等人,信息技术与软件工程学报(J Inform Tech Softw Eng)2018,8:2,DOI:10.4172/2175-7866.1000226中。在各方面中,任务调度可采用线程化模型(例如,内核级线程化)。
任务调度过程可为用于设计结构矩阵(DSM)任务管理的其它框架的组件,其可由NDS处理器的单元/功能采用,例如其实例是Hadoop中的许多任务的多目标调度算法(MOMTH)。Hadoop、Spark、Storm和Mesos是熟知的框架,包括用于调度短暂任务、大型工作、交互式工作、大型/批量工作和保证容量生产工作的多个算法。参加例如姆巴尔卡·索阿利亚(Mbarka Soualhia)等人,大数据平台中的任务调度:系统性文献综述(Task Schedulingin Big Data Platforms:A Systematic Literature Review),系统和软件期刊(Journalof Systems and Software),第134卷,2017年,第170-189页,doi.org/10.1016/j.jss.2017.09.001。其它相关方法/原理描述在https://www.cs.rutgers.edu/~pxk/416/notes/07-scheduling.html(2014-02-19)处的保罗·克日扎诺夫斯基(PaulKrzyzanowski),“过程调度:下一个运行的是谁?(Process Scheduling:Who gets to runnext)”和佟丽(Tong Li);丹·鲍姆贝格尔(Dan Baumberger);斯科特·哈恩(ScottHahn),“使用分布式加权轮选的高效和可缩放多处理器公平调度(Efficient andScalable Multiprocessor Fair Scheduling Using Distributed Weighted Round-Robin)”,http://happyli.org/tongli/papers/dwrr.pdf中。
7.数据改进引擎/单元
在各方面中,NDS包括可表征为数据改进单元(DIU)或执行对应功能的单元。在各方面中,NDS包括作为NDS输入单元的组件(或者NDS中的此类单元包括重叠功能)的DIU。在各方面中,NDS包括在数据的初始摄取之后操作的DIU。在各方面中,数据摄取可为分级过程。例如,在各方面中,数据输入经历极有限的变换或结构要求/筛选,但在初始摄取之后,此类数据进一步经历DIU过程,产生数据的第二级别变换,所述第二级别经变换数据在第二摄取过程中存储在NDSDR中。在各方面中,第二级别摄取数据经历NDS过程,例如NDS-ANALU过程,并且所得NDS分析性数据(NDS-AD)经历存储,通常在将主题应用于此类NDS-AD的情况下存储在DR的更结构化部分中。NDS-DIU可执行用于改进输入的质量或可用性的功能,例如协调不同数据、评估和验证/拒绝输入等。此类分析性过程可包含自动执行的过程(例如,应用于DR数据上的机器学习过程)或按需(手动触发的)过程,例如对DR数据执行数据查询。
在各方面中,NDS包括包括或操作为数据协调单元(NDS-DHU)的DIU,其可评估所接收数据的特性,并且应用协调不同数据(例如,来自MA的网络内的异质MA的数据、SUMAD以及非结构化或结构化MA-D,或其组合)的功能,从而使此类数据能够聚合地接合/比较/分析。在各方面中,NDS还或替代地包括NDS-DHU,其可评估所接收数据是否适合于由NDS分析性单元使用(例如,被批准用于立即使用)或评估此类数据是否需要通过应用一个或多个功能以用于在使用之前协调数据的修改。在各方面中,NDS-DHU可评估NDS存储器中的MA-D是否被批准用于由NDS分析性单元使用。根据其它实施例,NDS-DHU可确定被批准使用的任何此类MA-D如何由NDS分析性单元使用。
在各方面中,最初接收的MA-D在NDS中经历数据清洁、数据协调/格式化(混合),或这两者。此类功能性可包括例如从每一MA或者大部分或大体上全部MA接收的初始MA-D的有效性的评定。数据有效性评定可包括例如基于所建立规则/约束或原型而测量所检测CI数据(例如,值和属性)顺应预期属性/值的程度。在各方面中,NDS分析性单元或者还或替代地NDS-DHU可在分析中将具有较低有效性评分的数据评级为较低的,排除被确定为无效/不相关的数据,向用户警告无效数据,呈现有效数据,或例如报告所保留数据和所排除数据两者。在各方面中,DIU将一个或多个标签或其它形式的元数据应用于数据(例如,应用可用于在NDS过程在下游处理相关联数据的一个或多个未分层数据集/点)。NDS-DIU还可包括用于进行数据分类(例如,将数据分组成便于在一个或多个数据层级处处理的面向个体的数据集,例如全部MA-D与其它输入、每一类型的MA-D的全部MA-D、与此类MA所采用的每一类型的患者/程序相关联的全部MA-D等)的U/F。DIU还可执行数据分类S/F,例如基于数据类型或者数据类型和数据分类而将数据分组,这可例如用于存储位置或性质中或作为额外元数据应用程序/加标签的基础。在各方面中,NDS-DIU在执行数据分析、变换或这两者时采用上下文处理方法,并且在各方面中,NDS-DIU的元数据应用是上下文相依的。在各方面中,上下文元数据的应用DoS促进数据处理应用,例如数据挖掘。上下文可应用于例如用于查询的同义词生成、记录解译(例如,将与心血管MA相关联的输入中的“ha”解译为可能意味着“心脏病发作”,而不是与皮肤科装置相关的各方面中的“玻尿酸”)。用于执行DIU/数据摄取操作的可用系统的实例包含例如Apache Nifi、Elastic Logstash等。在数据摄取中,NDS-DIU可例如对数据进行分类,对数据进行优先级排序,或这两者,从而实现队列处理的应用。在各方面中,NDS-DIU可使用元数据、语义库或主数据作为数据集成链路的基础,所述数据集成链路可包含动态数据记录链路(例如,在半结构化数据与非结构化/结构化数据之间,例如在与MA相关联的SUMAD与同MA相关联的查询响应数据之间)。在各方面中,DIU采用NLP方法以翻译来自多种自然语言(例如,英语、汉语、日语、德语、法语、西班牙语、阿拉伯语、印地语、韩语和CT)的输入。例如,在各方面中,来自≥约2种、≥3种、≥5种、≥10种、≥15种或≥约20种自然语言(NL)、NL方言(例如,普通话和粤语或CT的输入可提供到NDS,由NDS生成,或这两者(例如,NDS可以西班牙语和英语、日语和英语或者德语和法语中继输出)。
在各方面中,NDS-DIU执行一个或多个数据清理功能。数据清理单元/功能/方法可检测数据问题(例如,冗余、不完整、不正确、不准确或不相关数据),并且移除或校正有问题数据。可通过数据清洁方法检测或校正的常见错误包含空间错误、重复错误/冗余、不一致错误或格式化错误。在各方面中,数据清洁功能(DCF)检测或校正分类或命名错误。在各方面中,NDS使用定义或规则集合以确定不一致错误和其它类型的数据损坏错误(例如,在各方面中,方法包括词典、词汇表或授权文件的开发、维护和应用)。在各方面中,DCF包括使用严格验证规则、模糊验证规则,或这两者。在各方面中,DCF包括将1个或多个数据集特征(DSF)或具有DSF的记录与已经验证的记录或DSF进行交叉检查。在各方面中,DCF检测并且解决结构错误,例如不正确属性、错误标注等。多种数据清洁方法/算法是已知的,并且可应用于或适于此类步骤/功能。用于执行此类功能的已知工具的实例包含重复计数策略++(DCS++)、Dedup、渐进式分拣邻域方法(PSNM),以及创新窗口(InnWin)方法。可适用或包括适用方法/途径的已知数据清理工具包含IBM InfoSphere服务/产品、OpenRefine、Winpure、Trifacta Wrangler、数据梯子的DataMatch组件、Quadient数据清洁器和赛富时的Cloudingo。在各方面中,本发明的方法包括在DCF中使用MLM。在各方面中,DCF包括被训练以用于或以其它方式包括/考虑MA-D或其它预期网络装置数据(例如,CMSS数据)的分析/使用的规则或输入。
在各方面中,NDS-DIU协调来自以下各项的数据:各种MA-D或EMR/EHR相关消息传递标准(例如,健康级别7国际(HL7 V2.x/v3)、临床文档架构/护理连续性文档(CDA/CCD)、美国材料测试协会(ASTM)、医学数字成像和通信(DICOM)等)和各种标准或协议(例如,跨企业文档共享(XDS.A/B)跨企业文档媒体互换(XDM)跨企业文档可靠互换(XDR)、患者标识符交叉参考/患者人口统计查询(PIX/PDQ)患者施用管理(PAM)、现有数据查询(QED)、国家处方药计划顾问(NCPDP)等),以实现此类异质输入的协调。例如,NDS-DIU可将一些、大部分、一般全部,或全部输入转换成一致或兼容格式以供在NDS内使用(例如,ISO/IEEE 11073-10101命名法和其扩展)。在各方面中,DIU通过转换例如数据中的计量单位(时间、体积、大小等)来归一化传入时间序列数据或其它输入的流。在各方面中,非均匀数据可被协调(例如,将摩尔百分比转换成重量百分比,将体积转换成权重,将英寸转换成厘米,将体积或时间单位转换成替代的体积或时间单位等)。
根据各方面,数据、数据群组或数据集合(例如,~2个或更多个、~3个或更多个、~5个或更多个、~10个或更多个、~25个或更多个、~50个或更多个、~100个或更多个、~500个或更多个、~1000个或更多个、~5000个或更多个,或者甚至~10,000个或更多个MA-D片段、MA-D群组或MA-D集合)在例如NDS-DIU中经历均匀性评定、值类型评估、值单位评估等,以确定例如存在的值的类型、此类值的单位等。在各方面中,完整性可用于描述所接受(例如,立即接受或协调的)数据、一致数据、准确条目、完整条目中的2个或更多个的组合的分析。在各方面中,数据清洁遵循完整性评估。
根据各方面,NDSDIU通常使用规则、约束、统计分析或其任何组合以执行数据审核以评定NDS输入单元/传入数据异常、矛盾、其它错误等。
在各方面中,NDSDIU可应用一个或多个约束以评估可接受数据与不可接受数据或可接受为所接收数据的数据与需要在接受和使用之前修改的数据。在各方面中,一个或多个约束可包括但可不限于例如范围约束(例如,属于数值范围或数量级内的特定属性(例如,体积或速率)的值的预期,或属于某一集合内的标称值(例如,与预期生理测量结果匹配的单位))。约束还可根据规则应用于日期、时间和其它值(通常最大和最小预期值)。在各方面中,NDS输入可经受强制性约束(例如,所需条目)、唯一约束(特别地识别CI/使CI与信息的一个或多个项目相关联的信息),或这两者。在各方面中,正则表达式模式辨识通常用于此类输入的辨识中。在各方面中,可使用跨字段验证方法,例如跨越从MA或MA类型或符合特定条件集的MA接收作为集合的数据、从一个字段到另一字段的交叉参考数据,此类2个或更多个数据字段表示百分比。在各方面中,一些,例如≥~5%、≥~10%、≥~15%、≥~25%或≥33%的输入呈非结构化格式,不经受约束或内容规则/要求,或这两者。
根据各实施例,NDS-DIU或其它NDS组件可执行完整性评估/评定,尤其在采用用于信息的强制性约束规则的情况下。在各方面中,评定阈值将确定是否利用例如MA-D或分析的信息和如何利用所述信息。在替代方面中,评定评分将评估如何使用此类数据,或者评估是否变换或排除此类数据。
在各方面中,NDS-DIU、NDS输入单元或NDS的其它方面将评定一个或多个数据类型/来源的输入数据之间或输入的来源内随时间推移的一致性(例如,在单个患者治疗或评定周期的过程内)。一致性量度可通过例如与规则的匹配、来源之间(例如,类似MA-D的来源之间)的匹配或这两者来执行。在各方面中,使用量度(其可报告给用户,由具有截止功能的算法采用等)以执行一致性分析。在各方面中,DIU基于所识别不一致或其它所检测数据问题而进行一致性确定和动作(修改数据),例如根据经由CEI的执行实施的所建立规则向用户警告问题或决定省略或修正数据。根据一些实施例,机器学习(ML)可应用于DIU过程以进行增强型评估或一致性确定,例如增强型比较性或预测性评估。一般在其它地方和所属领域中描述ML过程。
在各方面中,NDS-DIU将一个、一些、大部分、一般全部,或全部输入类型的一些、大部分、一般全部,或全部输入标准化。标准化包括确保内化数据以NDS识别或允许的形式表达(例如,某些半非结构化数据格式或数据格式/记录被认为包括最小数据要求)(例如,通过此处其它地方所描述的串行化和其它标准化方法)。作为标准化过程的实例,如果NDS需要性别表达为男性、女性和其它,但外部实体将性别表达M、F和O,则标准化过程将M、F和O翻译成男性、女性和其它。
NDS-DIU可对输入/数据执行步骤/功能,以“掌握”数据。掌握数据是指其中属于特定个人、装置、实体等的数据可归于所述个人、装置、实体等的各种方式的过程。作为实例,掌握数据可包含辨识归于乔纳森琼斯(Jonathan Jones)和乔恩琼斯(Jon Jones)的数据属于同一个人。掌握功能可包括将主数据存储在一系列所掌握标识或映射中。所掌握标识或映射存储可在实时或批量/分析性患者特定的数据分析期间存取,以提供具有所参考个人、装置、实体等的同义词的适用算法。
输入数据(输入)和摄取数据可包含结构化数据和非结构化数据两者,并且各种消耗模型可包含消耗模型,尤其例如数据发现消耗模型、数据分析消耗模型、科学应用消耗模型和数据报告消耗模型等。在一些实施方案中,在各方面中,一个或多个后期专用变换器可用于数据清理、数据匹配、参考框架(FoR)转换、模型映射和用于数据分析的数据聚合等。此外,在一些实施方案中,这些变换器可被配置成对例如数据湖的数据存储库内呈原始格式的数据起作用。在各方面中,变换器可被配置为插件。
NDS-DIU通常将包括重复(冗余)检测和消除功能以最小化记录大小、增强效率等,前提是此类功能通常与预先编程的冗余标准进行均衡,作为分布式系统中的防止组件失效的保护。此类功能可在方法过程中(例如,当数据链接到主数据时)应用≥2次。
8.数据监测器/仪表板
系统/NDS可包括一个或多个数据监测器/仪表板。由NDS生成/包含在NDS中的数据监测器/仪表板可包括引擎的组合,所述引擎收集NDS/网络中的特定数据且生成被调适/被配置成显示在网络装置或其它用户可存取接口上(例如,在可从多种装置存取的多种网页上)的主题/表示。监测器/仪表板可向用户提供对可操作分析的可导航存取,例如关于NDS/网络的当前性能或在其修改之后NDS/网络的操作中的改进。在各方面中,系统/NDS包括基于数据被摄取到NDS的数据存储库(例如一个或多个数据库)、数据湖或这两者中而提供数据视觉化功能的仪表板/监测器。在各方面中,仪表板/监测器提供用于分析性数据(NDS-AD)、查询准备数据等的数据视觉化功能。在各方面中,NDS包括至少2个、至少3个、至少4个或更多个数据监测器单元/仪表板。数据仪表板/监测器的实例在所属领域中是已知的,其可应用于进入系统中且流过穿过系统的流式数据。举例来说,基于Apache Kafka的数据监测器/仪表板在所属领域中是已知的。一个此类实况监测仪表板是Redash(其与如Tableau、Grafana和Apache Superset的其它SQL仪表板集成)。微软Power BI仪表板是所属领域中已知的一种类型的数据监测器的另一实例。Power BI仪表板可基于推送数据集、流式数据集或发布订阅流式数据集。例如Power BI仪表板的仪表板可为流分析处理器、流式数据处理器或事件处置程序的输出,或可为在摄取到例如数据库的数据存储库中的上游的过程。在各方面中,NDS包括在重复基础上(例如,每1分钟-20分钟,例如每2分钟-15分钟)监测MA功能(例如,MA功率状态/功能)的仪表板。在各方面中,监测器与提供随时间推移、根据事件等的数据模式的分析的功能协调。举例来说,分析性功能可包括随时间/条件监测事件,例如警报,并且基于所述事件而提供反馈、报告或功能。例如,对于网络的部分,可随时间推移而收集警报数据,并且由此基于事件/条件或模式而识别模式(例如,如果在例如周末与工作日的时间中发生更多警报,则系统可识别此类模式)。在各方面中,通过数据监测器或以其它方式,NDS可识别患者、装置或组合中的问题,所述问题不易于通过普通医疗诊断、NDS分析等确定。
在各情况下,NDS的操作促成生成关于存储在RDB中、进入RDB或这两者的数据的质量的表示,以及将所述表示中继到网络中的一个或多个OND的图形用户接口(例如,到与一个或多个NDS管理员用户相关联的OND)。在各方面中,NDS可包括≥2个RDB,并且NDS可包括用于生成此类表示的多个单元。例如,在各方面中,NDS包括第二RDB,并且操作生成关于存储在第二关系数据库中、进入第二关系数据库或这两者的数据的质量的表示,并且将此类表示中继到网络中的一个或多个OND的图形用户接口(例如,到与一个或多个NDS管理员用户相关联的一个或多个OND)。在各方面中,NDS的操作进一步促成在数据质量由关于进入RDB(例如,≥2个RDB)中或含于所述RDB中的数据质量任何此类图形表示(数据监测器/仪表板等)表示的情况下将一个或多个修改应用于MACMDS存储器单元中的一个或多个指令。
9.关系数据库
在各方面中,除一个或多个其它数据存储库(例如一个或多个数据湖/增强型数据湖(DL/EDL))之外,NDS/系统还包括一个或多个数据库,例如一个或多个关系数据库(“RDB”)。在其它地方描述与此类DR的数据库/特性相关的方面。在各方面中,除至少一个DL/EDL之外,NDS还包括至少两个结构化数据库。在一个实例中,NDS包括存储NDS操作数据的数据库,所述NDS操作数据包括NDS性能的一个或多个元素(例如,NDS-AD的生成、数据到数据存储库中的摄取、来自网络的数据的接收等)。在一个实例中,NDS还包含一数据库,所述数据库在各方面中包括呈可查询格式的NDS-AD、MA数据,或这两者(在各方面中,数据大多、大体上完全、基本上完全,或完全不同于NDS中的任何其它关系DB)。在各方面中,NDS包括在将不重要数据/消息存储在关系数据库中之前过滤/去除所述不重要数据/消息的单元/功能。
在各方面中,NDS的DR包括(除EDL之外)第一关系数据库,并且NDS的操作(1)从分析性输出数据生成第一结构化数据集数据且(II)将第一结构化数据集数据存储在第一关系数据库中,并且(2)(a)DR包括第二关系数据库,并且操作包括(3)对EDL中的数据执行一个或多个分析性功能以获得分析性数据,(II)任选地与含于第一关系数据库中的数据组合地从此类分析性数据生成第二结构化数据集数据,且(III)将第二结构化数据集数据存储在第二RDB中。
通过组合初始分析存储器(例如,系统/网络RAM)、DL/EDL以及≥1个或≥2个RDB,本发明的NDS提供多种数据功能,从而提供较宽范围的更有效功能,例如系统/网络RAM中的潜在生命挽留/救生数据的近实时分析;用于几乎当前输出应用程序的数据的快速生成(例如,数据的DOS较快生成),例如通过使用系统/网络RAM中或EDL中的数据进行的生理数据的预测;EDL中的半非结构化数据的快速查询;以及存储在RDB中的数据的高效(例如,DOS更高效)高级分析。
10.NDS中继引擎/组件/单元
NDS将具有将数据中继到一些、大部分、一般全部,或全部网络装置的能力,所述网络装置通常包含网络中的一些、大部分、一般全部,或全部MA,并且通常还包含其它网络装置/接口(ONDI),例如研究组织/类MA和其它装置、临床支持组织/类装置,或商业类装置/接口等。网络通信可通过任何适合的通信手段来执行,例如由电缆促进的直接物理通信、无线通信(例如,蓝牙通信)或例如经由互联网的通信,或CT。在各方面中,此类通信大多、一般,或仅作为安全通信进行,如其它地方所论述或如所属领域中另外已知的。参与数据从NDS到其它网络装置/接口的传输的物理组件、引擎或这两者可表征为中继单元(NDS-RELAYU或NDS中继)。
如同其它“单元”构造,NDS中继单元的元件可与被描述为形成分析性单元(NDS-ANALU)、NDS处理器(NDS-PROCU)、NDS存储器(NDS-MEMU)等/形成其部分的元件重叠,使得“单元”构造有时被最佳理解为用于论述步骤/功能的功能的方便框架,而非理解为始终对应于组件/特征或引擎的离散/唯一集合。在所述领域中使用类似术语途径。
NDS中继通常例如经由加密数据、通过使用VPN或通过其它数据保护标准/方法通过互联网安全地中继信息。在各方面中,安全信息个别地或作为一个或多个群组通过互联网传达/传输到一个或多个MA(例如,到用于IE的中央服务器或节点,其然后将数据中继到IE局域网中的MA)。在各方面中,由NDS-RELAYU传输的信息是由MA输入单元接收,所述MA输入单元包括用于识别NDS中继通信且阻止其它未经授权输入的功能。在各方面中,NDS-RELAYU将信息安全地传达(例如,传输/中继)到每一MA,所述信息特定于MA,特定于与所述MA相关联的患者,或这两者,并且所述信息被专门识别且其一个或多个特定类型被配置成对MA安全性单元可接受。NDS中继可将NDS-AD(例如,从MLM对MA-D的应用导出的经预测生理数据)传输/中继到MA,ONDI,或这两者。从NDS-RELAYU传输的其它数据可包括NDS可用性信息、软件/OS更新就绪信息或组件,或CT。在各方面中,从NDS中继传输到MA-INPU的数据大多由以下各项组成或基本上由以下各项组成:生物特征预测数据、指令供应或MA控制、NDS状况、MA软件版本状况,或其组合。在某些方面中,准许从NDS-RELAYU/DDRU传输的数据包括软件版本状况信息。在各方面中,NDS允许通过互联网更新一些、大部分,或全部MA软件。在各方面中,NDS不允许(例如,NDS阻止)通过互联网更新一些、大部分,或全部MA软件。NDS中继单元通常将包括网络接口控制器、网卡,例如所属领域中已知的服务器级NIC适配器/控制器/卡。考虑到NDS的容量,此类NIC组件可包括例如千兆以太网NIC组件、“智能NIC”(例如,具有处理能力的NIC,例如包括现场可编程门阵列(FPGA),提供具有独立于NIC的其它处理功能的卸载容量的服务器级NIC,例如用于领先云计算平台,例如AWS和Azure云服务)。此类架构允许NDS更高效地执行功能,例如负载均衡、数据加密或深度包检验,这在所属领域中结合领先云处理/存储服务是已知的。在各方面中,NDS NIC系统包括多队列NIC,采用NIC分割(NPAR,也被称为端口分割)(例如,采用已知SR-IOV虚拟化)、TCP携载引擎技术,或者其任一个或全部的组合。在替代方面中,NDS还包括/仅包括虚拟网络接口,例如谷歌虚拟NIC(gVNIC)或Oracle云基础设施。
在各方面中,NDS中继单元可包括NDS输出处理系统,所述NDS输出处理系统可过滤数据,分析数据,或者过滤和分析相关数据。在各方面中,此类功能性可为自动应用的功能性,例如自动数据过滤、自动数据分析,或这两者,例如其可通过适合的编程来促进。在某些实施例中,NDS中继单元/处理器可自动地过滤MA-D、分析(例如,由一个或多个分析产生),或这两者,以用于递送到每一MA和或替代地到一个或多个其它网络装置。
在各方面中,数据中继单元可经由互联网(例如,通过安全互联网通信)将包括MA-D、分析(例如,由分析产生)、输出应用程序或其组合的信息(输出)安全地中继到一个或多个其它网络装置/接口(ONDI)。在各方面中,中继到ONDI的信息包括来自与任何数目个lE相关联的多个MA(例如,任何数目个MA)的信息,或者是从自与2个或更多个IE(例如,约3个或更多个、约4个或更多个、或约5个、约10个、约15个、约20个、约25个、约30个、约35个、约40个,或者约50个或更多个IE)相关联的若干MA接收的MA-D导出的数据。
在各方面中,NDS输出包含输出应用程序。输出应用程序可包含用于控制MA操作、ONDI操作或这两者的方面的指令。在各方面中,输出包括以主题或图形表示中继数据。在各方面中,输出包括在MA/OND客户端装置/机器上执行的软件应用程序的全部或部分。此类NDS促进/实施的软件应用程序可包括在客户端OND/MA图形显示单元上以图形方式显示数据,针对与相关客户端装置相关联的用户类别定制的各种数据(例如,在商业类用户的情况下,MA状况的聚合、使用等,不含PHI;在HCP的情况下,患者/装置特定的数据,包括PHI;以及在研究类用户的情况下,研究相关信息)。输出应用程序可通过从NDS存取数据(例如,图形表示和其它数据)而在MA/ONDI上运行,通常与本地装置上所存储/生成的所存储元件(例如,应用程序的图形表示的部分或全部)组合。在各方面中,在MA或ONDI上运行的应用程序是模型视图控制器(MVC)应用程序(将功能性划分成如已知的模型、查看和控制器功能,以将信息的表示与信息呈现给用户的方式隔离,由此允许高效代码重新使用和并行开发)。在各方面中,此类应用程序是基于网页的,并且提供创建、读取、更新、删除(CRUD)能力。在各方面中,此类能力允许在共同应用程序基础设施上构建的新应用程序(例如,在中继到NDS管理员类用户的应用程序的情况下)。输出应用程序可以各种方式表示OND/MAGUI(例如,使用HTML和JAVASCRIPT的组合以生成GUI的表示,包含客户端装置可执行码、NDS可执行码或这两者)。NDS可将此类表示(在各方面中,根据条件,≥2个、≥3个、≥5个或更多个表示,例如患者状态、装置状态等)传输或以其它方式提供到客户端装置,以供客户端装置根据其本地定义的外观参数、预先编程的NDS参数或这两者显示在屏幕/GUI上。替代地,GUI的表示可采用其它形式,例如客户端装置可用于从其直接生成图形输出的中间形式(例如,JAVA字节代码)。与例如按钮、菜单、标签、滑件、复选框、双态切换等GUI元件的用户交互可被称为其“选择”、“激活”或“致动”。可使用这些术语而不管GUI元件是否借助于键盘、指向装置、触摸屏或另一机构进行交互。在各方面中,NDS的组件将所接收数据(包含MA-D)组织成网页或网页应用程序表示以供显示在ONDI上。此类表示可采用标记语言的形式,例如超文本标记语言(HTML)、可扩展标记语言(XML)等。在各方面中,NDS组件/单元执行各种类型的计算机化脚本处理语言,例如Perl、Python、PHP、活动服务器页面(ASP)、JavaScript等,从而尤其促进网页到网络客户端装置的递送/呈现和与此类网页/表示的MA/OND交互。例如Java的语言还可促进网络客户端装置上的网页的生成,提供网页应用程序功能性,或这两者。在各方面中,NDS中继单元经由安全互联网通信将输出(显示表示或其它数据、输出应用程序,或这两者)递送到一个或多个医疗设备、一个或多个其它网络装置,或这两者。输出可包括:(a)分析性数据输出;(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能,(II)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(III)(I)和(II)两者;或(c)(a)和(b)的组合。
NDS中继单元可使用任何适合的形式以报告可使用的分析/输出,包含通过电子邮件或其它通信方法(例如,SMS/文本)进行报告、通过HTML/XML文件报告进行报告,或在存取方法/NDS的功能且经由GUI在网络连接装置(例如,智能手机)或网络可存取接口上显示结果的搜索/操作应用程序内进行报告。在报告结果中,S/F通常将包括对机密性规则、算法等的参考,例如,为了保护PHI,通常利用授权/存取级别信息(例如,由AM生成),以确保PHI或其它机密信息不会不适当地从NDS的DR释放到未基于数据所有权、监管要求(例如,GDPR、HIPAA等)或这两者而经授权以查看此类数据的用户。
在一个方面中,NDS中继单元部分地基于≥用户角色(类别)而将MA-D、NDS-AD或这两者递送到多个GUI方案/接口。在各方面中,此类用户类别包括研究团队成员/组织(研究类用户/ONDI)、商业雇员/代理(商业类别或业务目的用户/ONDI),以及管理员类用户/组织(管理员类ONDI)。在各方面中,商业/BP用户/ONDI、管理员ONDI或这两者中的一些、大部分、一般全部,或全部与拥有或管理NDS的实体相关联。研究类用户/ONDI可与NDS拥有者/操作者、独立实体(IE)或这两者相关联。在各方面中,研究类ONDI/用户中的一些、大部分、一般全部,或全部与IE(独立于NDS拥有者/管理者实体的实体)相关联。另一可能类别的用户/ONDI是临床或医疗支持团队(临床支持用户/类别/ONDI),其在各方面中与NDS拥有者/管理者相关联。用户和ONDI可与被准许使用NDS的IE(例如,NDS拥有者的客户,例如其中NDS拥有者是例如在NDS上制造和出售(即,使用)MA的公司)相关联。在其它地方进一步论述ONDI和用户类别。
网络和NDS可包括在网络组件、NDS组件或这两者的点/节点/组件之间输送数据的任何一个或多个有线或无线媒体。在各方面中,有线或无线媒体可包含例如但不限于金属导体链路、射频(RF)通信链路、红外(IR)通信链路、光学通信链路等。RF通信链路可包含例如Wi-Fi、WiMAX、IEEE 802.11、DECT、3G、4G或5G蜂窝标准、蓝牙等。通信链路可包含例如互联网协议语音(VoIP)线、蜂窝网络链路、互联网协议链路等。互联网协议可包含应用层(例如,BGP、DHCP、DNS、FTP、HTTP、IMAP、LDAP、MGCP、NNTP、NTP、POP、ONC/RPC、RTP、RTSP、RIP、SIP、SMTP、SNMP、SSH、Telnet、TLS/SSL、XMPP等)、输送层(例如,TCP、UDP、DCCP、SCTP、RSVP等)、互联网层(例如,IPv4、IPv6、ICMP、ICMPv6、ECN、IGMP、IPsec等)和链路层(例如,ARP、NDP、OSPF、隧道(L2TP)、PPP、MAC(以太网、DSL、ISDN、FDDI等)等)。
NDS-RELAYU可包括包含在输入单元中的单元/引擎,所述输入单元包含例如数据加标签/管理功能、串行化/解串行化功能以及短期(存储器内)分析性功能。NDS中继单元将通常采用多个(例如,大规模)并行处理器结构和框架,例如其它地方结合其它U/F所描述的那些并行处理器结构和框架。在各方面中,NDS中继单元还可采用分布式处理和处理功能,例如排队、任务调度等,以及采用数据过滤和数据结构/主题,以供呈现数据(此类功能还可由分析性单元在生成NDS-AD时执行)。
在各方面中,输出应用程序包括用于控制以下各项的医疗设备特定的指令:(a)由特定医疗设备执行的一个或多个治疗性任务(例如,通过MA操作使MA改变导致典型患者的生理条件改变或物理条件的其它改变的条件,以便治疗症状或病症的原因),(b)由特定医疗设备执行的一个或多个预防性任务(以引起MA的操作中的类似改变,这改变患者病况以减少发展风险、减少发作时的严重程度,延迟发作,预防发展等),或(c)由特定医疗设备执行的一个或多个治疗性任务和一个或多个预防性任务两者;(2)特定医疗设备接收、解译和执行一个或多个输出应用程序;并且(3)特定医疗设备基于所接收的一个或多个输出应用程序而改变一个或多个患者护理条件(例如,如上文所描述)。
在各方面中,生成输出应用程序包括:(1)生成第一表示以供显示在一个或多个医疗设备的图形用户接口上,所述第一表示包括:(I)经建议医疗指令,(II)与医疗设备、患者或这两者相关的分析性数据,所述分析性数据包括患者受保护健康信息,或者(III)(I)和(II)两者,(2)将第一表示中继到一个或多个医疗设备以供显示在其一个或多个图形用户接口上,(3)生成第二表示以供显示在一个或多个其它网络装置的图形用户接口上,所述第二表示包括不含任何患者受保护健康信息的分析性数据,以及(4)将第二表示中继到一个或多个其它网络装置以供显示在其一个或多个图形用户接口上,其中在小于5分钟、2分钟、1分钟、0.5分钟、0.25分钟、0.1分钟、小于2秒或≤1秒内执行步骤(1)-(4)。
C.其它网络装置/接口和组件
除MA和NDS之外,网络还可包括其它装置(OND),并且NDS可将数据递送到其它网络装置接口(ONDI),所述ONDI在任一情况下通常可接收、发送或者接收和发送并将数据接收到NDS。除MA的HCP操作者、MA管理员或MA本地/IE网络管理员,以及NDS管理员之外,ONDI还可与其它类别的用户相关联。ONDI可基于用户类别而分组成例如RNDI(研究ONDI)、BPNDI(业务目的/商业ONDI),以及ANDI(管理ONDI)。
在各方面中,ONDI包括NDS拥有者/操作者(SO)支持系统(SOSS),并且NDS将MA-D、NDS分析或这两者递送到NDS拥有者/操作者相关联的网络存取装置(SOANAD)。此类支持系统可包括:(a)NDS分析员/管理员装置/接口,(b)临床支持类别的装置/接口(CONDI/CSONDI),或这两者,它们通常都由与NDS拥有者/管理者相关联的个人操作。NDS分析员/管理员可参与NDS维护、NDS构造、NDS管理、NDS分析等,并且通过管理ONDI(ANDI/AONDI)存取NDS。额外类别的ONDI/用户包含商业/业务目的(BP)用户/ONDI,所述用户和ONDI还可与NDS拥有者/管理者相关联。操作BP-ONDI的专业人员可包含MA销售人员和商业管理人员。监管要求(“RR”)可不准许个人存取PHI,并且因此,用于将数据递送到BP-ONDI的NDS规则限制此类ONDI接收或存取此类数据。在各方面中,ONDI是实际硬件装置(“OND”),例如智能手机、平板计算机、个人计算机等。
再其它ONDI/用户属于研究类个人/组织,并且此类用户与研究ONDI(RONDI/RNDI)相关联。在各方面中,一些、大部分、一般全部,或全部研究类用户还可具有作为网络的部分的研究MA。研究MA可包含具有实验性质的MA(新MA、所提议的改进MA等),在临床试验或其它实验中操作的市售MA,或这两者,这些MA可与关联于研究者相关联的其它类型的ONDI(例如,研究类用户计算机、蜂窝电话等)一起存在或作为所述其它类型的ONDI的替代方案。NDS可包括用于以下各项的专用单元:从一些、大部分、一般全部,或全部ONDI接收输入,将NDS-AD和其它数据中继到此类ONDI装置/接口,或这两者。在各方面中,网络中的一个或多个ONDI可包括例如基于子网络、用户类别或这两者的ONDI的≥1个子集合(例如,与特定IE或研究相关联的一类研究者;与特定类型的MA的销售相关联的一类BP-ONDI;等),并且相关数据将包含用于此类亚类用户/数据源的标签或其它标识符。
在各方面中,NDS管理员/分析员、研究类用户或这两者可尤其参与机器学习管理,例如监督机器学习方法。临床支持用户通常是提供对由MA治疗的个体的监测支持的用户,例如通过在观测MA-D时向用户提供第二级别的支持,基于此类MA-D而接收警告/警报,以及通常根据标准、协议等向MA-D、相关HCP等的IE拥有者通知任何所识别和未解决的问题。其它拥有者相关联的装置/接口可与BP/商业类用户(例如,销售专业人员、医疗事务专业人员等)相关联。拥有者相关联的用户,特别是BP/商业用户,通常不可存取PHI,并且因此,在此类方面中,NDS通常采用过滤器、管理方法等以确保此类拥有者相关联的用户不接收PHI。数据加标签和匹配方法可用于此类功能/引擎中。
在各方面中,网络可包括商业类装置/接口网络,例如一个或多个销售代表、销售经理,或监管销售的企业级人员、销售队伍,或销售培训,通常包含与NDS拥有者相关联的用户(例如,网络中的MA的销售人员)。根据一个方面,用户包括代表NDS拥有者/操作者(SO)出售或租赁MA的销售代表。在各方面中,与此类网络的通信可促进训练,辅助销售代表与容纳一个或多个MA的独立实体之间的信息性通信,或者可例如促进或辅助数据群组以支持销售团队的训练,例如提供关于NDS功能性、NDS警告、所聚合NDS数据(例如,关于NDS性能、功能性等)或NDS用途的数据。在一些实施例中,NDS或SOSS可将MA-D、分析(NDS-Ad)或这两者与来自客户关系管理(CRM)系统的数据组合。来自CRM支持系统(CRMSS)的数据可直接输入到NDS,可与NDS-AD组合地递送到商业类装置/接口等。
在各方面中,ONDI包括将MA-D、分析或这两者递送到与科学研究人员(SR)相关联的网络存取装置(SRANAD)相关联的网络存取装置(NAD)。在各方面中,一些、大部分、一般全部,或全部SR用户不通过雇佣或类似隶属(例如,通过由1个或多个IE雇佣)而与SO相关联。在各方面中,NAD与1个或多个SRANAD相关联,其中SR与SO相关联。在各方面中,研究类用户包括SO相关联用户和非SO/IE相关联的用户两者,并且NDS包括用于将研究用户关联与研究用户相关联的MA或其它输入或输出(例如,接口)链接的数据加标签或其它数据识别构件。在各方面中,与此类平台的通信可促进NDS训练,辅助进一步NDS开发工作,向开发人员警告NDS错误,向开发人员提供与NDS使用级别、需求和数据流模式等相关的信息。在各方面中,与此类平台的通信还或替代地可促进SO相关的医学研究、SO提案的医学研究或与SO无关的医学研究,支持SO相关的临床研究、SO提案的临床研究或与SO无关的临床研究,或支持其它此类临床数据群组相关的努力。在各方面中,与此类ONDI共享的数据由与预先建立规则(例如,由SO建立的规则、由≥1个个别SR或SR群组建立的规则、由患者同意、合同、合约、科学协议等建立的规则),或例如由健康护理依从性规则建立的规则(例如,政府强加的隐私规则,例如HIPAA规则、GDPR规则等)相关的所建立的数据控制机构控制和/或管控。在各方面中,NDS包括此类规则的存储库或对此类规则的存取,以及用于监测或有规律地更新任何此类适用PII/PHI规则的系统。
在各方面中,一个或多个其它用户类别/群组可包括与临床支持装置/接口相关联的临床支持群组,所述临床支持装置/接口通常可将某些类型的数据递送到NDS/从NDS接收某些类型的数据。在各方面中,与此类群组的通信促进经改进患者护理,例如在使临床支持人员能够参与NDS与同MA、MAG拥有者等共址的主要护理给予者之间的通信时。在各方面中,与临床支持群组的通信可允许此类临床支持群组例如支持数据解译,解译例如警报的NDS指示符等。
在各方面中,NDS包括功能模块/引擎/单元,所述功能模块/引擎/单元可直接从电子健康/医疗记录(EHR/EMR)读取数据,将MA-D、NDS分析或这两者直接写入到电子健康记录(EHR),或其组合。在各方面中,NDS通过加密、数据管理、管控分区应用程序等限制对到HCP的EMR/EHR数据的存取。术语EMR和EHR在此处作为替代方面提供对彼此的隐含支持。
在示例性方面中,网络包括≥3个、≥5个、≥10个、≥20个、≥30个、≥50个、≥100个、≥200个或≥500个其它网络装置(OND),每一OND(I)包括(A)处理单元、(B)存储器单元和(C)可远端控制图形用户接口,并且(II)与分派到至少一个用户类别的用户相关联,其中用户类别包括(A)经授权以存取患者受保护健康信息的健康护理提供者和(B)在患者受保护健康信息的接收方面经受限制的商业用户。NDS中的CEI实现PHI的汇集、编校、加密等,从而防止此类数据递送到商业类用户相关联的ONDI。在各方面中,NDS CEI包含用于使用非患者特定的聚合数据等的指令,使得商业类用户可接收关于商业类用户感兴趣的MA的有用且相关的信息,例如聚合使用数据、性能数据等。
根据各方面,MA-D包括位置信息,并且NDS中继/DDRU同时基于设施、大都市区、州/地区、国家或IE而将信息中继到≥2个类别的ONDI。在一些实施例中,MA输入单元间接接收从在临床研究应用中使用MA的一个或多个研究团队和lE导出的输入。
在各方面中,NDS处理器可自动地过滤MA-D、分析(例如,由1个或多个分析产生),或这两者。在各方面中,NDS处理器可根据1个或多个所建立或预定义规则或规则集合过滤数据,所述规则是例如与机密性相关的规则或规则集合(例如,由一个或多个个别设施建立的规则、由合同或合约建立的规则等),或例如健康护理依从性规则(例如,政府强加的隐私规则,例如HIPAA规则、高科技法案规则、GDPR等),此类过滤可用于确保ONDI仅接收适合于其作用的数据。ONDI可包括用于从NDS接收输出的任何适合的硬件装置、软件应用程序,或这两者。每一类别的ONDI用户通常将根据一个或多个主题和规则集合接收数据,所述一个或多个主题和规则集合以依从监管要求的方式针对ONDI用户的类别专门定制。在其它方面中,此类用户可经由基于网页的接口与NDS介接,所述基于网页的接口可在任何适合的装置上检索,并且可从支持网页浏览器应用程序的若干装置(例如,手机、平板计算机或膝上型计算机)检索,且可从具有对适当的登入/安全性过程的遵从性的若干此类装置检索。因此,ONDI过程可在硬件、固件、软件或其组合(CT)中实施。ONDI装置中的硬件可包括例如一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、神经网络处理器(NNP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、电子装置,或适合于执行相关步骤/功能的其它电子单元/电路/组件。固件/软件组件可包括例如执行S/F的微码、程序、功能等。CEI(例如,程序代码)可驻留在由处理器执行的任何适合的PTRCRM(例如,NTRCRM)中。可为ONDI装置(例如,手机、膝上型计算机、服务器)、网络和可存取处理器功能(例如,在分布式计算环境中)的计算机可包括处理功能和数据存储器,并且可任选地用基于云的资源或NDS资源补充一个或两个。在各方面中,ONDI计算机或计算机系统可包含CPU、ROM、RAM、HD和I/O装置。I/O装置可包含例如键盘、监测器、印刷机、电子指向装置(例如,鼠标、轨迹球、触控笔、触控板等)等。ROM、RAM和HD是已知用于存储可由CPU执行或能够编译或解译为可由CPU执行的计算机可执行指令的NTCRM存储器。PTRCRM或NTCRM可包含易失性和非易失性计算机存储器和存储装置,例如随机存取存储器、只读存储器、硬盘驱动器、数据卡盘、直接存取存储装置阵列、磁带、软盘、快闪存储器驱动器、光学数据存储装置、光盘只读存储器,以及其它适当的计算机存储器和数据存储装置。NTCRM的实例包含寄存器存储器、处理器高速缓存,以及非功率相依的存储器媒体,例如ROM、硬盘驱动器和ACT。任一类型的CRM可指例如数据卡盘、数据备份磁带、软盘、快闪存储器驱动器、光学数据存储驱动器、CD-ROM、ROM、RAM、HD等。ONDI装置可存储、操作,或者存储并操作用于控制装置的操作的操作系统(OS)。OS是所属领域中已知的,并且包含LINUX、WINDOWS、Apple iOS、android、UNIX、SOLARIS和其它适合的平台。
D.系统操作方法和相关方法
本发明尤其提供用于从医疗装置的所连接网络收集信息的方法,包括存取分开定位的医疗设备的网络(MA)(通常在由不同IE拥有的≥2个MAG中)以及在与MA形成网络(例如,SDWAN)的医疗设备网络数据管理系统(NDS)中收集从MA传达的数据,其中此类数据主要、一般或大体上被收集作为SMAD,但其中NDS还在各条件下(例如,在MA和NDS由于一个或两个离线而未能传达的情况下)接收由MA收集和中继的本地存储/高速缓存的MA-D。在各方面中,由NDS接收的MA-D存储在DL或EDL DR中。在各方面中,网络包括与相关类别中的用户相关联的一个或多个类别的其它网络装置/接口(ONDI),所述相关类别是例如研究类别、临床支持类别、业务目的/商业类别,或其组合。在各方面中,NDS有规律地或在事件发生时同时将NDS-AD传输到大部分、一般全部,或全部此类其它ONDI,但此类ONDI显示的数据通过限制和管理此类显示器中的数据的主题/规则(例如,从商业类用户预扣PHI)而彼此区分。参与此类方法的MA、NDS和其它网络组件/NDS组件可具有组件,执行本发明中的任一个,并且展现结合此类元件在其它地方所描述的特性中的任一个。一般来说,上文所描述的NDS组件中的任一个可与方法的步骤相关。然而,为了进一步阐明本发明的各方面,在以下章节中描述NDS/方法的某些元件的方法步骤或操作特性的某些方面。
如还将从本公开的前述章节清楚,在MA(装置)层级、NDS(系统/MAC-DMS)层级和ONDI层级两者处,NDS的操作可涉及若干步骤。在MA层级处,此类步骤包含感测个体数据和其分析,以及将此类数据传输(直接或潜在地间接地在MZMA中)到NDS,和从NDS接收数据/指令。在NDS层级处,步骤通常包含:(a)数据输入/摄取(例如,通过SDP),(b)确定摄取数据的初始分析(例如,通过SDP的组件),(c)基于初始分析而执行初始动作,(d)将数据摄取到NDSDR(例如,EDL)中,(e)分析DR数据(自动地、按需,或这两者),以及(f)基于DR数据的NDS-AD而执行动作(例如,改变ONDI显示、改变MA显示、改变MA控制,或CT)。
I.系统输入/摄取方法和特性
本发明的方法可包括从MA,通常许多MA(例如,≥~100个、≥1000个、≥5000个或≥~10000个MA)接收输入,所述MA可与若干不同的IE(例如,≥~3个、≥5个、≥10个、≥20个、≥50个或≥~100个IE)、类似数目个不同的位置(任何此类值的+/-~33%)相关联,并且包括不同的MA类型(例如,ECMO和心脏泵装置)、不同的患者类型,或任何CT。到NDS的输入通常通过高度可用的并行处理进行处理。在各方面中,输入由分布式大规模并行处理器处理,所述处理器在各方面中包括、大多是、一般是,或完全是可缩放基于云的处理器。在各方面中,方法包含在摄取时或在摄取之后不久执行的初始分析步骤,例如在与NDS的主要存储器/处理器(例如,在SDP中)分离的存储器/处理器中,从而在一些情况下产生立即动作或输出。在各方面中,输入方法包括在NDS DR摄取之后针对大部分或一般全部RT/S输入数据或这两者应用数据排队过程、最小变换或结构筛选。在各方面中,数据至少最初摄取到包括DL或EDL结构的DR中,并且大多、一般,或大体上维持在所述DR中。在下文论述方法的其它特定方面,其可应用于本公开的这些和其它方面或与本公开的这些和其它方面组合。
1.系统数据安全性
在各方面中,方法包括应用数据变换步骤,以用于确保DR中的机密信息(例如,PHI)的机密性,用于保护从NDS传输的数据,用于保护NDS免受未经授权/恶意存取的影响,或CT。此类步骤可包括应用一个或多个加密、防火墙保护(包含例如网页应用程序防火墙),或这两者。
在各方面中,安全套接字层(SSL)协议可用于保护敏感/机密信息(SI),所述敏感/机密信息应基于合同、所有权或监管原因而维持为机密的。在各方面中,安全信道Java小程序传输还可用于保护SI。也适用于此类数据保护方法的数据加密算法包含例如RSA数据安全性RC4、数据加密标准(DES)和三DES(3DES)。在各方面中,S/F包括SI存取、使用或传送监测,例如通过采用数据库活动监测(DAM)软件/工具。可应用于NDS(或对应组件可并入到NDS中)的其它可商购数据安全性工具的实例包含用于服务器的Sophos拦截X、IBM安全性Guardium、Oracle审核库和数据库防火墙、Imperva数据安全性、Trend MicroServerProtect和SQL安全。在各方面中,防火墙功能包括经授权命令的列表,所述经授权命令可例如随着用户/实体授权的级别而变化。防火墙和授权特征(例如,IP地址评估等)还可重叠,如可报告不寻常信息、对NDS的攻击等。在各方面中,通过数据管理规则/方法将含SI的引擎、DR或这两者与其它DS/单元分段。通常,用辅助SI的分段和保护的1个或多个标识符(包含类型标识符)识别每一类型的DS。通常,NDS将包括机密信息模块(CIM),所述机密信息模块可包括密钥管理系统或由密钥管理系统组成,所述密钥管理系统存储存取密钥、策略、协议、监测方法或CT。大部分或全部NDS信息可在静止时加密存储。区域存储标签/规则等还可应用以限制/控制或验证信息存取。在各方面中,NDS的部分、大部分,或全部组件驻留在无能力或具有接收基于互联网的外部(传入)通信的能力的安全网络上。在各方面中,NDS可包括若干经隔离子系统,但在各方面中,NDS共享或有时共享消息队列。在各方面中,仅通过API调用从NDS/方法提取数据。用于保护网络/系统中的SI的方法/技术的其它实例(例如,加密、防火墙等,其可适用于NDS/方法)描述在例如US10601593、W02001037152、US8010791、WO2013064565、US6148342、US10581605、US20180300497、US9436841、US6148342和其中引用的参考文献中。还在其它地方发现机密信息保护的方法。
在各方面中,由方法/NDS采用的防火墙可通过选择性地授权或拒绝对私用网络的存取来提供安全性。防火墙可为/包括/采用NAT、代理服务器、另一装置/功能,或此类或类似系统/组件/引擎中的2个或更多个的组合。此类引擎/装置可阻止或限制来自私用网络上的装置的未经授权传入数据和未经授权传入请求。防火墙可将其“后方”的装置与公用网络隔离,并且由此提供针对未经请求连接的安全性。防火墙还可限制内部的计算机可存取外部公共站点(例如,互联网上的那些外部公共站点)的方式。用于建立防火墙的一种技术是维持“经授权”地址的列表。可通过适用的安全性方法/单元检查含于来自远端装置的数据包中的地址信息,例如以确定原始源是否在列表上。仅来自经授权地址的包才可通过。NDS还可包括加密功能/引擎,所述加密功能/引擎可包括用于处置任何安全性相关协议(例如,SSL或TLS)或与其相关的任何功能的处理的任何逻辑、业务规则、功能或操作。加密单元(例如,加密和解密网络包)或其任何部分经由电器传达,代表客户端建立SSL或TLS连接,或这两者。在各方面中,加密单元/功能使用隧穿协议以在MA/ONDI与联网NDS之间提供VPN。
在各方面中,应用程序防火墙可根据NDS/CIM的规则或策略来检验或分析任何网络通信,以识别网络包的任何字段中的任何机密信息。在实施例中,应用程序防火墙在网络通信中识别PHI/机密信息,并且采用对此类网络通信的策略动作(例如,重写、移除或掩蔽机密信息,阻止消息等)。
在各方面中,代理服务器包含在NDS/网络架构中(例如,放置在NDS防火墙后方)。在各情况下,代理服务器可通过如所属领域中已知的“防火墙”起始与网络客户端装置(MA、OND等)的通信会话。在此类方面中,防火墙可能不必专门被配置成支持传入/传出会话/通信,由此DOS减少用于代理服务器管理的通信的通信的损失的风险。
在各方面中,方法还包括用于确保MA中的数据被保护而免受未经授权物理篡改、恶意互联网篡改/存取或CT的影响。此类步骤可包含应用在其它地方所论述的防篡改软件、防火墙安全性、认证和其它物理防篡改机构。在各方面中,方法包括使用MZMA,其中一个或多个分区相对受限,例如在不具有直接互联网交互(例如,连接或通信)时,或在具有极其有限的经准许互联网数据交换(例如,≤~10种、≤7种、≤5种或≤~3种类型的经准许事务,所述事务可例如限于受限的分区组件控制、分区/MA操作系统更新(但通常仅按需从本地用户拉动需求),或这两者)。
2.状况和操作模式数据
在各方面中,NDS可检测MA的操作模式或其它MA相关联的状况信息(例如,装置功能失常)。MA操作模式检测可通过接收从MA、从上下文数据分析或这两者传输的状况数据来执行。例如,在各方面中,NDS可检测非临床操作模式中的MA,并且使用此类能力以进行例如研究和开发或可缩放性测试。在各方面中,网络/NDS的维护包括通过将非操作状况信号提供到NDS的多个测试MA或MA模拟器/模拟来执行能力测试,以及评估NDS通过此类测试MA/模拟器或通过添加到当前网络数据负载的此类测试MA/模拟器操作的能力。所检测的MA模式还可包含MA(例如,参与临床研究的MA、基本/基础MA/网络研究,或这两者)的应用状态。在各方面中,MA模式还可包含处于本地MA修复/维护模式的MA。
3.数据变换和数据特性
本发明的方法的步骤可包含一个或多个数据变换过程,所述一个或多个数据变换过程可引起装置的控制、指令在装置/接口显示器上的显示,或者其它数据显示或数据控制应用(例如,警报/警告或报告)。数据变换可用于数据摄取层、数据收集器/收集层(其中数据从存储装置移动到数据管线以供处理/分析)、数据改进层(例如,其中步骤包含数据清洁、数据协调/格式化,或CT)、数据处理/分析层(例如,NDS分析性单元(NDS-ANALU))、数据查询层(其中查询过程和其它密集型分析应用程序发生,例如通过使用应用程序,例如Apache Hive),或数据视觉化/应用层处。
本发明的方法还可包含处理具有各种不同特性的数据,包含如所提及的RT/S和经高速缓存数据两者,以及呈不同格式的数据,例如非结构化数据、半非结构化数据、结构化数据,或其组合。方法的分析性步骤还可生成并中继呈类似的多种格式的数据。
“结构化数据”通常意味着经组织数据,例如映射到结构化布置中的预定义字段的数据,例如组织成列/行或字段/记录的数据。结构化数据将通常包含≥约5个、≥6个或≥约7个数据关系,并且通常包含≥~2个、≥3个或≥~4个数据层级或数据类型或数据变换或专用数据(例如,若干列(属性)、行(值),以及标签;具有记录、字段、主要密钥和查询的表;等)。结构化数据通常包括关系数据。结构化数据在给定其结构的情况下通常是刚性/固定的。非结构化数据通常意味着不可含于此类高度结构化或经组织格式(例如,行-列数据库)中,不具有相关联数据模型或这两者的数据。非结构化数据记录的实例包含网页、文本消息、图像、社交媒体内容、文档、记录等。半结构化数据是具有有限量的限定或一致特性/关系但不包括结构化数据所预期的复杂结构或不顺应结构化数据所预期的刚性结构的数据。半结构化数据的特征可在于关系的简单性、数据内容的不均匀性,或这两者。半结构化数据记录的实例是电子邮件,所述电子邮件具有有限数目个结构(值/属性)元件(发送者姓名、接收者姓名、传输日期以及主题),但通常大多是非结构化的(在消息的主要内容中)。其它实例可包含XML、EDI、CSV、ORC、Parquet、TSV、HTML和OEM文档/对象(然而,应注意,一些CSV/TSV界定的结构可被分类/可分类为结构化数据)。非结构化数据可通过应用元数据来变换成半结构化数据(例如,在视频或图像数据的情况下,所述视频或图像数据可包含元数据例如拍摄日期、拍摄位置、摄影师或CT,但所述视频或图像数据主要是非结构化数据)。半结构化数据属性的排序通常不一致。在步骤/方法中,输入包括、主要包括半非结构化数据(例如,SUMAD),或一般由所述半非结构化数据组成。在各方面中,方法的步骤包括接收至少一些类型的一些、大部分,或一般全部输入,例如呈特定半非结构化格式(例如,JSON格式)的MA-D。在各方面中,相对于类似或某些其它格式执行串行化/解串行化步骤,以提供呈目标格式(例如,JSON或Avro)的更多数据。在各方面中,JSON格式化数据输入可包括分离的列表(例如,通过包含背板分离器)。在各方面中,用于每一JSON或类似半非结构化输入文件的大部分、一般全部,或大体上全部JSON数据一般不或大体上不展现数据重复。在某些方法中,方法中的半非结构化数据输入限于来源集合、预期数据值等。在各方面中,NDS资源试图识别不拟合输入中的此类预期密钥/值和类型关系的数据。在各方面中,策略防止在无SO批准和NDS修改的情况下添加其它类型的输入。这些限制可确保基于NDSDR中的半非结构化数据的查询是有效的,不管所收集数据的半非结构化性质,而输入的半非结构化性质确保输入文件大小是小和简单的,在DoS减小摄取时间的各方面中,方法可包括将MLM应用于SUMAD,例如文本分析模型,例如关键特征提取、情感分析、上下文分析等。在各方面中,方法包含使用适于处理非结构化和半结构化数据(例如,MongoDB或Aparavi)的系统。在各方面中,方法包括采用可并行地处理非结构化、结构化和半非结构化数据的系统,例如AsterCenterprise系统或微软Azure数据管理系统。
方法可包括将元数据应用于数据作为数据变换步骤的部分。元数据通常是“关于数据的数据”或提供关于文件、记录、数据集、信息块、流、包或其它数据结构的信息的数据。元数据可包含源信息(例如,装置标识符、装置-实体关联、装置-位置关系、装置-类型标识符、个体标识符、个体类型、治疗方法、相关联的HCP/用户,或CT)。元数据还或以其它方式可包括结构元数据(例如,数据类型、数据关系、属性、阶层、预期范围/类型/单元、层级等)、管理元数据(例如,权限、创建日期、更新日期、更新指令、管理员联系信息等),或参考元数据(例如,如何获得数据,例如RT/S MA-D、经高速缓存MA-CD、NDS-AD,或如何变换数据,例如应用主题、查询结果、应用程序输出,通过数据改进(例如,数据清洁)进行修改、MLM结果,或任何CT等)。元数据可包含例如存取控制描述符、法定定义描述符以及汇总和经聚合定义,这些可用于控制对数据湖或其它数据存储库中的数据的存取或驱动搜索启发。另外,实施方案可基于对象的谱系信息、系统的出处、过程的变换或应用于数据的特定变换的版本的大体上连续跟踪而自动地重新校准、细化、校正或重新计算数据。
在各方面中,由NDS接收作为输入的一个或多个类型的大部分、一般全部,或大体上全部数据(或数据输入总体)是流式MA数据(SMAD)或实时数据(RT/S数据)。“流式数据”通常是指在数据流中递送的数据,所述数据流通常是未结合的(具有未知的或不受限制的大小),连续地更新(至少当来源正操作和在线时)数据集。方法可包括通过使用流式数据处理器(SDP)和用于处理数据流(例如,应用流分区)的相关方法来接收流数据,任选地分析流数据,任选地作用于流数据,以及摄取流数据。在各方面中,方法包括在生成流分区时生成不可变数据记录的有序的、可答复和容错序列,其中数据记录被定义为密钥值对。处理器拓扑是指数据处理的方面的计算逻辑。在流处理应用中,拓扑可包括例如通过流(边缘)连接的流处理器(节点或流处理器)的图表。每一节点通常用于变换或摄取数据。标准操作(例如,映射或过滤、接合,以及聚合)是由流处理器执行的功能的实例,例如作为输入功能/单元的部分。流可为无状态的,但方法可包括将流分割成有状态数据记录(允许应用接合、聚合以及窗口功能,并且允许容错方法)。单元/功能(时戳提取器)可将时戳应用于每个流导出的数据记录。聚合操作可采用输入流表,并且通过将多个输入记录组合成单个输出记录来产生新数据结构,例如表。接合操作可基于其数据记录的密钥而合并≥2个输入流或表,并且产生新流/表。流处理方法通常包含RT监测功能,所述RT监测功能包括状况/威胁报告/监测数据/输出、趋势检测、事件检测等。在各方面中,方法包括应用方法以确保按次序处理大多全部或一般全部数据。在各方面中,方法包括用于确保向无序分区提供足够时间以与正确分区重新相关联的F/S。此类方法可包含提供1个或多个数据循环,其中在1个或多个级别的分析(例如,通过可被分类为数据流聚合器的引擎/组件)之前从分区生成数据的集合。例如,在一个方面中,采用≥~5秒、≥7秒或≥~8秒的初始数据收集循环,其中在第一层级所汇编数据集合上采用初始分析性方法之前收集分区数据,并且在其它方面中,采用例如≥~1分钟、≥2分钟、≥3分钟或≥~5分钟的较长周期,以用于在授权一个或多个应用程序(例如,MLM应用程序)对此类数据的消耗之前,汇编包括第一层级初始数据集的若干集合的较大第二级别数据集。在各方面中,在构造第二级别数据集时连续地评估第一层级数据集,并且如果检测到错误并且无法在第二数据循环期间校正所述错误,则可重新开始第二数据循环,而不会丢失原本将在原始第二循环窗口/周期中收集的一些或全部数据。此类方法还展现使用过程的组合,所述过程可表征为流式/RT摄取以及对所收集RT/S数据的批量处理。在各方面中,方法包括:在第一数据聚合和第二聚合中收集流式MA-D(“SMAD”),所述第一数据聚合在第一数据循环时间内收集且经历第一分析,所述第二聚合在第二数据循环时间内收集且包括第一聚合数据的集合并且进一步经历第二分析,其中用于收集第二聚合的数据循环时间是第一数据循环时间的≥5倍长、≥10倍长,或≥25倍长;第一分析和第二分析不同;第二分析与第一过程相比更加数据密集、处理密集或这两者;并且所述方法进一步包括评估每一第一聚合包含在第二聚合中的适合性以及当在完成第二聚合之前确定第一聚合不适合时重新设置任何第二数据循环。在各方面中,此类方法大多、一般,或仅在摄取到NDSDR中之后对SMAD导出的数据执行。
作为由SDP执行的初始分析的部分执行的流式查询可例如使用微批量处理引擎处理,所述微批量处理引擎处理数据流作为一系列小批量工作,由此实现低至约1毫秒-500毫秒之间、1毫秒-250毫秒之间或约1毫秒-100毫秒之间的端到端时延以及恰好一次容错保证。事件中心、IoT中心、Azure数据湖存储装置Gen2和Blob存储装置被支持为数据流输入源。Kafka流和类似框架被设计成处置流式数据输入和相关过程。事件中心用于从多个装置和服务(例如,网络)收集事件流。Blob存储装置可用作输入源,以用于摄取从MA中继的大量数据作为流,例如日志文件。Azure流分析、用于摄取从装置、传感器、应用程序、网站和其它数据源流式传输的高速度数据并且实时分析所述数据的基于云的服务可用于在方法中执行一些、大部分,或一般全部流式数据输入或分析性过程。在各方面中,此类平台或其它方法分析用于感兴趣异常或信息的传入数据(例如,指示患者状态的机率的流式数据,其可发信号通知紧急情况或需要应用程序的改变以防止危及生命条件的发展,其可触发NDS以发送警告/警报或治疗性组件指令或控制数据)。
在各方面中,流式分析服务/单元(SDP或其组件)在约1MB/秒-约50MB/秒的吞吐量下操作。在各方面中,流式数据流也被接收、最初处理(最初变换、分析、管理或CT),并且存储,且在各方面中,在将被视为RT的周期中应用于1个或多个方面中,如此处其它地方所论述。在各方面中,NDS能力和过程使得数据摄取、变换、应用或中继过程或其任何组合与低时延相关联(例如,在~0.0001秒-100秒之间、0.0001秒-50秒之间、0.0001秒-10秒之间或~0.0001秒-1秒之间,或本文中所提供的其它量度),在大部分、一般全部,或大体上全部操作周期、平均或这两者中实现和维持,其还或替代地可将过程表征为RT。在各方面中,流式表征一般始终或大体上始终由来自大部分、一般全部,或大体上全部网络装置的大体上连续数据流支持。在各方面中,RT系统可表征为具有例如~0.5秒-10秒的时延的“软”RT系统,或具有在~0.001秒-0.1秒或~0.001-0.1秒的范围内的平均/大部分时延的硬“RT系统”,可在一些、大部分或全部时间内使用。
本发明的方法可包括在将此类数据提交到NDSDR(摄取)之前对RT/S数据执行至少一些数据变换、至少一些数据分析、至少一些数据应用或CT。除此处所描述的其它方法之外,流处理方法可使用多个计算单元,例如图形处理单元上的浮点单元或现场可编程门阵列(FPGA),而不会明确管理那些单元之间的分配、同步或通信。在各方面中,一系列操作(内核功能)应用于流中的每一元件。内核功能通常是管线化的,并且最优本地片上存储器重新使用被尝试,以最小化与外部存储器交互相关联的带宽中的损失。其中内核函数应用于流中的全部元件的均匀流式传输是典型的。当相依性变为已知时,流处理硬件可使用评分板,例如以起始直接存储器存取(DMA)。手动DMA管理的消除减少了软件复杂性,并且针对硬件高速缓存的I/O的相关联消除可减少由专用计算单元(例如,算术逻辑单元)参与服务的数据区扩展。流处理器通常装备有快速且高效的存储器总线(例如,交叉开关或多总线,例如128位或256位交叉开关矩阵(4个或2个片段))。管线化是在流处理器上极广泛且大量使用的实践,其中GPU具有超过200级的管线,这可在方法中调适/采用。用于开关设置的“成本”取决于正修改的设置。为了避免管线的各种层级处的成本/负担,可部署许多技术,例如“über着色器”和“纹理数据集”,所述技术可适于方法。流处理数据可由被称为事件流处理器(ESP)的系统/组件保存/处理,所述系统/组件能够摄取数据流且在小响应时间和无数据损失的情况下处理所述数据流。流式事件数据可由信标生成,所述信标可将例如MA位置数据发送到NDS。
流编程语言/框架/系统的非商业实例包含Ateji PX满分版实现流编程、参与者模型和MapReduce算法在JVM自动管道上的简单表达,来自圣路易斯的华盛顿大学的基于流的超级计算实验室,ACOTES编程模型:来自加泰罗尼亚理工大学的语言、来自斯坦福的Brook语言、最初来自圣路易斯的华盛顿大学的基于流的超级计算实验室的RaftLib开源C++流处理模板库、来自MIT的StreamIt以及同样来自MIT的WaveScript功能流处理。商业实施方案包含AccelerEyes'Jacket,用于MATLAB的GPU引擎的商业化,即IBM Spade-Stream处理应用程序声明性引擎(参见:B.Gedik等人,SPADE:系统S声明性流处理引擎.ACM SIGMOD2008.)、RapidMind、Sh的商业化(由Intel获取)、来自Nvidia、Apache Kafka、ApacheStorm、Apache Apex、Apache Spark Streaming、Apache Flink、Apache Flume、亚马逊网页服务-Kinesis、Kinesis流和亚马逊Firehose、谷歌云数据流、IBM流和IBM流式分析、Oracle流分析、Oracle GoldenGate以及微软Azure-流分析及其组件/相关应用(例如,PowerBI、颤音流处理器等)的计算统一装置架构(CUDA)。
在各方面中,方法可包括远端管理NDS的操作的一个或多个方面。例如,方法可包括远端监督缩放、数据变换、数据摄取规则、查询或其它应用程序,或MLM的监督,或数据到其它网络装置的中继。基于云的NDS或NDS组件可包括通过计算节点(C-N)节点(又名服务器)耦合的多个虚拟机(vAppliance),例如但不限于跨越多个虚拟局域网(VLAN)且潜在地跨越标度数据中心、桥路由器(BR-RTR)、路由器、防火墙和DHCP-DNS(DDNS)。云系统虚拟网络可包括例如软件定义的路由器、非军事化分区(DMZ)防火墙,或这两者。RT/S数据摄取过程中的队列功能/方法可经由消息传递服务器的冗余系统接收数据包/流,所述包包含用于来自NDS的信息的指令/请求、用于分析的数据,或这两者,所述队列功能可处理它们且将它们中继到控制处理器(控制器),所述控制处理器可例如确定处理包的容量、将包维持在缓冲器中直到容量可用,并且当准备好处理时将包递送到NDS/网络组件。在确定可用性时,步骤可包含例如检查用于负载/容量的其它组件,例如存储器、处理器、路由器、防火墙等。在各方面中,流处理器/消息中介程序或NDS-INPU的其它组件可生成数据流,所述数据流由从多个相应来源(例如,从与个体相关联的2个或更多个MA)获得的数据段构成。在各方面中,在分析性层级处执行类似过程,例如在根据经高速缓存MA-CD且在RT/S MA-D之前/之后重构MA-D。流式分析性功能可包含例如选择对应于参数的流、参数或轮廓,指示需要立即NDS动作的条件,例如基于存储器内的流数据与此类模型的比较,并且基于此类事件检测确定而中继警告/警报或装置控制指令。流式分析过程还可针对类似参数评估MA性能,并且辅助确定MA是否恰当地操作,是否正恰当地操作,或这两者,并且采用对应动作。此类方法可包括从数据流非侵入性地提取1个或多个数据特征。所摄取数据存储在NDSDR中,所述NDSDR可包括DL(例如,基于云的可缩放DL,例如亚马逊的D3 DL)或EDL。在各方面中,流/流式处理器初始摄取过程可在一般、大体上或全部操作情况下一般、大体上,或完全是自动的。在各方面中,初始查询/分析/功能可在流处理器框架中在大体上连续基础上操作。在各方面中,方法包含使用实况数据集市,所述实况数据集市实时或近实时用于聚合用于查询或其它应用程序的流式数据。在各方面中,流式处理器框架可包括用于数据转换/翻译的连接器。流处理器集群可本地存储暂时性数据,并且将全局数据传送进出流寄存器文件。为了使多个流处理器能够互连,在各方面中,流寄存器文件还可连接到网络接口,从而允许整个数据流通过输入单元/NDS从1个处理器的流寄存器文件传送到另一处理器的流寄存器文件。通过使用软件管线化,每一集群还可同时处理多个流元件。数据平行度、指令层级平行度和软件管线化的组合可辅助流处理器将大数目个算术单元用于媒体处理应用程序。在各方面中,NDS包括向量处理器(和可能的其它向量存储器/寄存器),连同或代替流处理器。在各方面中,近实时(NRT)过程可理解为相对于当前事件足够立即的响应性程度,或理解为足够低时延,或理解为相对于此类事件以相当有意义的方式保持当前事件的能力,但这些过程在适用上下文中比RT处理更慢。适用于处理RT/S数据的额外的方法、框架、应用程序、原理和策略/架构描述在例如US20150032879、US10672204、AU2015252037、US8880524、US9270937、US6195701、US7512829、US7627685、US7827299、US8271666、US8689313和US9158775中。
II.MA数据和其它数据的分析性处理
NDS处理器对例如MA-D的数据的处理可在不同层级处执行,每一层级经历不同于任何其它一个或多个层级的一个或多个过程。例如,在第一层级中,原始传入MA-D可经历初始数据改进/增强、加标签或管理,如其它地方所描述,并且在第二层级中,此类最初变换的MA-D可通过NDS处理器单元的分析性单元(例如,MLM)经历一个或多个分析性过程。
NDS分析性单元/分析服务可从NDSDR(例如,NDSDL/EDL DR)提取所要数据,然后实施已确定为与满足按需实时患者特定的数据分析请求有关的一个或多个算法。为了高效地提供对大数据集执行许多算法所需的处理能力和速度,分析服务可利用包括多个服务器的计算集群,所述多个服务器提供执行1个或多个算法所需的处理能力。集群可被定义为一种类型的并行和分布式系统,所述并行和分布式系统由一起作为单个经集成计算资源工作的互连独立计算机的集合组成。NDS(分析性单元)的计算平台还可包含数据集成服务模块,所述数据集成服务模块用于在NDSDR中的初始或第二次摄取之前处理、变换和验证从外部实体(例如,MA、HCP、CMRS等)接收的数据。数据密集型应用程序的并行处理通常涉及将数据分割或细分成多个片段,所述多个片段可在适当的计算平台上并行使用相同的可执行应用程序独立地处理,然后重新汇编结果以产生所完成输出数据。数据并行度可独立地将计算应用于数据集合的每一数据项目,这允许以数据体积缩放的平行度。在各方面中,NDS的一些组件采用无共享架构,这确保在NDS环境中的至少一些中不存在单点故障(例如,其中每一节点独立于其它节点操作,因此如果一个机器出现故障,则其它机器保持运行)。在各方面中,NDS存储器的部分操作为大规模并行分析DR,例如采用柱状架构的数据库。
NDS中的并行处理可大多、一般、基本上或仅在多指令多数据(MIMD)基础上操作。在各方面中,处理器的部分在单指令多数据(SIMD)上(例如,在向量处理器中)操作。在各方面中,NDS/方法展现/包括任务并行度,通常包括在具有许多独立模块的单独线程和管线上运行的独立分支。在各方面中,NDS/网络还展现管线并行度(例如,通常其中管线被分割成在不同任务上(例如,在流上)操作的子网络)。在各方面中,NDS还展现/被配置成应用数据并行度,其中数据元素被并行分解且处理(并且通常重新合并成结果/数据集)。
在各方面中,NDS可在1秒内(例如,在≤~0.75秒、≤~0.5秒、≤~0.25秒、≤~0.15秒、≤~0.1秒内,或甚至更少,例如在百分之一秒、千分之一秒或百万分之一秒内,例如在人类不可能的时间周期内)摄取且最初处理由NDS接收的大部分、一般全部、大体上全部,或全部MA-D。在各方面中,MA-D是急救护理医疗数据。在各方面中,SMAD的至少初始分析,例如对于警报/警告条件的存在,以≤~2分钟、≤1分钟、≤0.5分钟、≤0.25分钟、≤~5秒从接收执行。在各方面中,在将SMAD摄取到NDSDR中之前或并行地执行初始分析。
1.机器学习
在各方面中,NDS-ANALU包括执行CEI以用于对数据集合(例如,与特定条件、生理参数或CT相关的数据)执行一个或多个机器学习(ML)方法。在各方面中,ML方法的开发包括以下步骤:将特征学习方法、特征工程化方法或这两者应用于功能以开发ML方法;应用此类ML方法实施的功能的监督或半监督学习/细化;应用加强型学习、无监督学习以增强此类功能;以及最终允许由经训练模型管控的功能或功能方面。在各方面中,机器习得的实施功能可例如表征医学病况。在各方面中,机器习得的实施功能可识别模式或关系以及例如非预期数据异常。在各方面中,机器习得的实施功能还可用于预测匹配、差异、事件等。
在各方面中,NDS机器语言模块(NDS-MLM)分析来自均质或异质类型的MA的MA-D,并且任选地进一步基于此类MA-D的分析而执行或建议NDS的一个或多个功能的性能。根据各方面,机器学习(ML)可应用于由NDS的一个或多个单元接收或处理的全部数据。在各方面中,NDS根据随时间推移由NDS-MLM完成的增加的学习来构建预测性功能性。在各方面中,NDS-MLM可分析并比较从均质MA接收的MA-D,并且分析此类数据过于与什么相关联。
多种已知ML算法/模型是已知的,可用于此类途径中,例如数据分类方法、初始贝叶斯分类(或贝叶斯网络方法)、决策树方法、决策规则方法、回归方法(例如,逻辑回归、套索回归、SVM回归、岭回归或线性回归)、随机森林方法、支持向量机方法,以及神经网络方法,它们通常用于监督ML方法中。在各方面中,ML模型包括通常用于非监督或加强型ML方法的方法,例如k均值(或其变化形式,例如K means++)/最近邻分析性模型,例如k最近邻算法分析;其它集群方法(例如,分割集群、平均移位集群、基于密度的集群(例如,DBSCAN方法),或阶层集群(例如,聚合集群));以及多维映射方法,例如自组织映射方法;以及亲和力映射(例如,用于事件检测或事件预测)。在各方面中,应用加强型学习方法,例如人工神经网络方法。在各方面中,ML方法包含用于使数据去复杂化的ML方法,例如分解方法,例如单个值分解方法、降维方法(例如,主组分分析(PCA)、单值分解(SVD),或TSNE),或其组合。在各方面中,例如在加强型学习的上下文中,ML方法采用无模型方法,例如Q学习方法。在各方面中,MLIF包括模型不可知方法,例如部分相依性曲线(PDP)方法、ICE方法、ALE曲线方法、LIME方法等。可采用的其它ML模型包含部分相依性曲线方法,包含例如一般化线性模型(GLM)、一般化增材模型(GAM)等。ML实施的功能可包括例如深度学习方法、浅学习方法或其组合。
在各方面中,适用于NDS/方法的步骤/功能(S/F)的ML/AI应用程序(AIA)可在MLM/AI应用程序的监督层级上表征。在一个方面中,MLM是监督学习(SL)MLM。在各方面中,MLM是半监督学习MLM。在各方面中,MLM是非监督MLM。在各方面中,MLM是经奖励MLM。在各方面中,NDS/方法包括2个、3个或全部4个此类类型的MLM。在各方面中,方法/NDS的SMGA或全部MLM从一种形式的MLM进展到一种或多种其它形式的MLM(通常较不监督形式的MLM,例如通过从SL MLM进展到SSL MLM或非监督MLM)。在各方面中,MLM包括基于与由方法/NDS执行的S/F相关的训练数据集的密钥/特征辨识S/F(例如,数据变换,例如令牌化、短语/句子/字段分段、数据结构辨识,或CT)、数据清洁、查询的生成(例如,同义词辨识/应用、词干提取/截短、词形还原、元数据管理,或CT)、查询匹配/命中的确定、富集DS的决定,以及数据集/DS的富集)。特定AIA/MLM(例如,初始贝叶斯、最近邻、决策树和相关方法)在其它地方进行描述且是已知的。条件随机字段(CRF)方法还可与对MLM的MLM特征工程化/识别步骤中的相关数据集合的训练组合使用。分类过程可包括应用多项式初始贝叶斯(MNB)分类类型算法。MLM过程还可包括使用其它集群算法,例如均值移位集群、高斯混合模型或DBSCAN。可通过馈送经更新训练数据、用户反馈、管理员输入/监督或ACT随时间推移而动态地更新MLM。训练通常涉及所提取或预先识别的特征/元件/对所提取或预先识别的特征/元件执行/使用所提取或预先识别的特征/元件。在各方面中,PHI/PII或其它机密信息从训练信息移除或用经更改数据替换,所述经更改数据类似于/基于机密/秘密信息(SI)数据、经编校数据,或其组合(CT)。
机器学习模型可使用所属领域中已知的机器学习框架实施和部署,所述机器学习框架是例如TensorPlow框架、微软认知工具包框架、Apache Singa框架,或Apache MXNet框架,或其等效物,或执行类似或改进的ML功能的机器学习框架。
在各方面中,MLM训练数据可包括聚焦/专用语料库数据(例如,来自一种或多种类型的MA、一种或多种类型的患者或这两者的MA传感器数据的一个或多个模型),或者与其它过程/资源介接或交互,所述过程/资源还通常表征为MLM方法/资源,例如语义网络(SN)、自然语言处理器(NLP),或这两者。监督学习(SL)和半监督学习(SSL)MLM可包括生成置信度评分以及MLM针对阈值(例如,自动调谐阈值)的置信度评分的评定,其中未能满足置信度评分阈值将把测试路由到管理员以用于对ML输出的实时审查。后续管理员执行或管理的测试/分析等可馈送回到适用的单元/功能,以继续NDS处理,并且还馈送回到ML训练集,以用于MLM的包含或特定训练/修改。为了促进ML/AI方法/功能,NDS可包括神经网络处理器,或分布式处理器,所述分布式处理器能够被配置为神经网络,或能够执行软件以模型化或模拟神经网络,这可用于实施/增强机器学习。
MLM可通过针对训练数据、早期应用程序数据或这两者的特征工程化(FE)和特征学习(FL)过程来进行训练。NDS/方法的一些、大部分、GA,或全部MLM在SL或SSL基础上至少最初操作或操作。在各方面中,在MLM功能的初始阶段中,通常可存在较高层级的人类(管理员)参与,以确保MLM功能改进到与平均/全部人类性能相当或可检测地或显著地(DoS)优于平均/全部人类性能。在各方面中,MLM的应用促成功能的性能的DoS改进,其中功能的使用增加;仅人类性能的DoS改进(如果甚至可能在相关周期/准确度内)、仅人类编程功能性能,或这两者;或DoS改进其任一个或全部。
MA-D集合可以闭环方式用作训练数据,由此引擎变为以监督或非监督方式使用机器学习技术连续地或迭代地训练。在各方面中,如果引擎发现与管理员(或研究用户/HCP用户)或其它相关发现(包含医师调整、确认或拒绝)之间存在任何不一致,则消息可发送到记录事件的MLM,从而实现通过MLM(例如,ML医疗数据审查系统)进行学习。在各方面中,这可最终以非监督方式发生,其中引擎将反馈提供到其它引擎,仍创建闭环学习情形。在此类情况下,第一、第二和甚至第三结果可由引擎(或引擎的引擎,例如应用于多个MLM或MLM和其它分析性过程的主MLM)提供,而非由人类提供。在各方面中,ML解译和经校正/经验证发现可捕获为经组合数据集/组。此类数据/训练队列可由ML引擎回顾性地使用以学习,并且这些数据可由医疗数据审查系统注入到医疗数据审查过程中,以进一步验证HCP/装置或其它非ML分析性过程的性能,进一步改进训练数据,并且开发新ML引擎/MLM。
在各方面中,MLM用于在相关周期中(例如,第二天、在约0.25天、~1小时、~0.5小时、~0.25小时、~0.1小时或~0.05小时(~3分钟))中在一个或多个所感测条件下预测患者病况。在各方面中,向预测MLM提供与预测相关的特定个体传感器数据以及对NDS存储器中或网络中的性能数据的存取,这些数据可包含在类似条件下来自研究类操作或其它MA的操作的数据。研究类装置可包括研究类MA,所述研究类MA可被视为OND,因为它们在典型临床用途中不是MA(尽管研究MA可参与临床试验以用于开发新MA、新指示等)。在各方面中,向MLM提供对EMR数据的存取。在各方面中,MLM预测数据由NDS/中继单元中继,然后回到提供实际个体数据的MA,到相关联HCP等。例如,在各方面中,预测是一个或多个急救护理条件,例如心血管条件,例如本文中引用的阿比奥梅德公司专利参考文献中所描述的那些条件。在各方面中,在相关MA中,MLM数据用于输出应用程序,例如控制MA心血管治疗任务、肺部治疗任务,或这两者。在各方面中,MLM DoS改进NDS或MA操作的一个、一些、大部分、一般全部,或全部方面的功能。
2.数据循环的定时和数据处理
本发明的方法可包括收集/聚合数据,例如大多或完全RT/S MA数据,以用于初始分析、后摄取/稍后应用(例如,通过分析性单元的U/F),或这两者。用于形成集合/聚合的数据的收集周期可被视为收集/聚合循环,所述收集/聚合循环有时还简单地被描述为数据循环。在各方面中,用于执行功能(例如,接收数据)/初始应用程序的数据集合可用于形成用于NDS分析性单元应用程序的较大数据集合。在各方面中,用于形成后续/次级数据收集(即,的数据循环)的时间与形成初始数据集合所需的数据循环相比显著更长。例如,在各方面中,次级数据收集循环可为初始数据循环的≥5倍、≥约10倍、≥约20倍,或≥~50倍、≥约~75倍或≥约~100倍。在各方面中,次级数据循环是初始数据循环的≥约150倍、≥约250倍、≥约500倍,或甚至≥约1,000倍。在各方面中,初始数据循环(例如,用于处理数据流的接收的时间)经历有限数据分析,所述有限数据分析可在NDS输入单元层级处执行,如本文中其它地方所描述(例如,通过流式处理器应用程序)。在各方面中,对初始数据循环数据执行的功能包含评估初始循环数据作为次级循环数据的组件的可用性。在各方面中,方法包含拒绝和任选地重新开始次级循环数据收集,其中NDS基于预先编程标准拒绝初始循环。例如,NDS分析性单元可在≤~10分钟、≤~5分钟、≤~2分钟或小于~1分钟内完成MA-D分析,例如将MLM应用于MA-D,并且次级数据循环对应地定时。在一个方面中,NDS分析性单元的一个或多个功能是基于在一定周期内处理MA-D的集合,所述周期通常是与NDS接收MA-D的周期(初始数据循环)显著更长的周期。在各方面中,此类周期是每MA-D收集迭代/循环≥30秒、≥40秒或≥60秒的MA-D,例如每迭代≥约1分钟、≥约70秒、≥约80秒、≥约90秒、≥约100秒、≥约110秒、≥约2分钟、≥约2.5分钟、≥约3分钟、≥约3.5分钟、≥约4分钟、≥约4.5分钟、≥约5分钟或更多的MA-D。在各方面中,初始数据循环是例如≤~40秒(second/sec)、≤~30秒、≤~20秒、≤~10秒、≤~8秒、≤~6秒、≤~4秒、≤~2秒或≤~1秒(例如,≤0.5秒或≤0.1秒),并且初始分析性过程在此类周期中通过流式处理器或其它引擎/组件完成。在各方面中,NDS包括单元集合或执行可类似地被分类为高速缓存数据处理器的功能,所述高速缓存数据处理器当此类数据从MA中继时处理MA-CD。
在各方面中,高速缓存数据处理可与RT-SMAD的处置和任何初始分析/摄取不同地执行,但此类过程中的一个或多个可替代地包括执行经高速缓存MA数据的初始分析(也被称为“CMAD”、“MA-CD”或“高速缓存数据”),以基于高速缓存数据的此类初始分析而评估是否立即输出应用程序,例如触发警报。用于执行此类过程的功能和相关资源可表征为高速缓存数据处理器/单元。在各方面中,经高速缓存数据的处理可使用批量过程以执行,例如,因为此类数据可在与典型流信息块/分区更大的数据集中递送,是离散的(在开始、结束和大小),或这两者。
在各方面中,NDS输入单元处理经集成功能或功能集合中的流式MA-D(SMAD)和MA-CD/CMAD两者。读者将理解,虽然本文中充分论述RT/S-MA-D,但在各方面中,此类数据可不在实时基础上进行递送,但仍以流式方式递送,并且此类数据可简单地分类为流式MA-D或“SMAD”。
除SMAD之外,还可通过NDS输入单元或其组件(例如,SDP/SDE或SDP的组件,例如可表征为“高速缓存处理器”的用于分析MA-CD的专用单元)来接收中继/递送到NDS的CMAD/MA-CD。在各方面中,NDS输入单元可基于此类MA-D的特性而将MA-CD与RT/S-MA-D区分开,所述特性包含相关时戳、相关数据的关联、应用于MA层级处的加标签,或CT。在各方面中,本发明的方法包含汇编高速缓存数据集合,使用MA-CD以针对MA(例如,由离线周期影响的MA)重构相关SMAD中的缺失数据,或其组合。执行此类步骤/功能的高速缓存处理器可为SDP处理器、主要NDS处理器的组件,或可为相对于SDP和主处理器功能上独立的处理器、物理上独立的处理器,或这两者。相同关系可适用于具体地与高速缓存处理器的操作相关联的任何存储器(例如,高速缓存处理器可包括其自身的功能上/物理上不同的存储器,或简单地表示/作用于SDP或NDS-MEMU中的存储器)。在各方面中,高速缓存数据在事件发生时或在经过常规间隔时批量地递送。在各方面中,高速缓存处理器尤其通过批量处理进行操作。在各方面中,由网络的大部分、一般全部,或全部MA中继的MA-CD还包括除位置数据之外的数据,例如传感器数据、时间数据、装置操作特性、患者信息、与离线状态相关的数据,或其任何组合。在各方面中,MA-CD周期性地传输到NDS作为RT/S-MA-D的备份(例如,准许审核RT/S-MA-D),在事件(例如,检测到离线MA状态)时被准许,或这两者。MA可与RT/S-MA-D并行地或在RT/S-MA-D传输的周期之间批量地中继MA-CD。NDS将被编程有设置以理解并且适应来自MA的MA-CD/CMAD的传输模式。
在示例性方面中,本发明的方法可包括使NDS/MAC-DMS处理单元自动地(1)在数据收集周期内收集MA-D以形成数据集合,(2)评估数据集合是否适合于根据一个或多个预先编程标准/规则等进行分析,以及(3)如果数据集合适合于分析,则将数据集合添加到数据聚合;(4)重复步骤(1)-(3),直到数据集合的至少2个、4个、5个、6个、10个、12个、20个、25个、50个、80个或100个例子添加到数据聚合,以便形成完整数据聚合,其中(5)如果在形成完整数据聚合之前确定数据集合的任何例子不适合,则所述方法包括丢弃不完整数据聚合并且重新起始所述方法,并且(6)如果形成完整数据聚合,则所述方法进一步包括对包括完整数据聚合的数据执行一个或多个分析性功能。
3.系统资源的缩放
在各方面中,NDS的功能/部分可例如响应于需求的预先编程阈值而自动缩放例如网络中的MA的数目;在一定基础上从MA传输的数据量(例如,每天、每周、每月、每季度或每年平均量);由NDS执行的分析量、NDS的其它操作功能(例如,安全性功能);从NDS中继的数据量;存储在NDS中的数据量;网络中数据捕捉、数据处理或数据递送的定时要求;或其任何组合。在例如各方面中,NDS大多、一般仅,或完全“包含”在可自动缩放的基于云的计算机系统中,或以其它方式包括可自动缩放的基于云的计算机系统,所述基于云的计算机系统包括一个或多个专用单元(例如,专用存储器、专用处理功能,或这两者),如本文中所描述。可缩放资源通常包含输入资源(例如,SDP资源),但还可包含DR资源、处理资源等。因此,在各方面中,NDS包括按需或自动响应性可扩展组件。
在各方面中,NDS/方法包括可缩放性测试功能/步骤,所述可缩放性测试功能/步骤预测缩放需求(例如,通过NDS的一个或多个部分符合或超过一个或多个指示值/量度或其它指示符),测试此类资源的添加(任选地预留此类资源以符合预计需求),并且当通过检测到符合/超过阈值指示符/值的第二集合而确定需要时自动地添加此类资源。在各方面中,资源以经缩放/渐进式方式添加,其中当添加资源时,在添加资源之后,或者在添加资源时和之后,任选地测试所添加资源,以确保NDS的缩放是有效的(例如,NDS性能中不存在可检测或显著降低)。在各方面中,可在例如达到需求(例如,对单元、单元的组合或整个NDS的需求)的预定阈值时按需添加资源。在各方面中,确保NDS保持可操作的安全性或安全措施,例如,如果由于缺乏地址需求的资源而显现为非功能的,则NDS很少存在于NDS/方法内。在各方面中,NDS维持足够资源或维持对足够资源的存取,以在≥99.5%(例如,≥约99.6%、≥约99.7%、≥~99.8%、≥约99.9%或甚至100%)的时间内将操作维持在处于或超过NDS需求的水平。
在各方面中,方法包含使用实际MA或模拟模型以执行NDS/网络的可缩放性测试、能力测试或这两种类型的测试。在各方面中,实际可缩放性/能力测试MA将状况/模式数据中继到与此类测试相关联的NDS,使得来自此类测试MA的数据可适当地加标签和管理/与其它MA-D分隔(例如,不被分解成MLM)。
III.NDS数据应用程序的监管状况
取决于由NDS应用程序控制的应用程序的性质,NDS应用程序可受制于不同类型的规章和相关要求(“RR”)。例如,在各方面中,NDS应用程序可包括作为医疗装置软件(SaMD/SAMD)(即,旨在用于医疗目的的软件,所述软件执行这些目的而不是硬件医疗装置的部分)进行监管的应用程序。在各方面中,在≥1种MA类型/分类中(例如,在网络中的≥2种MA类型/分类中),NDS并行地执行≥2个、≥3个或≥~5个SaMD应用程序。在各方面中,NDS SaMD应用程序是诊断性应用程序、治疗性应用程序(例如,被视为数字疗法的应用程序),或这两者。治疗性应用程序可指对未经治疗病况或正被初始治疗的病况进行治疗的应用程序、与病况维持相关的应用程序,或与预防病况的发展(例如,预防病况发展,减少发展可能性,减少发展严重程度,或延迟发展发作等)的医疗任务/应用程序。在各方面中,大部分、一般全部,或全部SaMD应用程序顺应IEC 62304生命周期/设计/开发标准。在各方面中,由NDS执行的SaMD应用程序包含IEC 62304A类、B类和C类应用程序的混合。在各方面中,由NDS执行的SaMD应用程序包含EDA次要问题、中等问题和主要问题应用程序的混合。在给定与可能的NDS应用程序相关联的不同监管性质和适用RR的情况下,NDS或NDS中继单元可采用加标签、一致性标准、其它数据管理/变换方法(例如,PHI的移除或保护),或其任何组合,以确保与适用RR一致的NDS应用程序的恰当处理。因而,方法可包括分析应用程序/输出以及应用此类数据管理步骤。在各方面中,NDS的大部分、一般全部,或全部SaMD应用程序仅在监管机构审查和批准后用于临床设置中。在各方面中,NDS应用程序包含具有不同级别的SaMD批准/分类的≥2个SaMD应用程序。例如,在各方面中,SaMD应用程序向HCP提供信息以做出治疗性决策或应用治疗相关装置控制/参数以实现非急救或急救护理诊断或治疗性目的(并且例如,在EU中分别作为IIa类装置或III类/IIb类装置进行监管,后者取决于此类决策的可能后果)。在各方面中,SaMD应用程序是针对生理过程的监测(在例如EU中作为IIa类装置进行监管或在急救护理设置中作为IIb类装置进行监管)。
在其它方面中,一个、一些、大部分、一般全部、大体上全部,或全部NDS数据应用程序是不作为SaMD进行监管的应用程序。在各方面中,NDS应用程序包含SaMD经监管应用程序和非SaMD应用程序的混合。在各方面中,一个、一些、大部分、一般全部、大体上全部,或全部NDS应用程序可被分类为临床支持决策系统(CDSS),所述CDSS通常不作为医疗装置进行监管。CDSS通常包括知识库(此处,来自个体相关联的装置和来自类似装置/患者组合的MA-D)、推断引擎(例如,分析性U/F),以及通信构件/信道(例如,NDS-AD到MA、网络中的其它HCP装置/接口或这两者的中继)。CDS知识库含有经编译数据的规则和关联,所述规则和关联大部分通常采用IF-THEN规则的形式。警告/警报功能通常被视为CDSS。动作、信息供应等的所建议可能过程也可分类为CDSS应用程序。在各方面中,NDS在一些或大部分CDSS应用程序的递送中采用表达语言,例如CELLO或临床质量语言(CQL)。CDSS应用程序还可采用MLM(其中仅采用MLM应用程序,此类AI应用程序可表征为无知识CDSS)。ML/基于非知识的系统可包括例如支持向量机、人工神经网络、遗传算法(使用可能解决方案的随机集合,所述集合经突变、迭代等),或其组合。CDSS应用程序、SaMD应用程序或这两者可包括实际分析和经预测数据(例如,经预测AlC、经预测心率、经预测呼吸/氧气浓度等)的递送。由NDS/NDS中继单元应用的元数据标签通常包含监管状况信息。递送方法包含筛选MA位置以确保仅在相关国家/管辖区中采用经批准SaMD。CDSS功能可包含警告/警报,以及供应治疗/诊断性建议,和类似功能。
在各方面中,本发明的方法包括在经监管SaMD应用程序外部将NDS的核心组件应用于其它国家中的MA、HCP和其它类用户。此类应用程序可包括例如使NDS的组件可用于不同国家中的用户,但仅将SaMD应用程序分隔给适用监管机构批准此类SaMD应用程序的国家中的用户。在各方面中,制造NDS的核心组件(例如,与分类为国家或地区监管机构监管的SaMD应用程序的单元分离的一些、大部分、一般全部,或全部那些组件/引擎)的步骤/方法包括在聚焦于特定监管方案的子NDS或NDS部分/组件之间共享此类核心组件。在各方面中,NDS、NDS的部分或NDS的功能具体地限于特定国家或其它管辖区(例如,国际管辖区,例如EU,或地区管辖区,例如州或省)中的应用。在各方面中,NDS可包括(a)用于MA(例如,特定国家中的MA)的数据、(b)多个规则集合(例如,国家特定的数据管控规则),或(c)这两者。在各方面中,NDS包括在≥2个国家/管辖区特定的NDS当中复制或共享的核心架构。例如,在各方面中,NDS蓝图数据/核心组件可通过经由互联网复制或共享存取来与一个或多个其它NDS共享,所述一个或多个其它NDS是例如2个或更多个其它NDS,如在例如3个、4个、5个、6个、7个、8个、9个、10、15个、20个、25个、30个、35个、40个、45个,或者约50个或更多个NDS中。
IV.用于更新MA OS/软件的NDS过程
MA通常包括操作系统(OS)或专用软件,其协调涉及MA与NDS之间的数据通信的MA的函数/引擎。在各方面中,网络中的一些、大部分、一般全部,或全部MA的操作系统(OS);MA软件(例如,与MA相关的软件:NDS通信、例如治疗性/诊断性功能的MA功能的应用);或这两者在此类装置的操作寿命期间经历更新。关于MA,不矛盾的是,术语软件和OS在此处提供对彼此的隐含支持(例如,描述更新MA OS的方面还隐含地公开更新MA软件的对应方面)。在各方面中,在本地/MA层级处、在NDS/网络层级处,或者在本地/MA层级处和在NDS/网络层级处触发OS/软件更新。在各方面中,对特定MA、MA类型、MA类别(例如,与特定实体相关联的MA)或MZMA的特定分区/处理器的OS/软件的一些、大部分、一般全部,或全部更新都需要本地/MA层级和NDS/网络层级两者处的参与(输入、批准或其它动作)。在各方面中,一些MA系统(OS/软件)更新/修改仅可在本地层级处执行(例如,在各方面中,MZMA的高度受限的治疗性组件仅可在本地层级处更新)。在各方面中,NDS例如通过发送到MA、其它网络接口/装置或这两者的警告/警报或其它消息传递来使对MA系统的更新/修改的可用性为用户已知的。在各方面中,MA系统更新大多、一般完全,或完全通过互联网从NDS中继和下载到MA。在各方面中,MAOS/软件修订包含在一些、大部分、一般全部,或全部MA-D流/数据中,或需要包含在一些、大部分、一般全部,或全部MA-D流/数据中,从而促进NDS对更新和更新可用性消息的瞄准。在各方面中,MA或分区软件/OS的NDS监测可产生引起更新到本地用户的物理发送(例如,在USB驱动器、外部硬盘驱动器、磁盘或其它存储器装置上)的输出,使得本地用户可(如果批准)对此类OS/软件做出本地修改。在各方面中,分区特定的处理器与其它分区特定的处理器(或其它分区特定的处理器和任何主要MA处理器)独立地操作、独立地更新,或者独立地操作和独立地更新,这可根据上文所描述的各种方法/程序发生。在各方面中,MZMA的处理器可根据方法/过程/程序更新,而MZMA的一个或多个第二处理器可根据不同方法/过程程序更新。
本发明还提供用于控制MA的操作的方法,以便检测关于网络中的MA的操作的信息,例如以确定MA性能水平、MA性能问题,识别用于改进MA性能的机会等。在此类方面中,NDS/MAC-DMS处理器/分析性引擎在一个或多个方面中评估网络中的医疗设备的性能、MAC-DMS,或这两者。此类评估可以连续、重复/例行/常规或仅按需方式自动地、按需或条件性地自动地执行。在示例性方面中,此类方法包括根据先前收集的MA-D分析性数据、其它/相关标准(例如,生理条件的其它量度,例如个体心率等)或根据相同或不同类型的其它MA的性能针对MA-D评估一个、一些、大部分,或全部MA的MA-D。在各方面中,方法包括基于医疗设备和NDS/MAC-DMS的评估而改变医疗设备操作、NDS/MAC-DMS操作或这两者的至少一个参数。在此类方法中分析的MA-D可包括与装置性能相关的日志数据。在各方面中,此类日志数据是在MZMA的限制性分区中收集、传输到较不限制性分区,并且其后中继到NDS以供分析的数据(还适用于其它MZMA相关方法的数据流)。在各方面中,基于数据加标签(适用于此MZMA相关方面和其它MZMA相关方面)而识别来自MZMA的限制性分区的数据。在各方面中,对数据的聚合/集合执行此类方法,所述数据可在几分钟、几小时、几天、几周、几个月或几年内收集。在各方面中,此类日志数据/MA-D还或替代地包括个体相关传感器数据。在各方面中,针对标准等绘制此类数据,以识别异常模式、离群值等,这些可经历NDS分析和输出。在各方面中,相较于在单个MA或甚至单个MAG层级处的此类问题的可识别性,此类方法DOS增加识别MA操作问题的机率。例如,包括日志数据的MA-D的分析可引起装置操作问题(例如,例如电机电流的心脏泵电机操作的问题)的确定,所述登入数据包括热泵相关联的主动脉压力(AOP)或左心室压力(LVP)测量结果、非预期传感器数据。
在另一方面中,本发明提供治疗个体/患者群体中的个体/患者的医学病况的方法,所述方法包括:使MA:NDS数据网络的每一操作医疗设备(MA)从与其相关联的个体/患者反复地常规地/自动地或条件性地收集传感器数据;其中NDS分析性引擎/功能将来自MA:NDS数据网络的一些、大部分或每一操作MA的MA-D与(I)先前收集的MA-D分析性数据、(II)预先编程标准或(III)(I)和(II)两者进行比较;并且所述方法进一步包括使NDS/MAC-DMS处理器经由安全互联网通信将一个或多个输出中继到一个或多个MA、一个或多个OND或这两者,所述一个或多个输出包括:(a)与患者的治疗相关的分析性数据输出,其中继到(I)与患者相关联的MA、(II)与关联于患者提供的健康护理相关联的另一网络装置,或(III)(I)和(II)两者,(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)数据网络的医疗设备中的一个或多个中的一个或多个MA功能(例如,治疗性功能),(II)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能(例如,注册警告/警报),其与关联于患者的医疗保健提供者相关联,或(III)(I)和(II)两者,或者(c)(a)和(b)的组合。
在各方面中,方法包括疾病病况的诊断,或者或替代于MA中的疾病病况的治疗。在各方面中,MA:NDS网络的操作可检测地或显著地增加识别与数据网络中的MA相关联的个体的病况的类型的概率。例如,通过将MLM应用于由网络的若干/许多MA收集的MA-D,NDS的MLM可被训练以检测病况的警示标志,其速度比人类可检测此类问题DOS更快、比标准诊断性装置中先前可能的更快,或比通过NDS先前可能的更快。这是经由本发明的NDS收集大量数据且使用此类大数据池以生成例如MLM预测的NDS-AD的益处中的一个。
诸图中所示出的方面
在此章节中参考方法的流程图图示/框图描述本发明的额外方面。读者将理解,流程图图示/框图的一般每一“块”和其中的块组合可通过处理器执行CEI来实施。在此类“块”中反映的CEI单元/功能提供到适用装置/系统的处理器以产生机器、系统,或这两者,使得由处理器执行的CEI实施块中所指定的系统/功能。此类CEI存储在CRM(例如,NTCRM/PTRCRM)中,所述CRM可引导适用计算机根据CEI以特定方式运行,使得包括DR(包括功能数据)和CEI的CRM包括执行有用现实世界操作的制品。
尽管参考流程图/框图描述了此处所例示的方面,但每一框、框组合、功能等的任何部分或组合可经组合、分离成单独操作,或以其它次序执行,如将在本发明的NDS或方法的上下文中适合的。本公开中对“模块”、“单元”、“步骤”等的参考通常是为了方便读者而做出的,并且并不意图限制任何方法或NDS的实施方案。任何块、模块等的任何部分或组合可实施为计算机可执行(程序)指令(例如,软件)、硬件(例如,组合逻辑、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、处理器,或其它硬件)、固件,或其任何组合(CT)。换句话说,诸图中所反映的流程图、框图等示出NDS/方法的可能实施方案的架构、功能性和操作。流程图/框图中的每一框可表示用于实施所指定步骤/功能的装置、组件、模块、片段、CEI,或CEI的部分。在各方面中,关于此类框所描述的方法的步骤或功能的布置可以与诸图中所阐述的次序不同的次序发生。例如,连续展示的两个框实际上可大体上并行地执行,或所述框有时可能以相反次序执行,这取决于所涉及的功能性。读者还将注意,框图和/或流程图图示的每一框、以及框图和/或流程图图示中的框的组合可由基于专用硬件的系统来实施,所述基于专用硬件的系统执行所指定功能或动作或者进行专用硬件和计算机指令的组合。
不同编程技术(例如,程序化或面向对象的途径)可用于NDS/方法中。任何特定例程可在单个处理器、多个处理器上或甚至在多个装置中执行,如适合的。数据可存储在单个存储媒体中或通过多个存储媒体分布,并且可驻留在单个数据库或多个数据库(或其它数据存储技术)中。因此,尽管可以特定次序呈现步骤、操作或计算,但此次序可在替代方面中改变,并且此处所提供的具体公开的例程/工作流中的任一个可包括一个或多个步骤/功能的重新布置、重复、跳过、组合,或其任何组合(CT)以提供所指示输出。在各实施例中,在诸图中按顺序展示多个步骤的程度上,可同时执行在替代实施例中的此类步骤的某一组合。在适合的情况下,本文中所描述的操作的任何序列可由另一过程(例如,操作系统、内核等)中断、暂停或以其它方式控制。例程可在操作系统环境中操作或作为独立例程操作。本文中所描述的功能、例程、方法、步骤和操作可在硬件、软件、固件或任何CT中执行,例如,如本文中所描述的。
出于这些和其它原因,诸图中且在此处相对于诸图所描述的方面的示意性描述不应用于限制如由本公开的其它部分提供的本发明的范围或者鉴于所属领域的整体阅读的本公开。
在下文中通常使用“#”符号识别所显示图元件。在对元件的参考在图注中重复的情况下,有时省略额外元件参考。缩写“n.s.”是指图中未展示的特征/步骤。
图1
图1示出医疗设备(“MA”)#102与网络数据系统(“NDS”)#150之间的示例性基本关系#100。此图和类似图中的箭头提供通过系统、网络或网络关系(如此图中所展示)的数据流的非限制性图示。图中的组件(例如,MA-MEMU#112和MA-DISPU#120)周围的线指示此类组件是另一所展示组件/系统(此处,在适当时,MA或NDS)的部分或与另一所展示组件/系统相关联。
举例来说,MA#102可为血泵,例如心脏泵,或心肺支持系统,例如便携式体外膜氧合(ECMO)系统,与人类个体(HSUB、#104)相关联,并且通常与人类个体治疗性地接触(通常至少部分地插入在人类个体中,且包括用于数据收集、存储、处理、传输和接收的电子/计算机化硬件。MA#102包括传感器#106,所属传感器各自检测HSUB#104中的生理条件、MA#102的操作条件,或这两者。传感器可包含例如流量传感器、压力传感器以及与医疗装置相关联的其它传感器,这些传感器收集此类数据且将所述数据电子地中继到MA处理器(MA-PROCU#108),所述MA处理器由用于处理所存储指令、执行数据分析和执行其它功能的计算机处理器构成,如贯穿此章节将描述。传感器通常测量生理状态(条件)(例如,血压、心率、氧含量、呼吸速率、血液药剂含量脑部功能等)以及其它类型的所感测数据。MA-PROCU#108包括操作为MA状况单元(MA-STATU#110)的组件或与所述组件相关联,所述MA状况单元根据编程指令经由电子通信有规律地将状况信号/通信(例如,声脉波信号等)从MA发送到NDS,例如通常通过无线通信(例如,经由Wi-Fi)在安全的互联网通信传输中传输状况信号包。MA-PROCU#108将传感器数据记录在本地装置存储器单元MA-MEMU#112中,所述MA-MEMU还可含有用于由MA-PROCU执行的功能/模块的所存储指令。MA-PROCU#108还包括可构成中继单元(MA-RELAYU#118)的组件或与所述组件相关联,所述MA-RELAYU用于将信息从MA#102传输到NDS#150,例如网络接口卡/控制器(NIC)。当在线时,由MA-RELAYU中继的信息包括本地存储数据/高速缓存数据(R-LST-MA-D在此处也被称为MA-CD或L-STR-MA-D#120)和流式“实时”MA数据(RT-MA-D#122)。
NDS#150包括输入单元(NDS-INPU#160),所述NDS-INPU接收并且处理从MA#102中继的所接收信息。输入单元可表示虚拟服务器环境中用于接收和处理MA数据的指令(协议/功能),或单独的物理处理器、存储器,或这两者(例如,在SDP的情况下,如例如图23中所描述)。所接收MA数据中继到NDS处理单元(NDS-PROCU#162),所述NDS-PROCU通常将包括多个、大规模并行、高度可用、虚拟/基于云的、可缩放和分布式处理器(反映实际处理组件,通常在一个或多个中托管设施中)。NDS-PROCU#162将通常进一步包括NDS状况单元(NDS-STATU#164)或与所述NDS-STATU交互,所述NDS-STATU传输状况询问或接收从MA-STATU#110中继的状况信号,由此确定网络连接MA#102的状况(状况系统/组件还或替代地可含于MA中)。NDS-PROCU可进一步包括用于分析所接收数据的引擎/模块/单元/功能,例如本地存储数据分析性单元、分析本地存储的MA数据(MA-D)(#120)(又名高速缓存数据、R-LST-MA-D等)的LS-D-ANALU#166,以及分析实时/流式MA-D(#122)的RT-D-ANALU#168。此类分析性单元(“ANALU”)可包括、大多包括例如与处理器组合的存储器的组件(例如,专用软件指令/引擎)、基本上由与处理器组合的存储器的组件组成,或由与处理器组合的存储器的组件组成,所述处理器当投入操作时形成且操作为用于处置此类特定类型的MA-D的专用装置。NDS#150还包括NDS存储器单元NDS-MEMU#167,所述NDS-MEMU可包括、主要包括一个或多个DR,例如数据湖(DL)或增强型数据湖(EDL)、一般由一个或多个DR组成,或由一个或多个DR组成/基本上由一个或多个DR组成。NDS存储器单元尤其存储所接收数据、所分析数据,以及用于由NDS-PROCU执行的指令。NDS-PROCU#162进一步包括NDS数据中继单元(NDS-RELAYU#170)或操作地链接到NDS-RELAYU,所述NDS-RELAYU负责将数据传输到MA和其它网络装置/接口(ONDI#182)(例如,系统管理员),通常在此类数据“传递通过”NDS安全性单元(NDS-SECURU#180)(由NDS-SECURU分析/筛选)之后,所述NDS-SECURU过滤并且限制从NDS中继的数据,例如以确保根据监管要求(“RR”)保护PHI。在此类方面中,由NDS#150接收的MA-D可由NDS-PROCU#162的所参考分析性单元(ANALU)组件(#166和#168)中的一个或两个分析,并且由此类分析生成的分析性输出(NDS-AD)可(1)通常在传递通过装置/MA安全性单元(例如装置层级防火墙或安全性系统#172)之后经由MA输入单元(MA-INPU#174)(其可包括例如NIC卡或类似组件/系统和相关引擎)中继到MA#102,并且(2)中继到其它网络装置/接口(ONDI#182)。实时MA数据#120可大多/通常/基本上以流式方式分析,除非MA#102处于离线状态,在此情况下,在MA #102离线的周期期间存储的MA-CD/高速缓存数据中继到NDS#150以用于处理功能,例如使用在离线事件之前和之后接收的RT数据以重构/协调此类所存储高速缓存数据。
图2
图2提供包含MA #202的群组#200的网络的简化表示的概述,每一MA#202与个体/HSUB#204相关联,并且每一MA传输实时流式MA数据(RT-MA-D#220),并且至少有时/偶尔还将本地存储数据/高速缓存数据(L-STR-MA-D/MA-CD#222)传输到NDS#250。所示出NDS包括存储器单元NDS-MEMU#256和处理器NDS-PROCU#258,以及安全性单元/引擎/系统(NDS-SECURU#262),所述NDS-SECURU确保在将从MA导出的数据传输到ONDI#264时依从监管要求(RR)。在所示出的示例性网络中,MA被配置成群组/子网络(有时也被称为网络),例如MA网络1#270、MA网络2#280,以及MA网络3#290,其中每一网络包括多个MA(例如,不包含PHI)。图中的MA周围的线辅助限定MA群组/网络。此类MA网络(其可被称为“子网络”,以避免与包括多个MA子网络/OND子网络和NDS的总体网络混淆)中的每一个可基于拥有/控制实体、区或其它特性(例如,地理区域、装置组成等)而表征/定义。总体NDS网络中的装置的子网络/群组可以不同层级组织(例如,独立实体子网络可包含区域子网络、医院子网络等)。子网络可包括入口点/节点(未展示),所述入口点/节点包含安全性系统(例如,防火墙)等。子网络中的MA可中继子网络特定的数据(例如,拥有或操作群组/子网络中的MA的独立实体可存取的机密信息)。NDS-PROCU#258处理来自全部相关联群组/网络的数据以及存储在NDS-MEMU#256中的数据,并且将从此类数据的分析获得分析性结果递送回到与其中的MA相关联的每一群组/网络,而且在执行一般分析性过程时使用整个经组合网络数据,所述一般分析性过程可用于将数据递送回到MA/MA用户、ONDI,或这两者。本发明的系统的此类配置允许系统使用来自不同群组/子网络的信息,由此改进总体系统的分析(例如,就机器学习应用程序而言),同时确保仅一些独立实体(IE)可存取的机密信息仅可由适当实体存取。此类信息可中继到例如其它网络装置/接口(ONDI)#264,所述ONDI可与例如商业类用户相关联,与NDS的拥有者/操作者相关联,并且在通过NDS安全性过程(NDS-SECURU#262)之后,所述ONDI向与不同MA群组相关联的两个或更多个IE提供支持/服务,这确保例如PHI的某些信息不中继到此类ONDI。在这方面中,NDS(并且还或替代地,网络中的其它装置)被配置成在至少两个不同操作级别中通过确保网络中的数据的适当识别,筛选用于此类识别的信息以及应用编校、路由、修改等以保护此类信息免受非所要/不当存取/分布的影响来维持网络中的机密信息的机密性。
图3
图3是包括与不同区域(大都市区、州、县、国家、医院网络等)相关联的若干MA子网络的MA网络/群组的一个层级的另一简化图,反映了本发明的系统/网络的操作的另一方面。举例来说,区域A #302被展示为包括三个MA群组/网络(MA网络/群组A1#304、MA网络A2#306,以及MA网络A3#308)(如由图的方框标示),每一MA网络包括多个医疗装置(例如,≥5个、≥10个、≥20个、≥30个、≥40个、≥50个或≥100个MA/网络),并且此类MA子网络/群组可能与不同的独立实体(IE)拥有者(彼此不同,与NDS/系统拥有者/操作者不同,或这两者)相关联。单独的区域B#310包括MA群组/网络(MAG)B1#312和MA网络/群组/子网络B2#314,而不同的区域C#320还包括仅MA网络C1#322。在操作中,NDS#350从每一MA群组/网络接收数据,此类数据包含关于每一区域/网络中的MA位置信息、隶属信息,或这两者(例如,在从此类MA发送的经传输包中,例如可在状况信号或其它传输中发送到NDS#350),由此准许NDS#350识别数据来源,允许NDS#350在MA或MA用户层级处返回特定于特定患者的数据,而且还将MA网络/群组或区域层级分析提供到其它网络组件(例如,ONDI#364),例如研究或观测网络/区域层级处的性能或执行网络或区域之间的比较研究的网络/区域/NDS管理员或后勤员工,例如医学联络人、销售人员、研究者、NDS/系统分析员,或临床后勤人员。网络中的客户端装置的此类区域的识别准许NDS执行MA群组层级分析,辅助将机密信息中继到仅适当接收者装置,或允许NDS仅中继在监管要求下在特定群组/区域中批准(或依从拥有/操作MA群组的lE的要求)的应用程序。在此类方面中,NDS和网络装置被配置成提供使得能够将MA-D快速识别为与此类不同级别的原点(特定MA/患者、群组、区等)相关联的数据,从而准许NDS并行地在此类不同层级处执行分析或基于此类层级而向用户提供输出。
图4
图4提供可由系统(NDS)在处理潜在MA离线周期的问题时执行的示例性过程的概述。在所描绘示例性过程#400的开始#402处,MA例如通过MA传感器从个体#404收集数据。网络中的MA有规律地尝试经由状况单元(MA/NDS STATU#406)传输或接收来自NDS的状况信息(例如,当处于一个或多个操作状态/模式时周期性地传输状况信号)。如果MA在线#408,则MA传输RT-MA-D(并且可能还传输MA-CD)#410。如果MA不在线,则MA适于自动地标记(识别/记录)离线状态的开始。并且,MA继续或起始MA-CD/高速缓存数据#414的收集,从而将此类高速缓存数据存储在MA存储器中。在离线状态中(或在操作中基本上全部时间有规律地),MA继续将状况信号传输/接收到NDS#416。如果MA在预先编程时间内未恢复到在线状态#418,则MA可通过控制器(n.s.)将一个或多个警报#419传输到1个或多个用户。如果MA恢复在线状态#418,则MA将经高速缓存MA-CD(高速缓存L-STR-MA-D)#420传输到NDS。NDS-PROCU或其组件根据一个或多个充分性标准/规则或算法/协议评估经高速缓存MA-CD的充分性#422,以做出关于在与MA-D网络、区域等相关联的持续分析性过程中使用经高速缓存L-STR-MA-D/MA-CD的充分性确定#424。如果数据不足够,则MA-D可重新起始RT-MA-D(可能还与L-STR-MA-D/MA-CD组合)的传输#410。如果所存储数据被认为是足够,则NDS-PROCU将处理经高速缓存MA-CD(又名C-MA-CD)(例如,将此类数据与其它网络存储的数据(N-STR-D)组合/混合#426)。此类经混合数据可然后进一步与网络中的其它MA的数据协调/混合#428,并且NDS-PROCU将使用此类数据以执行一个或多个分析性过程,例如AI/ML过程#430,其结果将中继回到MA#432,并且在每一情况下显示在MA显示器上#436,并且从此类分析导出的数据还或替代地可发送到ONDI#434。通常,此类过程将在MA操作期间以重复方式重新起始。
图5
图5示出情形#500,所述情形进一步示出高速缓存数据/MA-CD/L-STR-MA-D的收集和可能处理,如图4,但此处参考网络的部分的示例性物理组件以及操作中的便携式MA的位置。人类个体/患者(HSUB)#504当被运送通过分区1#502时使用MA#506进行诊断/治疗。MA在第一时间(8:30)经由无线网络点#508将实时流式MA-D(RT-MA-D#510)中继到NDS处理器(NDS-PROCU#522)。然而,在第二时间(10分钟后/8:40),当个体在缺乏无线通信能力的分区2#516中时,MA开始收集经加标签/标记L-STR-MA-D(又名MA-CD或高速缓存数据)#518,并且将其存储在设备存储器(MA-MEMU#520)中。当个体到达识别为分区3#511的位置时(在8:50),所述位置再次与无线中继#508相关联,MA递送新RT-MA-D#512和在MA在分区2中时的周期期间存储的L-STR-MA-D#518两者。如果例如网络通信错误的已知或预计原因的额外数据由MA/NDS充分确定/检测,则所述额外数据还可被中继、感测或预测。因为在此类运输设置中或当网络或装置问题/破坏存在时,暂时性离线状态是可能的,所以NDA/MA网络高效地存储、中继和处理此类高速缓存数据以及实时MA-D的能力极大地增强了应用程序对MA数据的有效性,从而产生更好的数据、更好的NDS操作,以及更好的患者护理。
图6
图6示出一个方面,其中MA/NDS网络#600的至少部分,除包括MA网络#602和尤其包括NDS处理器(NDS-PROCU#604和NDS存储器NDS-MEMU#636)的NDS之外,还进一步包括其它网络装置/接口(ONDI),例示在所示出系统#600中作为商业网络/群组/组件#668、研究群组/平台#644,以及临床支持组件/群组#624。
虽然这些其它网络/NDS组件(如MA网络#602)中的每一个并行地/同时利用MA-D、NDS-AD,或这两者,但由于监管要求、机密性问题以及用户在此类网络/NDS中的不同数据需要/角色,每一此类其它网络/NDS组件还通常接收此类数据的不同方面。因此,NDS处理器(NDS-PROCU#604)不仅从MA网络#602接收MA-D,将数据改进功能应用于此类数据(例如,清洁、协调等#628),并且将此类数据存储在存储器(NDS-MEMU#636)中,而且还通过所包含处理组件存取NDS-MEMU#636的PTRCRM中的经编程指令(引擎),所述处理组件采用此类指令/代码以高效地加标签、分拣、清洁和分析MA-D,生成NDS-AD,并且在有限时间窗口(例如,彼此<10分钟、<5分钟、<2分钟、<1分钟、<30秒或<20秒)内高效地和安全地且并行地将NDS-AD和相关控制/指令(应用程序)分配到网络的此类各种组件,同时确保依从监管要求(RR)和其它规则(例如,NDS-PROCU#604可包括输出功能,所述输出功能确保仅针对/递送到各种网络组件/装置的数据的输出适当地递送到仅经授权/适当的其它网络组件)。
商业网络#668包括装置或接口(例如,在任何数目个适合装置上可通过互联网存取的网页)的网络,所述装置或接口可由从事商业角色、支持商业角色或与管理/拥有网络#600的健康护理组织内的商业角色介接的专业人员(分别由例如Rep 1#670、Rep 2#672和Rep 3#674表示)存取,所述专业人员是例如销售人员、医学联络人、市场营销专业人员、商业智能专业人员等。拥有/管理系统、网络或这两者的公司通常也是制造/分配MA、出售NDS操作服务或这两者的公司。在各方面中,存取此类商业网络中的装置/接口的一些、大部分、一般全部,或全部专业人员都是网络管理者或以其它方式可存取NDS/系统的组织的商业销售和市场营销角色。对此类专业人员的监管要求(RR)可显著不同于此类系统的其它用户(例如,使用MA治疗患者的HCP),例如在对PHI的存取方面。因此,NDS-PROCU#604组件,例如机器学习组件(NDS-MLU#608),被调适/被配置成在各方面中将不同规则应用于提供到商业网络#668而非提供到例如MA#602的输出。具体地,商业网络/群组#668的用户可接收结构化用户角色、功能和适用RR/其它要求的数据显示,所述数据显示在内容或形式上显著不同于例如提供到使用和存取MA#602的HCP的数据显示。例如,Rep 1#670可支持医院网络中的若干医院,并且因此,将接收关于一般在每一医院中的MA的性能的数据显示,其中个别装置数据限于性能的高级别方面(使用、错误、状况等),而不显现PHI。Rep 2#672可接收站点、实体或网络的不同、相同或重叠网络的类似信息。商业网络的装置可进一步与独立数据源交互,所述独立数据源是例如客户关系管理(CRM)数据库#664(例如,SalesforceTMCRM数据库),所述独立数据源既可将数据直接提供到NDS-PROCU#604,而且还可将数据提供到商业网络用户接口/装置,其中在各方面中,此类数据可由此类接口/装置的本地组件、NDS或这两者混合,以将信息的经组合显示提供到此类用户(例如,与NDS-AD中的使用和临床最终结果信息组合的来自CRM的实体信息和销售信息)。
HCP可从一个或多个NDS-PROCU功能接收数据,所述NDS-PROCU功能由监管机构例如通过医疗装置软件规章监管。例如,由NDS处理器/引擎执行的第一医疗装置软件应用程序SAMD1#678可将治疗性指示提供到HCP,而第二应用程序SAMD2#686可直接控制MA的一个或多个操作功能/参数。在MA层级处采用的其它NDS-PROCU功能可包含临床决策支持(CDS)系统(“CDSS”)。例如,第一CDSS,即CDS1#682可基于所检测MA条件而提供可能治疗选项,所述所检测MA条件由NDS-PROCU接收作为RT-MA-D,由RT-D过程#616和机器学习单元(NDS-MLU#608)分析,所述机器学习单元提取来自网络#602中的许多MA的数据、存储在NDS-MEMU#636中的历史MA数据,或这两者。NDS的这些组件与总体NDS处理器#604(或主要NDS处理器)的关系由包围此类组件的方框加强。第二示例性CDSS,即CDS2#690包括分析性支持功能,所述分析性支持功能提取自存储在患者EMR#696中的MA数据和其它数据(并且任选地,NDS将输出发送到EMR)。示例性支持功能可包含当MA设置改变看起来与基于CDSS的治疗状态不一致时提供警告、提供经建议MA设置或其它动作过程,或基于RT-D过程#616而提供警报。EMR数据通过EMR安全性单元#694以高度安全方式递送到NDS-PROCU#604,所述EMR安全性单元可包括1个或多个防火墙/过滤器,例如执行包扫描以识别具有可接受元素的数据包,同时还扫描出潜在恶意代码/病毒、加密,并且因此,NDS-PROCU#604将通常包括用于辨识EMR数据和路由此类EMR数据以避免对NDS的除经授权HCP以外的用户的存取。NDS-PROCU#604可应用路由到CDSS与SAMD过程的例如数据加标签,既仅提供个别CDSS/SAMD过程所需的此类数据,又考虑此类过程的不同监管机构状况。举例来说,不同SAMD功能(#678、#686)的安全性或准确度通常将在一个层级处(通过NDS、用户,或这两者)显示、验证和维护/审核,所述层级高于CDSS过程(#682、#690)将需要的级别(更密集/限制),尤其是对于直接控制MA处理的方面的SAMD过程。额外安全性单元(SECURU)#692,例如防火墙/过滤器,可应用于网络层级、MA层级或这两者处,以确保仅适当经加标签MA数据被递送用于每一MA和递送到每一MA功能。
研究平台/群组/网络#664类似地通常包括若干用户、用户组织,或这两者。如此处所例示,研究平台#664包括临床研究站点/装置的多个网络(在此处说明性地展示为站点1#648、站点2#652、站点3#656),所述多个网络通常表示由不同独立实体(例如,不同临床研究组织、大学医院,或参与临床研究的其它组织)管理的装置/系统/群组或甚至实体(例如,从事特定装置或临床研究的团队)内的不同网络。研究平台#664可存取的数据可受制于与商业网络#668显著不同的RR。修改数据递送、存取等以支持依从RR和其它要求(例如,合同要求)可通过例如权限/设置和应用过滤器/防火墙(或权限/设置)#660来管控,所述过滤/防火墙尤其应用于NDS-PROCU#604的输出。研究平台用户还可存取一些、大部分或一般全部NDS-PROCU功能,例如数据存储库查询过程#620,它们可允许查询存储在NDS-MEMU#636中的数据,并且它们不可被例如商业网络#668中的用户存取。查询过程可包括将一个或多个主题#632应用于含于NDS-MEMU#636的部分中的数据,所述所存储NDS数据可为例如存储在数据湖(DL)格式或EDL格式中的半非结构化数据,如其它地方所论述或例示,从而产生递送到研究平台用户的查询响应数据(查询D#640)。另外,在许多方面中不同于商业网络#668用户,在各方面中,研究平台用户将数据(例如,临床研究数据、模型化数据、研究分析性数据等)直接提供到NDS-PROCU。因此,举例来说,一些NDS分析性过程可使用来自研究平台的数据,例如在机器学习模型的开发中,其中研究平台数据是用于此类模型的信息的信息源、主信息源或唯一信息源。在给定来自研究平台的数据的研究性质的情况下,此类模型可限于某些应用程序。例如,此类数据可用于CDSS,而非适用于SAMD功能。
临床支持网络/群组/组件#624通常包括可由专业人员存取的其它装置/接口(ONDI),所述专业人员参与监测一个或多个治疗性设置中(例如,专业门诊(MA#602)、研究平台设置#644,或这两者中)的MA患者的状况。相对于临床支持组件/团队#624中的用户,来自NDS-PROCU#604的存取数据可受制于与其它类别的用户(例如,商业用户)不同的规则,此类用户具备MA/NDS数据(MA-D、NDS-AD,或这两者)的不同显示,并且因此提供与商业网络#668或研究平台#644中的用户不同的轮廓/工具/接口(通过将不同主题应用于输出上)(但可能与递送到存取MA、ONDI或这两者处的类似数据的HCP的接口有更多重叠)。可对临床后勤人员进行培训,以便当基于RT-D过程#616(对流式MA-D执行的数据分析功能)、基于MA状况信息、基于对在离线事件之后上传的本地存储的MA-D执行的过程(#612),或这两者而接收警报时,提供额外支持。在各方面中,临床后勤人员与NDS拥有者/操作者相关联(由NDS拥有者/操作者雇佣或签约)。NDS拥有者/操作者雇员和签约者可受制于法律要求,所述法律要求提供对适用RR的机密性和依从性的保证。
图7
图7示出与示例性NDS/系统存储器单元(NMEMU#702)的至少部分相关联且大多发生/含于示例性NDS/系统存储器单元的至少部分中,或以其它方式与示例性NDS/系统存储器单元的至少部分相关联的数据管理过程和数据集合#700。NMEMU接收流式实时医疗设备数据(RT-MA-D)#704和在本地存储在医疗设备存储器中的数据(LSTR-M-AD#706,又名高速缓存数据/MA-CD)两者。RT-MA-D通常以实时(或近实时)方式、以流式格式,或者以实时方式和流式格式递送。MA-CD通常周期性地、在事件(例如,离线事件,如上文所描述)发生时或者周期性地且在事件发生时通过批量数据递送进行递送,并且可与RT-MA-D组合,并且一旦流式传输可用(例如,一旦MA恢复成在线状况),就以流式方式发送。RT-MA-D通常作为半非结构化数据(SUMAD)、非结构化数据或通常其组合进行递送(例如,状况信息#730,其可作为离散数据集合进行存储并且按此进行分析,可为非结构化,但属性和值对(例如,位置:位置信息、装置类型:心脏泵等)通常作为SUMAD进行递送)。MA-CD还可作为SUMAD、结构化MA-D或这两者进行递送。SUMAD通常具有相对最小性质和有限数据关系(例如,在有限数目个记录中不超过一个级别的特征-属性关系),允许相对快速中继和数据摄取/摄取,从而促进将数据从许多输入MA传输到NDS处理器(n.s.)的数据处理。
为了促进数据完整性和可用性,此类方法可进一步包含以下步骤:清洁传入数据#708,应用元数据(加标签)#710,以及同时或此后分拣数据以供进一步处理#720。在本文中其它地方详述来自不同源的数据(来自不同类型的MA的所存储数据和RT/S数据等)的协调和其它数据改进过程。在其它地方提供用于执行此类应用程序的系统/方法。下文所描述的此类步骤和某些数据集合包含在数据库图式内,以反映其大部分、一般全部,或全部在NDS中进行/含于NDS中,大多在NDS存储器单元(NMEMU#702)中。
NDS可尤其将MA-D和NDS-AD变换、分析和分拣成影响数据的应用、对数据的存取和其它特性的多种功能类别。定时是可用于此类表征中的一个特性。例如,NDS/方法可分开地根据预先编程规则识别和应用RT-MA-D,所述RT-MA-D被认为是“当前的”#722,这将RT/流式数据分拣到在相关近期周期/“窗口”(例如,小于约5分钟、3分钟、2分钟或约1分钟,或例如≤约40秒、≤30秒、≤20秒、≤15秒、≤10秒、≤5秒、≤2秒或≤约1秒的周期)内递送的块。近期MA-D#726可表示与限定群组的不同周期相关联的不同类别的MA-D,所述不同类别的MA-D可涵盖NDS/方法(过程)中的此层级/步骤处RT-MA-D、与所述RT-MA-D重叠或与RT-MA-D区分开。将不同周期的数据分类到集合中可允许系统通常在≥2个、≥3个或更多个时间点处对此类数据执行时间相关分析。例如,NDS可对最近接收/摄取的数据执行分析(例如,自动地),并且对已存储持续仅有限周期(例如,构建足够量的数据以满足用于执行特定应用程序的最小标准)或在较长时间周期(几小时、几天、几周、几个月、几季度年/几季度,或几年)内存储的数据进行单独分析。
由NDS接收的相对原始的MA数据,例如RT-MA-D和MA-CD,可例如在分拣时通过NDS经历进一步处理,并且NDS可基于此类数据或基于AD而生成分析/AD。另外,例如,MA-CD(高速缓存数据)(有时还在诸图中展示为“F-STR-MA-D”,代表“本地存储的MA-D”)可通过验证规则(例如,最小数据时间、最小数据质量等)经历验证分析,并且此后表征为经验证MA-CD#724。机器学习模型/模块(MLM)过程可例如生成生理参数或其它类型的预测数据#728。
NDS还可基于机密性规则而表征/阻止数据。例如,PHI#732可与非PHI#734分开地阻止/分离/分类/加标签,这促进数据到例如用户/组件的高效递送,所述用户/组件可存取或接收来自可能无法存取或接收PHI的那些用户/组件(例如,商业网络组件的用户)的PHI(例如,EMR、HCP用户等)。其它级别的机密性通常还应用于NDS数据,例如可由某些用户实体等存取的数据。此类分拣可与位置/隶属(实体)数据、MA LOC/AFFIL.-D#736相关联,这还可促进位置、实体或群组层级处的分析。基于位置/隶属的NDS-AD还可以可由商业网络组件的用户存取的摘要信息或非PHI的形式呈现。在此方面和其它方面中,读者将认识到,此类数据分组可与上文所描述的其它数据分组重叠(例如,RT-MA-D将通常包括PHI)。
此类特性的组合还可用于表征/形成网络存储器#702中的其它分区,并且此类分区可受制于规则/管控策略。例如,SAMD存取分区#740限定可由SAMD存取的数据集合,所述SAMD由SAMD存取策略#742管控,并且CMD存取分区#744类似地限定由NDS根据预先编程CMD存取策略#746管理的数据集合。如其它地方所提及,SAMD策略可尤其由于RR而比CMD策略更严格。以类似方式,可限定额外数据分区,包含根据研究存取策略#750管理的研究存取分区#748和根据商业存取(Acc.)策略#754管理的商业存取分区#752。此类分区的策略可反映与此类“分区”相关联的用户可在RR和其它系统规则下生成和存取的各种存取级别和数据种类。另一数据组合可包括从EMR、MA-DISPU或这两者#738导出或被引导以递送到EMR、MA-DISPU或这两者的数据,所述数据可包含包括PHI的各种个别记录。
图8
图8是描述将不同数据分区包含/应用于NDS数据存储库/存储器单元#800的示意图。第一数据分区由入站MA-D#802(例如,RT MA-D)和MA日志数据#804构成。登入数据可包含关于任何预先编程事件发生(例如,在离线事件发生时MA-CD的传输、装置警报登记等)的任何数据,而且还可包括状况信息、与由应用程序或用户或这两者服务的动作相关的带时戳数据、由MA或MA用户(HCP)执行的动作、由应用程序采用的决策、由应用程序起始的动作、应用程序的运行时间特性,以及任何其它类型的日志数据。此分区的特征可在于仅入站外部(MA)存取(#806),保留此分区中的原始MA-D的性质(作为存储器单元的部分的此类分区可被视为可与任何其它方面组合的一般方面)。仅支持网络(NDS/云处理器单元)(内部)存取的第二分区包含例如所管理数据(#808)和所评分(#810)数据,这些数据可至少部分地从存储在第一分区中的数据导出。所管理数据和所评分数据(#808和#810)可受制于支持例如云/NDS内部存取和数据分隔的管控策略(#812)。充当沙盒#814的第三分区可为可存取以用于个别用户测试应用程序、概念证明测试等#816。第四分区包括出站数据#818,并且受制于支持数据汇出的管控策略#820,例如限制对含于总体数据单元中的其它数据的存取、适当数据到适当用户的递送、MA处的应用程序的供应等。通过元标签等将数据分拣到分区中,并且在其它地方提供实施此类数据分拣/管理、存储和检索的引擎。此类数据管控分区的包含,以及在初始摄取之后数据到此类分区中的递送,作为例如增强型数据湖的部分,可可检测地或显著地加速数据摄取和对分区中的数据执行的后续按需或条件性自动/自动应用两者。
图9
图9是展示包含MA群组和NDS#918的示例性网络#900的各种可能部分的表示,其聚焦于可在此类网络内操作的物理装置组件的类型的实例。
所例示网络表示包括若干不同的MA群组(并且因此,所包含NDS#918可有权从所述MA群组接收数据且将数据传输到所述MA群组),所述MA群组在至少一些情况下包括多种类型的不同MA,所述MA生成不同类型的MA传感器数据。为了简化描述,仅示出了几个MA群组,但在许多方面中,更多MA群组可与NDS相关联(例如,≥约5个、≥10个、≥15个、≥20个、≥25个、≥35个、≥50个或≥约100个群组包括较大数目个装置,例如≥约10个、≥15个、≥25个、≥50个、≥100个、≥150个、≥200个或≥约250个,每一群组由≥3种、≥4种、≥5种、≥7种或≥约10种类型的MA组成)。在此处所示出的,MA的第一网络/群组#902包括第一类型的MA(N1MA-1#904)中的MA,例如用于监测和控制与心脏泵相关的患者数据的组件,以及第二类型的MA(N1 MA-2#906)中的一个或多个MA,例如体外膜氧合(ECMO)系统。第二MA群组(网络2#908)包括第一和第二类型的MA(N2 MA-1#910和N2 MA-2#912)的其它单元/群组。第三示例性MA群组包括另一类型1装置(N3 MA-1#929)。全部三个MA群组将数据传输到NDS#918。为了示出各方面,N3 MA-1#929被展示为与遥测功能#931,例如Wi-Fi传输器或将信息中继到NDS#918的其它无线协议数据传输器相关联,并且一旦通过MA安全性单元(MA-SECURU#928)被清除,就接收从NDS返回的NDS-AD、控制指令等,包含显示在MA DISPU#933上的可显示信息,所述数据显示顺应由NDS生成的主题/表示。
NDS#918包括基于云的和可扩展(需求响应可缩放)系统架构,所述系统架构包括处理器“单元”(NDS-PROCU#920),所述处理器单元通常包括大规模并行、分布式、高可用性、虚拟处理器和主要由数据湖(DL)#926构成的存储器单元的关联,所述数据湖可包括增强型数据湖(EDL)或呈增强型数据湖的形式,如本文中所描述。NDS#918还包括:执行功能的分析性单元/引擎,例如数据湖应用程序#924(例如,查询引擎、主题应用引擎、预测引擎等);以及机器学习单元/模块(MLU#922),所述机器学习单元/模块执行基于机器学习的过程或包括机器学习的应用的过程。NDS#918还包括安全性单元(NSECURU#950)或与所述安全性单元相关联,所述安全性单元包括例如防火墙功能性,并且NDS与功能过滤器#954相关联,所述功能过滤器实现适合由各种其它NDS/网络组件使用的功能数据的收集和分拣。
网络的其它组件可包含多种网络存取/输入装置#958,包含膝上型计算机、平板计算机、智能手机等,它们由NDS/网络的各种用户采用。此类用户可包含系统管理员#962,所述系统管理员包含与系统的管理者/拥有者相关联的用户,所述用户监测和处理系统性能问题并且扮演其它角色,例如在监督机器学习模块中监督机器学习。临床支持件#966是另一其它网络群组/组件,其可监测患者状况,作为HCP的备份功能。研究组件/程序#970中的用户还可经由其它网络装置#958提供一些、大部分,或一般全部N-AD、MA-D,或这两者。类似地,商业群组/组件#974中的用户可经由网络装置接收选择N-AD(通常由于监管要求而不包含PHI),并且同时可从其它外部网络#978,例如客户关系管理数据库/程序接收数据,所述其它外部网络还或替代地可将数据直接中继到NDS,使得NDS可从此类其它信息源连同MA-D或其它NDS-AD的组合生成NDS-AD。从此图示可看出,本发明的网络可包括远远超过所属领域中先前所描述的任何内容的可互操作性和复杂性的水平,并且本发明的系统在被调适/被配置成并行地解决数据从此类复杂网络的此类各种构成群组的流入和数据到此类复杂网络的此类各种构成群组的输出方面是创造性地唯一的,从而实现健康护理系统/操作的许多层级处的健康护理相关信息的更好管理。
图10
图10提供尤其形成在MA #1004、NDS(由NDS-PROCU#1016表示)和其它网络/NDS组件(例如,NDS-MEMU#1052)之间的网络#1000的组件的另一图示,其聚焦于此类网络中的数据流。在所示出的所例示网络中,MA#1004尤其经由实时/流式过程(并且,至少在一些情况下,MA-CD)将视频数据#1012(例如,包括与MA或个体、个体、MA等相关联的显示器的视频录像)和半结构化MA-D(例如,JSON格式化的半结构化数据#1008),以及其它状况/登入数据传输到NDS处理单元(NDS-PROCU#1016),所述NDS处理单元可为例如基于网页/云的可缩放、高速和高度可用的处理器单元,例如本文中其它地方所例示的那些此类系统中的任一个。NDS-PROCU#1016可从ONDI,例如与分派到研究单元/群组#1020、HCP#1028和商业单元/群组#1040的用户相关联的装置接收额外输入。此类ONDI用户可经由例如电子邮件#1024或网页接口#1032(例如,移动装置应用程序、网页等)提供半结构化数据输入、结构化数据输入,或这两者。例如CRM的外部数据存储库(DR)/服务#1036既可将数据提供到商业单元用户,并且还或替代地将数据直接提供到NDS-PROCU#1016(例如,在各方面中,此类数据在中继到例如商业单元用户的系统用户上之前首先由NDS处理器处理,但在其它方面中,此类数据还或替代地在用户装置/接口层级处组合,其中此类装置直接从此类外部数据库接收数据,并且通常尤其根据NDS输出参数/控制将所述数据与NDS-AD混合)。NDS-PROCU#1016可应用各种数据集成过程#1044(例如,数据协调、验证、清洁等)、数据改进/分析过程#1048,例如预期患者生理数据的机器学习预测,作为用于健康护理管理的预测性工具,从而引起装置显示、警告,或甚至对MA的控制,然后可将此类数据存储在系统存储器组件(NDS-MEMU#1052)中,所述系统存储器组件可包括、主要包括数据湖(DL)或增强型数据湖(EDL),或基本上由数据湖或增强型数据湖组成,并且NDS还可经由可由网络/系统用户或MA DISPU#1056存取的网页显示器/其它互联网可存取的接口递送NDS-AD。如从此图示可看出,本发明的系统被配置/调适成接收和处理显著不同类型的数据的范围,并且在生成分析性信息时使用此类数据,从而将输出发送回到网络的装置或其它装置/接口。NDS处理此类各种输入的能力实现更稳固的数据收集,并且NDS通过例如包含DL来快速处理此类数据输入的能力将此类系统与先前描述的系统分开设置。
图11
图11是描述本发明的系统/网络的组件中可采用的示例性数据处理方法#1100的步骤的流程图。在此示例性方法中,MA将数据,例如流实时数据(RT-MA-D#1102)、L-STR-MA-D/MA-CD#1104、视频数据#1106(例如,MA显示器的视频,如本文中引用的阿比奥梅德专利文件中所描述)或其一些/全部的组合,任选地与其它类型的数据一起,传输到高可用性接收器#1108,所述高可用性接收器可与流式数据处理器/引擎一起工作或包括流式数据处理器/引擎,然后进一步传输到消息队列过程#1116,所述消息队列过程应用预先编程规则以用于确定各种数据输入的优先级,以用于基于此类输入的性质(例如,传输/接收时间、用于执行NDS功能的数据所需的数据性质,以及数据/对NDS过程的影响的大小)而进行处理。
就数据流、待处理数据的积压工作等而言,网络需求评估功能/步骤#1110并行地评估对NDS的需求。如果需求超过预先编程阈值,则竖直/水平资源缩放功能性#1112例如通过增加目前构成NDS-PROCU#1114的用于并行、分布式处理的可用处理器的数目来增加任一层级处的NDS资源。
在消息排队(#1116)之后、之前或期间,NDS-PROCU可将其它修改应用于传入数据,例如数据加标签#1118,以及数据清洁和协调#1122。NDS-PROCU还可包括例如异步处理功能性/协议#1120,以用于确保在考虑到NDS需要保持高度可存取且在健康护理设置中提供极快速(至少部分近实时或实时)响应性的情况下,根据包含数据需要、数据定时和对NDS功能性的数据影响同样首先处理经优先级排序数据。读者将了解,某些数据类型的此类优先级排序和此类异步处理引擎/步骤的包含表示本发明的一般方面,可与此处所提供的任何其它方法/系统方面组合。优先级排序可基于规则(例如,其中例如装置操作性或患者健康数据的数据优先于其它数据)而应用,并且通过应用如本文中所描述或所属领域中以其它方式已知的元标签或其它数据标识符来实现。NDS-PROCU还可执行其它分析或应用机器学习模块(MLM#1124),例如用于患者生理参数的预测模型、最终结果、对治疗过程的响应等。MA-D和NDS-AD可存储在NDS存储器单元中,所述NDS存储器单元通常包括数据湖#1130,所述数据湖在接收半非结构化MA-D时是高效的,同样支持功能性速度、NDS可用性等。NDS还可包括其它按需功能,例如查询功能和主题应用程序#1132,其中数据湖#1130或其它数据存储库(例如,EDL或数据库)中的数据被检索,被排序成关系数据集等。通过查询过程、MLM或其它分析性过程获得的NDS-AD可递送到ONDI或MA #1126。此概述示出各个步骤中的一些,所述步骤被执行以使系统能够高效地且以可靠方式高效地进行系统的各种所描述功能,并且将本发明的方法/系统与用于处理医疗设备数据的其它先前描述的方法/系统区分开。
图12
图12是根据各方面可在具有NDS#1200的网络中的专用类型的MA(多分区MA(MZMA)或经组合MA(CMA))的组件之间的关系的简化图示。过程/组件周围的方框指示含于CMA中或以其它方式在功能上与CMA紧密地相关联的元件。
在所示出实例中,患者(HSUB#1202)正使用包括治疗性组件#1204(例如,血液泵、ECMO等)的MA进行治疗,所述治疗性组件将一个或多个医疗治疗应用于患者/HSUB。治疗性应用程序和从传感器#1206获得的其它患者生理信息,或与治疗性组件/MA的操作相关的其它信息通常经由直接数据传输线#1208,或类似的通信构件,例如本地无线传输信道,例如安全蓝牙通信信道中继到经组合MA(CMA#1214)(又名MZMA)的数据系统。传感器#1206放置在患者身体上、在患者身体中,或在患者身体上和身体中,并且除治疗性组件相关测量结果之外,还可测量不与MA的治疗性方面的控制直接相关的其它患者生理参数,并且还经由单独直接通信线#1210与CMA通信。CMA被视为经组合MA(或MZMA),因为所述CMA包括主要或排他地专用于治疗性组件(Tx Comp)数据和功能的管理的组件的组合,以及尤其专用于非Tx功能/数据的处理的其它组件。此类装置有时也被称为多分区MA(MZMA),如其它地方所描述,特别是当组件的此类不同分区经历不同水平的网络交互性、可修改性、规章等时。
治疗性组件数据中继到治疗性组件(TxComp)处理/控制单元(Tx COMP PROCU和控件#1222),所述治疗性组件处理/控制单元是治疗性组件数据/控制分区/组件的部分,可被视为CMA的一“侧”或部分。治疗性组件“分区”(部分或“侧”)的其它组件可包含:(1)存储器单元MA-MEMU1#1224,其存储TxComp MA-D;TxComp控制RELAYU#1226,其通常在此类数据由Tx组件安全性单元(SECURU#1228)清除/筛选/授权之后将信息中继到CMA的非治疗性组件“侧”或部分;以及(2)Tx组件输入单元/状况单元#1240,其从NDS-PROCU#1250或CMA/MZMA的非治疗性功能(NTxE)“侧”接收状况信息/将状况信息接收到所述NDS-PROCU或所述非治疗性功能侧。
非治疗性功能(NTxE)组件可包含例如单独NTxE PROCU#1230、单独存储器NTxEMEMU#1232、安全性单元NTxE SECURU#1234,和中继单元NTxE RELAYU#1236,以及输入单元/接收器NTxE INPU#1238。在操作中,NTxE INPU#1238经由直达线路#1210从传感器#1206接收非治疗性控制数据,并且将此类数据递送到NTxE PROCU#1230。NTxE PROCU#1230还经由Tx Comp SECURU#1228从Tx Comp RELAYU#1226接收TxComp数据,这限制可从CMA的Tx Comp侧中继的数据。通过此类步骤/功能/组件的非限制性数据流由图中的箭头方向例示。第二安全性单元NTxE SECURU#1234可筛选从NDS-PROCU#1250递送到NTxE INPU#1238的数据,例如NTxE PROCU更新/补丁等。NDS-PROCU与Tx Comp组件之间的此类直接连接可限于仅状况数据传输或类似的NDS状况信号(例如,软件更新的可用性)。通过通向Tx Comp组件的数据流,CMA/MZMA的配置确保可参与关键生命支持功能的此类组件受保护/隔离而不受通过互联网中继的任何类型的干扰,例如计算机病毒、黑客行为,或其它有害/恶意代码。类似地,NTxE RELAYU#1236可负责将NTxF数据以及Tx Comp数据两者中继到NDS-PROCU#1250,从而产生Tx Comp组件和NDS相对于从MA到NDS的传出数据流的分离。CMA表示本发明的独立方面和本发明的网络的重要方面。适于在不同级别的网络存取、安全性等下包括若干不同组件的装置辅助确保关键生命支持系统受保护而不受未经授权存取、篡改等的影响,从而改进网络/医疗设备中的患者安全和置信度。
图13
图13提供从NDS到MA装置/系统中且通过MA装置/系统的数据流#1300的图示,所述MA装置/系统类似于图12中所描述的MZMA/CMA装置。NDS#1302传递多种数据类型,在此处包含(1)状况查询/请求#1304、(2)机器学习模块(MLM)治疗性(TRx)控制(C)-数据(D)(MLMTRxC-D)#1306;(3)诊断性预测(诊断性预测(Diag.Predn.)数据#1308,其通常还从NDS MLM的应用程序导出;(4)系统更新(Sys.Upd.)数据#1310;以及(5)无效数据(例如,在传输/处理时受损的数据)#1312。CMA包括筛选此类数据的第一安全性单元(MA SECURU1#1314);阻止无效数据#1312中继到CMA组件中,但允许其它四种类型的数据由第一MA处理器处理(MAPROCU-1(NTxCC)#1318),所述第一MA处理器在CMA的非治疗性控制方面起作用。MAPROCU-1#1318将诊断性预测信息中继到显示单元、警报组件,或这两者(未展示),但不进一步传输诊断性预测信息#1308,从而将数据流限制成仅三个数据集合,所述数据集合由第二安全性单元/过程MA SECURU2#1322接收,所述第二安全单元/过程进一步阻止系统更新数据#1310,由此保护MA PROCU-2(MZMA的治疗性控制组件TxCC#1326的部分)免受经由互联网中继消息的修改影响。因此,仅状况信息#1304和专门设计以控制治疗性控制组件#1306的操作的数据被准许流入MA-PROCU-2#1326中,由此极大地增加MA-PROCU-2的安全性。CMA/MZMA还可进一步包括物理防篡改系统#1330,所述物理防篡改系统可检测对治疗性控制单元的组件的物理存取,从而产生警报、关机或其它步骤/结果。MA-PROCU-2#1326还可直接“通过”NDS安全性单元NDS SECURU#1314(即,在通过所述NDS安全性单元进行筛选之后)或间接(A)通过NTxCC#1318将某些数据中继(#1334)到NDS#1302,后一数据流路径可能通过限制TxCC与互联网之间的直接流出通信来向TxCC的操作添加更多安全性。
图14
图14示出经组合医疗设备(CMA/MZMA)的组件的另一示例性配置#1400。治疗性(Tx)组件(TXcomp#1402)可控制医疗装置(例如,心脏泵)的操作,如其它地方所描述/例示。TXcomp#1402与连接模块#1408通信,所述连接模块经由互联网连接#1448,例如经由以太网连接#1422或Wi-Fi连接#1424,将患者病况监测功能记录和中继到NDS。在若干元件周围绘制的方框指示此类元件通常含于此非Tx组件(连接模块)中,在此非Tx组件中操作,或以其它方式与此非Tx组件紧密相关联。具体地,安全TXcomp组件#1402与连接模块#1408之间的数据通信可经由例如以下各项中继数据:(1)视频通信线(通过USB中继的视频图形阵列VGA#1404),其将与MA相关联的视频图像数据传输到连接模块,所述视频图像数据由现场可编程门阵列(FPGA#1410)接收;以及(2)第二数据通信线,其它数据通过所述第二数据通信线经由双向双绞线USB#1406中继且由USB集线器#1414接收。FPGA#1410是连接模块和MA的处理功能性的组件,并且FPGA#1410可对传入数据执行分析性功能(例如,加标签、分拣、验证、清洁、本地警报监测等)。通常,FPGA#1410可使用与经组合装置(CMA)功能的特定工作负载匹配的数据路径动态地编程/重新编程。跨越两个信道的通信通常是大体上或完全单向的,其中例如数据仅从Tx Comp#1402流动到连接模块#1408。FGPA#1410还将数据中继到USB集线器#1414,所述数据要么传输到模块上系统(SOM)#1418,以用于中继到NDS(此图中未展示),要么传输到直接存取与相关联MA的数据的其它用户。可在本地经由USB端口#1416从USB集线器#1414检索数据。视频和其它数据两者中继到连接模块存储器#1408,所述视频和其它数据可经由应用程序检索,所述应用程序将数据中继到USB集线器#1414,以用于本地装置存取,或者所述视频和其它数据可中继到模块上系统SOM#1418,以用于经由互联网#1448传输到NDS或其它用户。SOM#1418可既接收数据,又可将数据传输到互联网#1448,并且可被视为形成用于MZMA的输入/输出单元。然而,微控制器和防火墙组件#1412通常筛选传入数据,并且限制在USB集线器#1414与SOM#1418之间双向传递的数据,但特别地关于传入消息(如由虚线表示)(通常通过筛选包括传递通过防火墙组件所需的信息的专用包)。经由RS232数据处理组件#1420管理组件间通信(在MZMA/CMA的不同分区/部分的部分/组件之间),所述数据处理组件形成SOM的部分。系统的组件可存取本地连接模块存储器#1446,以用于将信息中继到本地用户(例如,经由USB端口#1416),或以用于经由互联网#1448中继到NDS,如其它地方所描述。包括此图中所例示的经组合装置系统的MA/系统#1400可提供其它地方结合其它方面所描述的经组合装置特性/功能,并且维持治疗性组件的高级别安全性,从而确保患者安全和适用监管要求依从性。
本文中所描述的各种系统中的任一个可由所属领域的技术人员修改。举例来说,RS232通信可用其它适合的组件间通信标准/装备替换;FGPA可用不同的经集成/硬件电路或处理器组件取代或扩增/与不同的经集成/硬件电路或处理器组件耦合,或者与各种应用程序特定的集成电路(ASIC)或处理器(未展示)耦合;USB集线器和端口可用其它本地通信组件、集线器和端口替换;或其任何组合。
MZMA的所例示的所示出组件反映了本发明的各种原理,特别是关于MZMA/CMA,可如何由所属领域的一般技术人员使用已知/可用的组件,例如USB端口、FPGA和微控制器以付诸实践。
图15
图15提供经组合装置(MZMA/CMA)的机械组件和数据系统组件可如何在现实世界应用中一起工作的另一描绘。具体地,所描绘的示例性网络连接#1500包括医疗设备(MA#1502)和NDS(由NDS PROCU#1510表示)。经组合装置组件#1502由以下各项构成:治疗性组件,即MA分区1#1504,其尤其控制生命支持功能且可包括/提供本地数据显示(现在展示);以及MA分区2#1506,其包括被配置/调适成执行其它功能的其它元件,所述其它功能包含接收诊断性/患者病况信息、执行分析性功能,以及尤其通过无线传输器/接收器组件将信息中继到互联网和从互联网接收信息。MA分区1安全性单元(SECURU#1514)可存在并且用于将从MA分区2#1506到MA分区1#1504的数据传输限制为仅满足格式或内容要求的某些有限形式的数据通信。MA分区2#1506可与MA分区2安全性单元(SECURU#1512)相关联,所述安全性单元还以较少限制性级别筛选数据(例如,通过采用防火墙以阻止不满足预先编程到组件中的数据标准的任何所传输数据,所述数据标准指示数据来自NDS或其它经授权数据中继器装置)。从MA分区2#1506上传的数据还可在到达NDS之前由NDS安全性单元(NDS SECURU#1508)筛选,所述NDS安全性单元可例如包括防火墙组件/系统以确保传入数据不包含计算机病毒、未经授权数据请求,或其它恶意/未经授权代码。
图16
图16示出示例性两步骤安全性协议#1602,用于控制经组合装置(CMA/MZMA)的非治疗性组件(例如,连接模块组件)的软件/操作系统元件的更新,保护患者安全,辅助依从监管要求(RR),或这两者。
MA分区2#1602在操作中执行除由相关联Tx Comp(n.s.)处置的生命支持MA控制功能之外的其它功能,例如患者生理数据的收集、NDS数据的上传和下载,以及本地处理和存储器存储功能,如其它地方所描述。有时需要/期望对MA分区2#1602的操作系统/软件进行系统更新,但对于患者安全和RR依从性、患者安全、机密性等,系统维持在安全状态中可为至关重要的。在此类方面中,当NDS确定建议/必要软件更新#1612时,NDS处理器(NDSPROCU#1610)可将更新可用信号#1613中继到MA。如同其它传入数据/消息一样,更新可用信号(UAS)#1613将由MA分区2安全性单元#1620筛选,然后在确定消息被授权之后,被允许由MA分区2组件#1602接收。UAS#1613可包含关于更新性质(关键性、受影响功能、预期更新时间以及对系统的影响等)的信息,以及版本信息、改变描述等。
MA的经授权用户可确定系统(例如,OS)更新是否被批准/寻求#1614。如果例如装置当前正由患者使用;如果装置处于研究程序,其中本地管理员/用户希望首先评估更新;或出于任何其它原因,则更新可能不被寻求。如果更新被授权/寻求#1614,则用户可通过MA使MA经由MA分区2#1602将对更新的请求#1618中继到NDS PROCU#1610。在各方面中,仅在响应于系统可用性信号而接收到此类请求或确认请求时,NDS处理器(NDS PROCU#1610)才将尝试把软件更新#1625传输到MA分区2。系统更新数据可由MA分区2SECURU#1620筛选。如果SECURU#1620确定更新数据的组件与预期规范#1630充分匹配,则根据预先编程标准,更新被允许以更新MA分区2软件#1634。在更新不被寻求#1614的情况下,MA分区2或NDS可触发一个或多个更新警告#1616(例如,特殊显示、电子邮件或到用户/管理员的文本消息等)。在更新可用的周期之后更新装置时存在延迟的情况下,特别是在更新被认为对装置安全性、装置有效性、患者安全等重要的情况下,警报还或替代地可注册在装置、其它网络装置等上。
图17
图17描绘包括若干医疗设备(MA)的网络#1700的示例性部分,示出了在各种操作状态下与NDS通信的MA,以示出本发明的系统如何在此类不同操作状态下处理来自MA的信息。具体地,第一所示出MA处于第一药物治疗(TRx1)状态#1702,并且第二MA处于第二药物治疗状态(TRx2)#1704,其中关于两个状态的相关信息(例如,不同的患者生理量度或装置性能量度、例如不同的SAMD/CDS协议的不同的装置控制,或其任何组合(ACT))被中继到NDS处理器(NDS-PROCU#1712)且从所述NDS处理器接收。第三MA被展示为处于离线状态(#1716)。第四MA并行地参与系统/网络测试,例如可缩放性/缩放测试#1706,并且中继和接收进出NDS-PROCU#1712的与此类测试相关的信息。第六MA类似地参与本地装置测试#1718。第五MA并行地参与临床试验#1708,例如测试MA类型、患者类型、疾病类型或其任何组合的新应用,并且中继和接收来自NDS-PROCU#1712的特定于临床试验的性能的信息。第七MA参与研究程序,或者研究程序用户可通过研究群组/平台ONDI#1710存取来自各种其它MA的数据。例如,研究平台用户可参与测试MA、测试NDS实施的功能(例如,新机器语言模块)或其任何组合,并且中继和接收到NDS或ONDI的与其相关的数据。研究组件#1710还可参与监测网络的其它方面的性能,例如本文中所描述的其它MA中的一个或多个的性能。
NDS处理功能(NDS-PROCU#1712)可包括用于并行地识别此类不同的数据输入和输出的组件(例如,基于从每一MA中继且可由NDS-PROCU辨识的状况信息而识别各种MA单元的状态的处理器)和用于确保NDS-AD并行地适当地路由到此类MA的组件。在许多方面中,由NDS-PROCU具体识别且并行地传达的装置状态、装置类型、位置和装置的数目是≥~100、≥~250、≥~500、≥~l,000、≥~2,500、≥~5,000、≥~10,000或≥~25,000或甚至更多(例如,≥~100,000个独特状态)。因此,适应此类网络的系统通常将包括功能数据单元的使用,所述功能数据单元提供特定装置、状况和其它信息(例如,实体信息、位置信息、装置类型等)的安全且可靠的识别。在各方面中,一些信息仅周期性地中继或重新验证、维持在NDS存储器中或ACT,以减少传入数据负载,所述传入数据负载与到NDS的流式/实时数据传输、到NDS的其它数据传输和从NDS到此类相当大MA群组的数据传输,以及数据到其它网络/NDS组件或存取NDS、MA或这两者的其它接口的中继和来自其它网络/NDS组件或其它接口的所接收数据相关联。NDS-PROCU#1712还同时执行其它分析性功能和控制功能,如其它地方所论述,例如评估一个或多个操作状态下的MA性能,并且如果通过符合或超过一个或多个阈值指示符来触发,则将一种或多种类型的警告或警报#1714中继到已知用户接口(例如,移动装置、电子邮件账户等)、MA管理员、MA显示/输出(例如,音频输出),到1个、2个或更多个用户群组/实体(例如,临床监测、研究、管理员或HCP)。来自参与系统/网络测试、装置测试等的装置的数据相对于此类网络操作层级活动进行分析,但此类数据与涉及人类个体应用程序的数据具体地分离,以确保个体应用程序数据的完整性。
NDS在此类状态下从MA接收数据并行地还处理此类数据且将NDS-AD中继到此类用户的能力允许NDS与所属领域中已知或描述的医疗装置管理系统相比提供显著改进和多样化功能,例如并行地从实际治疗、临床试验和研究组件获得治疗,并且在SAMD协议、CDS协议或这两者中采用的MLM的开发、细化和操作中使用此类数据,并行地通过准许NDS/网络测试(例如,可缩放性测试)、装置测试等来全天候(24/7)促进NDS的操作,而不影响流。
图18
图18提供本发明的网络#1800的组件的简化概述,包括不同用户群组,每一用户群组根据由NDS生成的表示/主题接收不同专用数据显示器中所呈现的NDS分析性数据(NDS-AD)。在所示出实例中,NDS处理器(NDS-PROCU#1804)从MA网络#1802中的MA接收实时/流式数据和其它数据,并且将分析性过程应用于此类传入MA-D以产生NDS-AD。过滤/引导单元/引擎(FILTERU#1806)评估NDS-AD,并且确定接收者和接收者类别(用户群组)以接收NDS-AD,且传输被配置成根据专用主题/表示填充由不同用户群组用户使用的显示器的数据,所述专用主题/表示根据预先编程指令/标准生成。具体地,健康护理提供者(HCP#1814)接收HCP接口/装置显示单元#1816上的HCP显示器,所述HCP显示器可包括MA特定的数据/患者特定的数据,例如近期实际生理参数和经预测生理参数(例如,由NDS PROCU所处理的MLM生成的近期实际心率和经预测心率),可能具有其它CDSS或SAMD应用程序输出/功能,例如治疗建议、相关调查点、可能诊断等。另一方面,商业群组用户#1820并行地接收呈商业群组显示构造#1822的NDS-AD,所述商业群组显示构造通常从NDS处理单元提取数据并且还从外部商业数据库,例如CRM(未展示)提取数据(直接地或间接地,在后一种情况下,此类数据首先由NDS接收且在中继到商业群组显示器/装置之前由NDS处理)。显示在商业显示单元(COMDISPU#1822)上的商业群组数据通常不包含PHI,并且通常包含经聚合装置数据,而非患者特定的数据/装置特定的数据。替代地,研究群组用户#1830仍并行地接收经由研究群组显示单元(研究DISPU#1832)在接口/装置上显示的不同数据,所述数据还可包括例如关于在多种条件下操作的若干不同MA、针对各种病况诊断/治疗的患者、装置、系统或网络中的数据流,或其任何组合的性能信息。因此,呈现给这些群组中的每一个、从同时经处理NDS-AD导出且并行地递送和显示的数据在内容上极不同。举例来说,研究用户可接收关于MA未经批准使用的数据,所述数据将由于RR而从HCP显示器撤销。类似地,商业用户显示器将不接收可能显示在HCP显示器上的敏感患者或IE信息。此概念可应用于额外组件、用户等,从而反映在并行地处置输入和将输出递送到多种成分时NDS的增强且较宽的性能。在各方面中,存在由来自两个或更多个此类类别的NDS分析、递送到两个或更多个类别的显示器或这两者的一些量的数据重叠。此类系统的灵活性/理解性进一步将本发明的系统与先前描述的医疗装置数据管理系统区分开。
图19
图19是展示包括重叠但不同的NDS/网络组件的一个或多个NDS中的数据分组的简单示意图#1900。所示出网络包含第一国家定义的MA网络/群组#1916,此类MA位于一个国家(例如,USA)中,并且NDS或NDS组件包括共享数据核心#1902,所述共享数据核心执行NDS的至少一些基础/基本功能,例如用于处置实时/流式数据(例如,消息传递队列、优先级排序和NDS缩放组件)的过程、数据清洁过程、装置识别和数据关联过程、分析性过程(例如,MLM)等。然而,由NDS执行的某些过程,例如与个体治疗相关的装置控制功能,受制于某些国家特定的监管分类/RR,例如SAMD#1910和SAMD2#1914,以及CDS/CDSS#1912。第二国家(例如,德国)中的MA的第二MA网络#1906还将数据递送到本地NDS或国际NDS,所述本地NDS或国际NDS包括或有权存取存在于国家一中的MA中/由所述MA利用的共享核心功能/组件#1902,而且应用第二国家特定的SAMD(此处,SAMD3#1920),所述第二国家特定的SAMD是例如由第二国家的监管机构批准的SAMD。在每一MA网络的元件周围包含阴影框以阐明此类网络的一些组件的至少部分分离。最后,第三国家(例如,日本)包括MA的第三网络#1918,所述第三网络还将数据递送到NDS或NDS组件,所述NDS或NDS组件包括或有权存取共享核心功能#1902且包括国家3特定的功能,例如SAMD4(#1930)和CDS(#1932)。国家1中的不同SAMD(SAMD 1(#1910)和2(#1914)、国家2中的SAMD3(#1920)和国家3中的SAMD4(#1930)可受制于不同监管状况、不同监管要求,并且因此可包括不同数据功能或将此类功能应用在不同MA数据上,但共享核心(#1902)意味着NDS的许多、大部分、一般全部或大体上全部功能组件在此类不同国家之间共享或重复。在此图中例示的原则可应用于涉及更多国家、地区、监管要求、装置等的更复杂系统,如本公开中所描述。此实例示出本发明的网络可如何跨越边界高效地部署,从而共享某些功能,同时还依从在供应输出功能方面的本地RR。
图20
图20描绘通过网络#2000的数据流,以及根据时间相关的数据处理规则随时间推移而进行的数据处理,从而反映本发明的某些方面。所示出过程通过随时间推移而从MA网络#2004收集数据开始#2002。在对应于例如开始后1分1秒(1:01)的时间1#2005处,实时/流式数据传输#2006到NDS#2012,并且在时间1循环的其余部分期间继续传输。在一段时间后(此处,八秒后,在1分九秒(1:09)处)的时间2#2007处,新数据循环以新循环数据到NDS#2012的传输#2008开始。在又八秒后的时间3#2009处,第三示例性数据循环以RT/流式数据的另一集/集合/单元到NDS#2012的传输#2010开始(在1:17处)。有时、大部分时间、一般始终或始终在MA:NDS网络连接的操作期间在固定数据循环中收集数据是本发明的一方面,其适用于此处所描述的任何其它方面。收集循环的使用有助于分析MA-D,因为例如在各方面中,可预期某些类型的数据根据预先编程规则在每一循环或每一数目个循环中重复(至少格式重复)。举例来说,MA可被配置成在预先编程数据循环内递送设定量的生理传感器数据、装置性能数据、装置状况数据等,所述预先编程数据循环由NDS在选择数据以进行分析时用作分析性工具。本发明的系统/方法还可包含来自较小循环的较大数据集合的收集或随时间推移的其它数据收集、事件等。
举例来说,一旦被接收,此类“循环数据”(针对流式数据集在预期传输循环中递送的数据)就可经历各种数据处理步骤/引擎,例如数据清洁(例如,通过数据清洁单元/引擎CLEANU#2014)。可根据数据验证规则评定循环数据的集合的数据有效性#2016,并且如果例如就例如数据内容和完整性而言存在足够的有效数据来收集较大数据循环(例如,数据被认为是足够的#2018),则此类数据或此类数据的集合以及其它循环数据维持或可维持在暂时性存储装置中以用于与其它数据集合组合以形成较大数据集合。例如,可评估暂时存储的循环数据是否存在最小量的数据#2020(例如,如由其中连续收集数据的最小周期测量)以用于机器学习模块(MLM#2022)的操作。在示例性实施例中,收集约五分钟的所收集循环数据(包括例如约37-38个循环的RT/流式数据)且利用暂时性存储装置/存储器维持所述数据,直到经过最小量的时间或收集到数据#2020(如此处所例示,此在从数据收集开始起六分1秒(6:01)#2019处发生)。然后,此第二较大数据集合可例如通过应用机器学习模块(MLM#2022)经历处理以生成NDS-AD,所述NDS-AD被中继回到MA网络#2004中的装置。然而,如果数据对于第二集合/聚合的形成无线#2016或不够#2018,则添加到暂时性存储装置中所保存的生长集合的数据集合可停止#2030,并且从较小集合/数据循环收集此类较大数据集合的过程再次重新开始。数据有效性的评定可基于任何数目个因素,包含例如与其它数据匹配/链接、数据的完整性(例如,跨越时间系列的连续性、预期主题等)等(例如,如通过回归分析、概率性匹配算法等确定)。在最小收集时间期间的数据收集的此终止,而非在进行评估之前在整个周期内运行过程,确保进行更多评估,因为NDS时间不会在数据集合上浪费,所述数据集合最终将不足以满足处理功能(例如,MLM#2022)的标准。如所提及,此处的精确时间是示例性的,并且此类过程可在较大或较小的时间、数据单元等的情况下和在较高阶数据集合(例如,形成较大第二集合的数个第一集合,以及形成第三集合的若干第二汇集等)的情况下执行。
图21
图21提供网络#2100的组件的另一概述,包括若干用户群组、NDS和MA,突出显示了此类NDS根据各方面将多种警告/警报提供到不同群组的不同用户的能力。
与MA1#2114相关联的所展示的第一健康护理提供者(HCP 1#2102)经由MA上的设置控件(例如,用于第一警报#2120)或经由另一网络装置/接口对用户(例如,用于第二警报#2120)或这两者建立警报/警告设置#2162,并且此类设置中继到NDS#2144。NDS还或替代地基于用户群组应用适用于例如HCP1(#2118)的处理器层级警报/警告,所述设置、警报或这两者中继到MA#2114或其它用户装置/接口,或者甚至与其它网络用户相关联的装置或接口。对警告/警报的HCP1响应#2112可指定装置组件的操作,修改NDS操作,或这两者,并且还可由各种用户群组通过HCP响应监测功能#2130,例如研究单元#2106、临床支持群组#2108、管理员#2152或者其任一个或全部的组合进行监测。因此,本地和网络设置的警告/警报两者应用于HCP1,并且HCP1响应可被监测。响应的监测可提供关于例如中继到HCP1的警报/警告的有效性、HCP1的性能或这两者的信息。与MA2#2126相关联的HCP2#2104类似地设置警报/警告设置#2128,并且NDS还设置HCP2相关警报#2122,所述警报当某些阈值满足或超过(例如,生理参数,例如血流、心率、氧含量、器官功能等,它们由与MA相关联的传感器(未展示)检测)时发送到MA2#2126。类似于HCP1,对警报/警告的HCP2响应#2124还可通过HCP监测功能#2130监测,并且此类信息中继到各种用户群组,例如临床支持、研究团队、管理员或其任何组合(例如,如针对HCP1所描述)。读者将了解,在许多网络的操作中,≥10、≥50、≥100、≥150、≥200、≥250、≥500或≥~1000个HCP和MA可在网络中,所述HCP和MA各自具有某一水平的自定义警报设置,反映了本发明的系统/网络的能力水平。读者还将理解,基于此类响应和分析(例如,改变警报条件/性质)而一般监测对警报的响应,分析此类响应且改变NDS操作、MA操作或这两者的一个或多个方面的上述和例示概念/原则是本发明的一般方面,其可与此处所描述的任何其它方面组合。
研究团队用户#2106类似地在MA#2136处提供本地警报/警告设置#2138,并且NDS还或替代地设置还显示在MA、其它用户装置/接口或这两者处的研究团队NDS层级警报/警告设置#2140。研究团队警报可与HCP警报显著不同。例如,HCP警报可限于已显示为在临床实践中有效的警报/警告设置的特定集合,而研究团队用户可参与研究新装置、条件、警报/警告媒体等的新警报/警告设置。可在开发改进的警报/警告设置、协议等的过程中监测和分析研究群组测试响应#2132,稍后可将所述研究群组测试响应部署到HCP装置/HCP。
临床支持团队/群组#2108还可在用户层级处设置临床支持警报#2134,而NDS还或替代地可具有临床支持团队/群组警报#2142,但通常临床支持将经由网页接口#2146或其它装置而非在MA层级处接收输出和设置警报。NDS#2144将MA特定的警报/警告中继到一些用户群组,而非其它用户群组,例如临床支持。
商业群组用户/装置#2110还可有时接收警报/警告,但出于监管要求原因,此类警报/警告将通常不含任何PHI,并且还可出现如下情况:此类用户将从MA的子组接收信息,例如还可出现此类用户为临床支持团队的情况。类似于临床支持,商业群组用户可设置本地警报设置#2148,并且可在NDS层级处设置警报#2156。而且,类似于临床支持,商业群组用户将通常不存取MA层级处的警报/警告,而是将通常经由网页接口#2150输入警报设置,并且通过各种用户装置(例如,手机等)接收警报/警告。
类似地,管理员群组用户#2152可通常通过网页门户/接口#2160设置个别警报/警告#2154,并且接收在NDS层级处设置的管理员类警报/警告#2158,所述管理员群组用户可包含监测/维持NDS或执行NDS功能(例如,参与监督机器学习)的专业人员。
包含上述NDS层级警告/警报的处理器单元(PROCU)功能#2161还可包含:NDS层级警报/警告设置#2162,其可包含例如与警告/警报一起提供的数据的类型或内容,或者所显示数据#2164;定时、触发或重复设置#2166(包含例如重复~3次、~4次或≥~5次);通信信道设置#2168(例如,是否通过例如电子邮件、文本消息、装置通知、自动化或手动手机电话、登入警告或其组合中继警报/警告);目标装置/接口设置#2170(例如,其中呈现/注册警报的手机、工作站等);以及警报/警告接收者群组设置#2172,其还用于接收、被建议接收或被通知特定个人、群组、装置、区域或实体等的用户或NDS层级处的警报。处理器和NDS功能包含通过本公开中所论述的方法和组件(例如,高效数据加标签、在云处理器层级处采用可缩放、高度可用和通常大规模并行分布式处理)跨越具有各种子网络、MA等的复杂网络管理此类层级的不同警报/警告设置、用户的能力。相较于先前描述的医疗装置数据管理系统,本发明的网络的高度自定义警报系统反映此类精密/复杂系统的又一区别特性。
图22
图22提供根据本发明的另一方面的包括多个机器学习模块(MLM)的网络#2200的部分的简化概述。第一类型的MA的复合物/群组(MA-1复合物#2210)将实时/流式数据和其它数据(例如,MA-CD)提供到NDS,并且此类MA-D中的至少一些由经训练的MLM处理以分析MA-1型数据MA1 MLM#2212。类似地,第二类型的MA的复合物(MA-2复合物#2218)将实时/流式MA-D或其它MA-D递送到网络,所述数据中的一些由聚焦于MA-2型数据MA2 MLM#2220的MLM处理。为了协调此类数据,特别是在患者与MA-1型装置和MA-2型装置两者接合的情况下,系统/NDS包含一个或多个主控机器学习模块#2230,其从多个MA、从MA特定的MLM,或者从多个MA且从MA特定的MLM接收原始数据,并且分析此类数据以得出数据的经组合概述和分析。主控MLM可包括监督学习组件或通过监督学习过程#2250进行训练,其中NDS管理员#2260、研究单元用户#2270或这两者可接收所提议主控MLM输出/模型和MLM调整、基础等,并且在必要时,将反馈/校正或其它监督提供到基础MLM、主控MLM或系统/网络的其它组件。主控MLM可覆写一个或多个MA特定的数据流,组合不同MA数据流以得出不同于从装置特定的MLM获得的诊断的诊断,或者确认一个或多个MA特定的数据流的结论。MLM可提供或充当不同SAMD模块的监督组件,所述SAMD模块控制MA,经由MA或特定于MA的操作将治疗方向提供到HCP,或其组合(例如,第一SAMD组件SAMD1#2240可将医疗装置应用程序提供到MA-1复合物#2210中的装置,并且第二SAMD组件SAMD 2#2246可将医疗装置应用程序提供到MA-2复合物#2218中的装置)。使用主控机器学习模块的此类原理可扩展到从额外类型的MA生成的数据;在特定患者、实体或监管要求条件下操作的MA;或其组合(所述数据可任选地首先由更具体/更低层级MLM分析,如此图中所例示)。在各方面中主控MLM可操作条件层级,其中此类MLM例如由一个或多个MA特定的MLM中的数据或MA-D触发,所述一个或多个MA特定的MLM中的数据或MA-D满足或超过预先编程阈值、触发主控MLM的审查/干预。可通过例如其它地方所描述的监督学习方法生成或改进主控MLM。将主控MLM组件包含在NDS中可提供DoS更好的患者最终结果,尤其是在患者正接受多个MA治疗的情况下,如通常患者处于危急健康病况(例如,多系统失效或多系统病况)的情况。主控MLM可基于例如与治疗性应用程序相关联的最终结果数据、传感器数据以及与各种MA和提供到NDS的其它输入相关联的数据而进行训练。用于临床诊断的机器学习方法以及相关申请/原理和方法是所属领域中已知的(参见例如US20160012349、WO2021012225、US20210098130、W02020047171、US20200357515、WO2021044431、US20200402663、US20200111570、WO2018220565、US20210202094、US10861606、US11037070、US20210065898、US20190371464、US20190348178、US20210090738、WO2019246086,以及本文中所列举的其它参考文献)。此类方法/原理和系统/组件可与结合此图所描述或本公开的任何其它部分中所提供的方面、原理和方法组合或者适于所述方面、原理和方法。本发明的系统/网络可明确地提供用于比先前可能基于先前描述的医疗数据管理系统更好地训练医疗诊断/治疗相关的机器学习应用程序的更稳固数据集,由此改进许多ML系统/方法的性能。
图23
图23描绘到示例性系统/NDS的流式数据处理器(SDP/SDE)组件中、在所述流式数据处理器组件内和来自所述流式数据处理器组件的数据流以及在摄取到NDS存储器中之前流式数据的选择性处理和分析。
数据(MA-D)从若干MA#2302发送,所述MA包含:MA-1#2301,其传输RT/S-MA-D#2303,以及MA-2#2305,其传输包括RT/S-MA-D和L-STR-MA-D/MA-CD两者#2307的数据流(例如,在离线事件之后)。为简单性和简洁性起见,本文将重点放在几个MA上,但认识到,在大多数情况下,≥10个、≥50个、≥100个、≥200个、≥500个或≥1000个一种或多种类型的MA与来自不同OND等的输入一起同时且并行地传输包括MA-D的数据。
从MA#2302(包含分别MA-1#2303和MA-2#2305)传输的大部分、一般全部,或全部MA-D可呈固定/已知半非结构化格式,以增加处理和摄取速度(例如,大部分、一般全部,或全部MA-D可以JSON文件格式化而中继/呈现/含有)。流式数据处理器(“SDP”)#2320包含流式数据(“SD”)接收器模块/组件#2321,其可被视为一种类型的输入单元(或输入单元的部分)。图中的这些和其它组件周围的方框表示这些组件/功能是SDP的部分或以其它方式与SDP紧密相关联。SDP可同时从与NDS联网的许多MA接收多个数据流。SDP接收器#2321可同时高效地接收和注册若干流(例如,从并行地传输数据的≥100个、≥200个、≥500个、≥1000个、≥2500个、≥5000个、≥10,000个、≥25,000个或≥50,000个流客户端)。SDP接收器可被视为SDP存储器的其它元件(例如流注册表文件)的方面或与所述SDP存储器的其它元件共享资源。进入SDP的通信还可包括或利用各种网络接口,所述网络接口是所属领域中已知的。
通过SDP进行的有效流处理可通过任何适合的手段实现,所述手段的实例在其它地方进行描述。例如,SDP可对所接收数据流执行并行接收,并且通常对于流中的大部分、一般全部,或全部元素,通常执行有限系列的操作(例如,内核功能)。在SDP中进行的大部分、一般全部、大体上全部,或全部处理都在SDP硬件和软件中执行,其中极少或没有对主NDS存储器(例如,数据湖/EDL主要NDS-MEMU#2360)的参考/与所述主NDS存储器的交互。在各方面中,对于流中的元素,至少RT/S-MA-D流中的元素,均匀地执行大部分、一般全部、全部流式处理器功能(即,此类数据流经历均匀流处理/均匀流式传输)。在各方面中,已知编译器组件可用于自动化和优化SDP单元中的流数据的存储器内/芯片上处理(其中SDP存储器至少在功能上与NDS的主要存储器分离)。在硬件层级处,SDP#2320可装备有例如多存储器总线系统(例如,交叉开关)(例如,一个或多个≥512MB交叉开关)和多处理器/集群处理单元,以及就物理或数据规则分离而言不同于主要系统存储器(例如,EDL)的存储器。除RT/S-MA-D和L-STR-MA-D/MA-CD之外,SDP接收器#2321还可接收非结构化数据(例如,从电子邮件或文本消息输入,n.s.)。在各方面中,来自其它系统(例如,联网的第三方CRM)的大部分、一般全部,或全部数据输入与到SDP的输入分开地处置。
组件/引擎(例如,内核)可表征为/构成SD处置程序#2322,其可为SDP的组件,并且其尤其分析传入数据流的性质,例如识别MA-CD并且将其传输到MA-CD立即分析器#2324(其还可被视为“高速缓存处理器”),所述MA-CD立即分析器是对MA-CD执行立即分析的SDP的组件;确定MA-CD中是否存在需要警报的触发操作的条件;对相关联装置进行控制;或其它NDS动作(在这方面,此组件还可被视为事件处理器)。在各方面中,对于SDP的此组件,MA-CD立即处置程序可执行或执行有限量的MA-CD和RT-D-MA-D协调/重构,以确定是否存在需要关于警告、MA控制或其它的立即动作(即,其它地方如所论述的初始分析)的立即数据。SD处置程序还可将流式数据发送到额外SDP存储器,例如SD缓冲器(例如,#2323),或者队列,以根据基于组件可用性、流负载等的处理/优先级排序规则来进行处置。在各方面中,用于接收和处理适合的数据流的已知软件系统在其它地方进行论述,所述已知软件系统可被视为SDP接收器#2321和处置程序#2322的适合组件(例如,Kafka、Apache Flink等)。SDP缓冲器#2323可由例如注册表文件/文件系统(例如所属领域中已知的种类的流注册表文件)和额外本地SDP存储器构成。
在SDP存储器中,准备好分析的流式数据由SDP分析器单元/功能#2325分析,所述SDP分析器单元/功能确定RT/S-MA-D是否包含需要触发警报、控制MA的任何数据元素,所述数据元素处于SDP控制器#2327的控制下,所述SDP控制器包括用于基于SDP过程/分析控制网络装置(例如,在供应治疗时、在控制显示器时,例如在执行CDSS功能时等)的引擎。SDP分析性过程通常仅限于某些数据元素(例如,装置数据、关键传感器数据等),并且排除存储在主要NDS存储器#2360中的其它数据元素(例如,关于任何相关联商业用户将不在此处理层级处进行分析的数据)。RT/S-MA-D和MA-CD此后或以其它方式通过输出#2328从SDP传输到NDS的其它组件。在这方面,SDP处置程序可被视为将传入到SDP的流转换成传出流/其它输出(例如,本地输出注册表文件)。
在从SDP输出之后,通常在数据清洁、协调或这两者之后,NDS存储器单元的其它组件执行数据摄取功能#2330,如本文中的其它地方所描述,从而将数据存储在例如数据湖或EDL#2360的主要NDS存储器中。SDP的此组件(以及其它)还可被视为NDS输入单元(NDS-INPU)的部分。在DL/EDL摄取之后,主要NDS处理器(n.s.)可对存储在DL/EDL(例如,如其它地方所描述的机器学习功能)中的数据中执行自动、按需或条件性地自动NDS-MEMU分析性功能#2340,并且可执行按需功能,例如数据查询过程#2350。在摄取期间应用的摄取功能#2330可包含应用元数据,特别是将元数据应用于非结构化数据,以及将不同格式和内容的传入数据分隔到EDL管理分区中。包含仅以非结构化方式接收的EDL数据或者非结构化数据和半结构化数据两者的按需查询和自动查询过程可不同于应用于半结构化数据的那些过程(例如,前者是基于关键字搜索,并且后者聚焦于属性/值对)。两种类型的查询功能可包含针对此类不同数据群组的两种类型的查询,从而生成不同NDS-AD。此类查询功能中可辨识/使用的EDL数据通常将包含未由SDP分析的数据,例如非关键传感器数据、非关键装置性能数据、商业用户关联等。
通过将例如ML过程和查询过程的资源密集型分析性过程与在SDP中执行的立即过程分离,本发明的示例性NDS可在实时或近实时状态下更频繁地操作,尽管由NDS接收并处理的传入流式数据量很大。使用例如EDL的高效主要存储器进一步确保即使是例如自动NDS-MEMU分析性过程的二线过程也可在NDS接收流式数据后几分钟内执行。
图24
图24描绘本发明的示例性系统/NDS的部分的又一示意图#2400。医疗设备(MA)#2403将数据中继到NDS并且从NDS接收数据,所述医疗设备可包含一个或多个MZMA(未展示)、单组件MA,或这两者。虽然为简单性起见,在此图中仅展示几个MA,但网络可包含≥50个、≥100个或≥1000个MA,所述MA在操作中全部同时将数据中继到NDS或从NDS接收数据,所述数据可具有不同的类型、状况、位置、附属关系等(未展示)。
进出MA#2403中的一个或多个的数据流可由装置安全性系统或防火墙#2405控制。一个或多个MA还可受到如本文中的其它地方所论述的其它防篡改保护(未展示)。在操作中,每一MA将数据(例如,呈流式数字字母数字格式、图像格式,或这两者)快速中继到NDS(NDS/MAC-DMS)(例如,以(1)~5个-15个数字字母数字消息/秒(例如,~7个-12个消息/秒,例如8个消息/秒)或者(2)每10秒-30秒(例如,每~20秒)1个图像的比率)。如果MA是可操作的,并且与NDS/MAC-DMS安全且稳定地联网,则此类通信至少大体上是连续的。大部分/全部此类通信通常经由安全互联网通信中继。
传入MA数据由NDS(NDS/MAC-DMS)的物联网(IoT)网关组件#2406接收,所述IoT网关组件可充当或包括流式数据处理器(SDP)且可被视为或被视为输入单元的组件,如本文中的其它地方所描述。网关#2406可将数字消息作为数据流#2409广播/中继到入站消息事件中心#2410。网关#2406还可同时或以其它方式并行地将消息中继到订户(例如,其它引擎、所连接数据库/系统,或ONDI)。例如,如所展示,网关#2406还将图像数据#2407中继到OCR处理模块(OCR PROC.#2408),所述OCR处理模块将图像数据的OCR可读元素转换成字母数字数据。
入站消息事件中心#2410(其还展现出SDP的元件/功能)可将包含MA数据的数据路由和选择性地中继到订户,并且处置摄取到NDS(NDS)存储器中的一些或全部方面。在后一种意义上,入站消息事件中心#2410可收集入站消息数据、任选地处理入站消息数据,并且通常在定时或条件中继基础上,经由若干同时输出流#2412中的一个将入站消息数据中继到NDS数据湖(DL)/增强型DL(EDL)#2440。此类入站输出流#2412中包括MA-D的数据集通常由一般、基本上或完全MA-D组成(即,未显著修改且不包括分析性数据)。网关#2406或消息中心#2410可在1分钟间隔-10分钟间隔、2分钟间隔-8分钟间隔、3分钟间隔-6分钟间隔、3分钟间隔-7分钟间隔、2分钟间隔-6分钟间隔或4分钟间隔-6分钟间隔(例如,约5分钟间隔)的周期中收集数据,然后将此类所收集数据反复地中继到连续/重复批次/集合/单元中的DL/EDL。入站消息和事件中心#2140通常还将包含用于在DL/EDL中的摄取之前压缩数据(例如,以所属领域中已知的AVRO格式)的能力。入站消息和事件中心#2410还可将消息或预先摄取分析性数据、命令等中继到一个或多个其它订户#2411。例如,如所示出,入站消息事件中心#2410同时将消息数据中继到所应用研究单元用户/系统/装置#2412和网络#2413中的各种其它MA(例如,发送装置命令指令、装置显示指令等)。在通过流分析引擎#2415进行分析之后,入站消息事件中心#2410还同时将SaMD相关数据#2414中继到SaMD处理器#2420。如以此方式所例示,消息中心#2410可将特定消息/数据(或数据类型)选择性地引导到NDS的各种功能单元。例如,中心可仅将HCP相关联的MA导出的MA-D中继到SaMD,并且将研究用户类MA-D路由到其它功能单元(未展示)。
流分析引擎/单元#2415可对中继到SaMD/SAMD模块#2420的流式数据执行各种数据分析性功能,包含例如数据过滤、数据清洁、数据验证、NDS管理员警告等。SaMD引擎#2420生成分析性数据(NDS-AD),例如所评分消息数据,所述分析性数据首先中继到所评分消息事件中心#2430,所述所评分消息事件中心又将所评分数据#2435中继到数据湖/EDL#2440,此类所评分消息数据从入站数据流#2412被接收且存储在DL/EDL(未展示)的不同管控分区中。作为数据变换过程的部分的数据的评分一般可应用于此处所描述的本发明的任何方面,此类评分通过例如数据与由NDS组件应用的一个或多个预先编程和可编程数据分类或验证规则的比较来应用。所评分消息事件中心#2430同时/并行地将预测数据中继到预测处置程序单元/引擎#2490,所述预测处置程序单元/引擎又将分析性数据(NDS-AD)(此处包括例如生理参数预测)中继到网页应用程序/接口#2493(例如,通过生成经格式化以供显示在网页应用程序接口上的输出)和各种网络MA以及其它网络装置和接口(ONDI)(又名OND)#2495。所中继信息还可包含输出功能,例如用于触发警报、改变装置操作等的指令。
DL/EDL#2440中的数据可自动地有规律地或以其它方式周期性地经历通过例如AVRO探测器#2450的数据压缩单元或其等效物进行的压缩,然后所压缩DL数据中继到一个或多个结构化数据库数据存储库,例如第一数据库(此处,可操作报告存储库#2460,其存储关于NDS性能的数据,包含(1)NDS的分析性处理器或其它功能组件直接接收的数据和(2)从第二关系数据库(NDS-RDB#2470)获得或接收的数据,所述数据包括从输出生成的结构化数据集,所述结构化数据集从NDS/MAC-DMS中继到网络组件)。可操作报告存储库/第一数据库中的数据还以适合于包含在关系数据库中的结构化格式(例如,包括呈各种字段的多个数据层级、记录和呈有序层次的表)存储,并且可用于使用比存储在NDS的数据存储库的其它部分中,例如在增强型数据湖中的数据结构更复杂的数据结构来执行查询、报告等,从而提供确保或增强NDS操作性的另一手段。
可操作数据健康仪表板#2480可被视为包括或对应于引擎/单元/系统的功能模块(FM),所述功能模块向系统/NDS分析员#2485提供如下能力:提供进入可操作报告存储库或在可操作报告存储库中的连续、有规律地重复、条件性地发生或按需监测数据质量。在提供数据健康(数据中的间隙、数据摄取/处理时的延迟、数据的一致性、数据修改量、数据与预期数据参数的相关性等)的各种方面的视觉指示符的任一情况下,仪表板可为递送到各种装置/接口的主题/表示,或者可为专用装置/NDS组件。使用数据视觉化仪表板,例如此所例示仪表板#2480,可手动地(例如,通过视觉检验)、自动地(通过将数据与预定标准进行比较,扫描缺失/损坏记录/数据集等,或其组合)确定数据质量问题。NDS分析员用户可在了解此类数据问题时对NDS操作的方面作出改变,以减少此类数据错误产生的可能性、严重程度或频率。类似仪表板监测方法/系统的使用可应用于任何其它方面。
如所提及,系统中继的数据可在此处中继到第二关系数据库NDS-RDB#2470,所述第二关系数据库可充当网络可见功能/输出,例如数据查询(未展示)的基础。在NDS-RDB#2470中且进入所述NDS-RDB的数据可由NDS存储器单元(NDS-MEMU)数据健康仪表板#2475存取,所述NDS存储器单元数据健康仪表板允许系统分析员#2476以及可能的其它用户(例如独立实体网络分析员)评估进入或已含于第二关系数据库中的数据。
此实例显示本发明的各种方面,包含通过NDS处理数据,在NDS分析性过程中早先分析事件,采用结构化数据库作为DL/EDL DR的补充,以及使用监测仪表板以确保系统操作中的数据质量/数据健康,这些全部反映了本发明的系统/网络的额外区别方面/特征。
图25、26、27和28
图25-28是可由MA中继到NDS且由例如SDE的NDS组件处理,存储在例如EDL的DR中并且用于生成NDS-AD的类型的示例性半非结构化数据集,所述NDS-AD又用于生成输出,例如输出应用程序(图25-28中未展示)。
图25具体地包含半结构化数据结构(JSON记录)#2500,其包含形成半结构化数据结构内的记录/字段的若干预定义属性条目#2503和对应值条目#2507。图26、27和28的数据集也是包含属性/值对的半非结构化JSON型数据集。
如图25-28中的每一个中所展示,此类数据集可包含数据集识别信息,通常提供为数据集的第一部分(如所展示),其可使得NDS组件能够使数据集与特定MA相关联且导出MA状况、所有权、位置、类型等。一般来说,本发明的方法可包含分析来自MA的数据,并且系统可被配置成从MA接收数据,所述MA包含多个数据点所述数据点含于多个不同半非结构化集合中,包括多种类型属性/值对,此类对中的至少一些包含两个、三个、四个或更多个属性的大量值,此类属性通常包含传感器数据、装置性能数据或这两者,如这些图中所例示和以下段落中所描述。
举例来说,在图25中,数据记录#2600包含第一线,包含反映数据记录的类型#2503的值“JSON”(指示数据记录是JSON格式化记录)。数据记录#2500的第一线#2510进一步包括第二值#2507,识别为“Pump_data”,表示记录涉及泵MA性能/状况信息。应注意,在任一情况下第一线中都未提供显式属性字段,这反映了在各情况下,可尤其仅基于数据记录中的位置而确定属性。
与属性“JUID”相关联的第二记录#2520包含一个记录识别信息记录/条目/值(“84000011”),其可用于将此数据集与由NDS接收的其它数据集分离。与属性“MSG_NO”相关联的第三记录#2530提供另一标识符值(“804”),在此处与特定数据集相关,将此数据集(消息)与从相同MA或在相同周期中从相同MA发送的其它数据集区分开。第四记录#2540提供MA/数据集从其中继的相关联MZMA的一个分区的时间指示符记录。第五记录#2550提供相关联MZMA的第二分区的第二时间指示符记录。与属性“CASE_ID”相关联的第六记录#2560提供第三数据集/源标识符(在此处,值“F8_0_l_0”)。
如从此示例性数据集可看出,由MA生成的SUMAD数据集可包括多个标识符,其可识别数据集(例如,与特定时间、特定MA或由特定MA执行的特定功能等相关联),并且还包括若干时间指示符,尤其是在MZMA的情况下。此类原理可被修改且应用于本发明的任何其它方面。将多个标识符包含在数据记录中可辅助数据安全性、数据分析或这两者。
图25中所展示的数据集#2500的第二部分提供与“RPM”属性#2570相关联的若干值。此例示MA可如何将装置性能数据(在此处,泵转数/分钟(RPM))包含在一个数据集或数据集的一个部分中。
图26中的数据集#2600包含类似属性#2603和值#2607记录布局以及所示出数据集的第一部分(例如,PUMP_DATA值#2610,和如上文所描述的其它标识符#2620、#2630、#2640、#2650和#2660)和含有“FVP”属性#2670的多个值的数据集中的类似识别(有时称为标头)信息两者,所述属性反映在与MZMA相关联的患者身上测量的MA传感器数据(具体地,左心室压力(“FVP”))。值记录的开始处的数据的字符串(包含多个“0”条目)可能反映可能在数据分析中丢弃的非操作状态或其它无效数据。
图27中所展示的类似半非结构化数据集#2700包含值/属性对记录#2705的集合,包含不同的识别信息和装置性能数据。具体地,第一记录“JSON”包含值“警报”#2710,将数据集识别为包含警报数据,从而实现例如当MA-D由NDS接收时通过SDE进行的快速检测。再次提供唯一消息编号和情况编号记录#2730和#2760,并且装置性能数据在此处呈注册在MA中的数据识别警报#2770的形式。
图28中所展示的半非结构化数据集#2800包含第一数据集标识符/记录#2810,以及多种系统/软件状况信息。例如,各种操作系统、软件和硬件版本提供在记录#2815、#2820、#2825、#2830、#2835、#2840、#2845、#2850和#2855中,例示了多种类型的状况信息记录可如何包含在SUMAD数据集中。此类信息可由NDS使用以确定MA是否需要更新、以理解MA的性能能力等。
在各方面中,一些或全部上述类型的MA-D组合成中继到NDS的单个数据集(例如,数据集可包含以下各项的任何组合:装置状况信息;装置性能信息;系统、软件或硬件版本信息;传感器数据,连同MA/数据集标识符的多个点)。此类数据的半非结构化性质和布局实现通过NDS/方法进行的数据的快速和高效分析/处理和存储,这在提供药物治疗或诊断的上下文中是重要的。
技术效果
所属领域的技术人员将认识到,本发明的系统和方法提供若干技术效果,从而提供迄今为止尚未可用的工具或者解决若干问题,所述问题迄今为止尚未解决或通过已知系统/方法通过使用本公开的各种技术特征以类似或足够方式解决。在本公开中的其它地方描述各种技术效果,并且在此处突出显示/加强几个特定/示例性技术效果。
本发明的一个示例性技术效果是以下能力:以实时或近实时方式安全地管理由多个分开地定位的医疗设备(MA)(例如,WAN中的MA)生成的医疗装置数据,多个分开地定位的MA各自具有与网络数据管理系统(NDS)的接口,否则这无法由一个人或一群人可行地或及时地管理,并且可从其中提取、编译、处理、以及应用或以其它方式采取行动的有用和时间敏感的数据,否则这无法由一个人或一群人可行地完成,这在本文中通过MA和NDS的技术功能解决。
在各方面中,本发明的技术效果包含并行地控制具有NDS(DCDMS)的网络中的多个联网MA的操作,此类操作控制是基于在MA离线时的周期期间存储的SMAD和高速缓存数据两者的分析以及基于此类数据的组合而执行分析性功能和控制功能。此类操作控制可包括递送治疗性指令、递送预测,或控制治疗性组件。
在此方面和其它方面中,本发明改进了网络中的医疗装置/设备的功能以及系统自身的总体功能。所述系统实现基于对从装置的受众获取的传感器数据、其它数据输入以及采集装置数据和个别装置/患者数据的历史集合的评估而同时改对进多个装置的管理。在不具有本文中所描述的本发明系统的元件的组合的情况下,此类医疗装置将不会准确地或高效地操作,并且系统的其它用户将不能够使用本发明的系统以尽可能有用且合规的方式从系统存取数据。
在各方面中,与本发明相关联的技术效果包含保护敏感MA组件免受未经授权互联网通信侵入、黑客行为等的影响,这可包括提供多组件MA(多分区MA(MZMA)),所述多组件MA包括限制性组件/分区,所述限制性组件/分区要么具有显著受限的互联网通信,要么不具有直接互联网通信。在各方面中,对此类组件的控制除网络层级动作之外还需要本地动作,例如当此类修改/升级可用时对软件修改/升级的本地请求。
在各方面中,与本发明相关联的技术效果包含以下能力:处理来自大量MA(通常不同类型的MA)的流式数据输入,所述MA与具有不同病况的不同个体相关联、在不同状态下操作等,但通过使用MPP功能提供对此类数据的实时或近实时分析,并且采用增强型数据湖存储器结构和摄取过程,以及根据由系统的处理器执行的预先编程指令的数据提示和系统缩放。在各方面中,本发明的系统和方法包含在NDSDR摄取之前或期间对摄取中的RT/S-MA-D和MA-CD执行有限初始分析,并且在适当时,基于此类初始分析而执行初始控制或输出动作。实现这一点的一种方式是通过采用多个处理系统和存储器组件(例如,包括SDP处理器和存储器以及主要处理器单元和主要存储器/DR(例如增强型数据湖)的初始SDP)。
在各方面中,与本发明相关联的技术效果包括将从对MA数据的分析生成的分析性数据并行地/同时中继到不同用户类别中的多种用户,所述用户类别包含HCP和商业/BP类用户/装置(ONDI),其中所递送数据针对此类不同用户进行定制,并且实现例如对来自递送到商业类用户的数据的PHI的编校或排除。在各方面中,技术效果还或替代地包括从研究类用户接收输入数据,并且在生成一些系统分析性数据时使用此类数据连同临床MA数据,同时还基于此类数据而分隔此类数据和分析性数据以用于依从监管要求和用于其它临床/企业目的。
举例来说,系统/方法的技术功能/益处可引起供应增强型患者护理,例如包含预测性功能性或者还或替代地新知识,从而潜在地引起预防原本预期的不良医疗事件或未来护理改进,可证明所述技术效果对健康护理操作和人类生命非常宝贵。
MA的此类示例性技术功能包含包括以下各项的MA:装置物理、可转移和可重现的计算机可读媒体(MAPTRCRM)和装置存储器(DM),所述计算机可读媒体包括用于执行装置计算机可执行指令(MACEI)的处理功能,所述装置存储器在操作中记录包括随时间推移的传感器信息的信息;装置显示单元(MA-DISPU);装置中继单元(MA-RELAYU/DDRU),其能够将包括传感器信息的实时(RT-MA-D)或所存储(MA-CD)结构化、非结构化或半结构化装置信息(MA-D)传输到NDS;装置数据输入单元(MA-INPU);以及装置数据安全性系统(MA-SECURU),其包括微控制器,所述微控制器提供包含基于所建立的经批准数据类型而限制数据的数据保护功能性。
此处所提供的本发明系统和方法包括使用多个基于时间的数据收集循环、不同定时动作和系统存储器内的不同数据管控分区,以改进数据分析质量和系统同时快速地处理来自许多装置的传入流式数据的能力。
NDS的示例性技术功能包含包括以下各项的NDS:包括NDS PTRCRM的存储器单元(NDS-MEMU),所述NDS PTRCRM进一步包括可搜索数据存储库(DR),所述可搜索数据存储库接收且存储半非结构化MA-D(SUMAD)和用于由NDS进行的功能的NDS CEI(NCEI)编码指令;NDS处理功能(NDS-PROCU),其执行NCEI;NDS数据输入单元(NDS-INPU),其可从与NDS通信的MA自动地接收数据且区分从每一MA接收的MA-D的类型(例如,RT-MA-D、MA-CD,或这两者);NDS分析性单元(NDS-ANALU),其分析实时、所存储和半非结构化MA-D以生成分析,并且进一步将此类分析应用于一个或多个NDS功能的性能;NDS装置数据协调单元(NDS-DHU),其评估MA-D是否被NDS-ANALU批准使用,并且确定此类经批准MA-D如何由NDS-ANALU使用;NDS输出处理系统(NDS-PROCU),其可基于机密性和健康护理依从性规则而自动地过滤MA-D、分析,或这两者,以用于选择性地递送到每一MA或其它网络装置/接口(ONDI),例如其它临床、非临床或研究组件;NDS数据中继单元(NDS-RELAYU),其通过互联网将特定信息安全地中继到特定目标位置,例如每一MA,所述MA是MA特定的、患者特定的,或MA特定和患者特定的,并且是具体地识别的且具有被配置成可由MA-SECURU调适的一个或多个特定数据类型,以及将包括MA-D、分析或这两者的信息中继到一个或多个ONDI,其中中继到ONDI的信息可包括来自与独立实体(IE)相关联的多个MA的信息;以及NDS所存储数据分析性功能(NDS-ANALU),其基于将一个或多个主题应用于半非结构化M-AD而生成所存储数据分析(LS-D-ANALU)。
本发明的系统和方法可集中收集、集中存储和集中分析从多个lE的独立操作MA导出的MA-D,所述操作MA一起形成MA网络,MA-D包括源自MA的多种数据,并且将基于此类数据收集和分析的信息选择性地传达到多个实体,例如临床实体、销售实体和研究实体,其中此类通信基于目标接收者轮廓而受到限制。
此类过程类似于被专利局认为包括可获专利主题的过程。例如,将此类过程与例如美国专利商标局(USPTO)指导的与可经由USPTO获得的主题合格相关的实例21中所描述的股票相关数据(股票报价)的收集和分布进行比较,由此根据所建立信息格式化协议或偏好或规则,或数据的地址/目的地将股票报价警告格式化成数据块,并且其中在通过通信信道分布到最终目的地之前根据所设置建立规范对数据进行过滤或分析。其它方面类似于例如实例21,以及如下事实:如本文中所描述,可以此类方式高速缓存数据,使得当系统处于在线状况时,数据变为可用的(例如,经传输,例如在实例中提供股票警告)。因此,此处所描述的方面提供的不仅仅是简单地组织和比较数据。如所提供USPTO实例中所例示,本发明包括:使用具有特定有限功能性的传输组件(例如,微处理器)和存储器以存储规则/设置/偏好;通过数据信道将来自第一位置的数据和相关联警告传输到至少第二位置;以及提供用于接收和解译数据或警告的机构,即使此类数据/警告是当系统的全部方面不一定在线时收集的,使得一旦建立开放通信,就传输所收集数据。
存储器和处理功能结合数据源(其作用于从来源接收的数据)的组合提供比使用数据收集技术以管理例如数据的抽象概念显著更多的内容。将此处所描述的功能特定的处理器、分析性单元、数据修改单元、存储器单元、中继单元和其它功能模块应用在单个系统内以接收、传输、管理、控制和应用来自多个单元(例如,与多个摄像机相当)的医疗数据并且集成所述医疗数据以提供有意义的不同新数据集再次提供了比数据管理的抽象概念显著更多的内容。
本文中的系统/方法的技术功能描述了对异常模式的识别和分析,这可引导或告知进一步处理,因此修改NDS用户将在不存在此类NDS或方法的情况下原本会遇到的问题;另外,此处所提供的系统和方法对于数据中的此类异常数据或模式采用校正性动作,例如通过应用校正或引导警告,具体地根据对异常数据或数据模式的识别或校正引导活动(参见例如USPTO指导,同前文献,实例46)。
根据独立地操作多个IE内的MA或表示多个IE的MA,对可由与关键生命支持功能相关联的MA生成的MA-D的集中式收集、存储和分析提供了对每一MA本地可用的额外临床监督,提供了支持临床研究、产品开发和销售工作的机会,并且进一步提供了用于借助于本文所公开的系统和方法的方面的至少半可远端控制性来改进MA产品性能的机构。
因此,技术特征的示例性元件包含:通过NDS-RELAYU/DDRU以MA-SECURU可接受的数据格式将数据连续地传输到NDS;用于识别过去MA-D、当前MA-D和经预测MA-D的NDS功能,NDS-ANALU能够基于分析而执行预测性功能且将预测性功能的结果中继到MA、ONDI,或这两者;NDS-ANALU执行作为医疗装置软件(SAMD)和非SAMD功能(NSAMD)进行监管的功能,系统根据CEI将SAMD和NSAMD功能的输出递送到MA,所述CEI反映了SAMD和NSAMD功能的适用监管状况;SAMD能够响应于一个或多个条件而改变MA的操作条件;NDS-RELAYU至少部分地基于用户角色而将MA-D、分析或这两者递送到多个GUI方案;CEI包括与传感器数据相关联的一个或多个警报条件,NDS-ANALU确定一个或多个警报条件是否由MA-D、分析或这两者触发,并且NDS基于传感器数据和经准许用户选项而使警报注册在MA中、在与网络存取装置(NAD)相关联的用户中,或者在MA和与网络存取装置相关联的用户中;MA-SECURU包括防篡改检测功能性;以及例如NDS-MEMU包括单独管控分区,所述管控分区管理各种类型的数据(例如,RT-MA-D、MA-CD或这两者、所管理数据、所评分数据或这两者、系统测试数据,以及传出数据)的存储、使用和存取。采用例如处理器和处理系统的物理组件连同通信信道和数据辨识方法以解决提供全面且有效的医疗装置数据管理的问题,所述全面且有效的医疗装置数据管理集成、管理和高效地且主动地利用全部各种数据,所述数据由复合物和调制解调器药物治疗环境内的多个医疗装置提供,本文中所提供的系统和方法解决了以合规且有效的方式安全地管理此类大量、变化的且复杂的医疗数据的问题。
技术效果可包含任何此类上述效果的组合。
示例性方面的列表
以下是本发明的示例性方面的非限制性列表,意图示出以概述形式呈现的本发明的一些实施例。类似于专利权利要求,本章节的段落中所描述的方面可参考(取决于/根据)一个或多个其它段落。读者将理解,此类参考意味着此类参考方面的特征/特性或步骤并入到提及方面中/与提及方面组合。例如,如果段落中的方面(例如,段落501/方面2)是指根据段落或所提供方面编号(例如,段落500/方面1)所述的另一方面,则应理解,除段落501/方面2中的那些之外,还存在根据段落500/方面1所述的元件、步骤或特性。
在另一方面中,本发明提供一种系统/NDS(例如,MAC-DMS),其包括:(1)流式数据处理单元,其自动地和连续地接收和处理从系统有权从其接收MA-D的多个医疗设备中继的MA-D,并且对所接收流式MA-D执行初始分析,以确定一个或多个预先编程条件是否存在于流式MA-D中,并且如果此类一个或多个条件存在,则通过执行初始功能的预先编程有限集合中的一个或多个来充当一个或多个医疗设备、一个或多个其它网络装置或这两者的控制器,所述初始功能包括中继用于控制与系统联网的一个或多个医疗设备、与NDS联网的一个或多个其它网络计算机化装置或这两者的操作的指令;(2)系统存储器组件,其包括处理器可执行指令和一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖自动地存储MA-D中的至少一些且独立于MA-D且在与MA-D不同的存取条件下进一步存储分析性数据中的至少一些,并且所述增强型数据湖包括(a)用于分拣和管理所存储数据的管控规则、(b)适用于所存储数据中的至少一些的预定数据格式化标准,或者(c)(a)和(b)两者;(3)分析性引擎,其在用户请求时、在预先编程条件发生时或在这两者发生时至少部分基于存储在增强型数据湖中的分析性数据而执行一个或多个分析性功能;(4)高速缓存MA-D处理引擎,其当高速缓存MA-D由医疗设备接收时分析高速缓存MA-D,并且确定高速缓存MA-D是否应存储在MAC-DMS存储器组件中、由分析性引擎分析,或这两者;以及(5)分析性数据控制器,其经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络计算机化装置,或这两者,一个或多个输出包括:(a)分析性数据输出;(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)联网医疗设备中的一个或多个中的一个或多个医疗设备功能、(II)与系统联网的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(III)(I)和(II)两者(方面1)。
进一步提供根据方面1所述的系统,是否系统包括进行以下操作的引擎:确定医疗设备的MA-D是否可与相同医疗设备的所接收流式MA-D组合,并且如果系统引擎确定高速缓存MA-D和流式MA-D可组合,则组合流式MA-D和高速缓存MA-D以形成混合MA-D数据集,其中由分析性引擎分析的MA-D在生成分析性数据或输出时利用混合MA-D数据集(方面2)。
还提供根据方面1或方面2所述的系统,其中(1)一个或多个输出应用程序包括用于控制以下各项的医疗设备特定的指令:(a)由与系统联网的特定医疗设备执行的一个或多个治疗性任务,(b)由特定医疗设备执行的一个或多个预防性任务,或(c)由特定医疗设备执行的一个或多个治疗性任务和一个或多个预防性任务两者;以及(2)所述系统使特定医疗设备接收、解译和执行一个或多个输出应用程序,由此基于所接收的一个或多个输出应用程序而改变患者护理条件(方面3)。
进一步提供根据方面1至3中任一项或多项所述的系统,其中所述系统(1)生成第一表示以供显示在一个或多个联网医疗设备的图形用户接口上,所述第一表示包括:(a)一个或多个经建议医疗指令,(b)与医疗设备、患者或这两者相关的分析性数据,所述分析性数据包括患者受保护健康信息,或者(c)(a)和(b)两者;以及(2)将第一表示中继到一个或多个联网医疗设备以供显示在其一个或多个图形用户接口上(方面4)。
进一步提供根据方面4所述的系统,其中所述系统进一步(3)生成第二表示以供显示在一个或多个其它网络装置的图形用户接口上,所述第二表示包括不含任何患者受保护健康信息的分析性数据;以及(4)将第二表示中继到一个或多个其它网络装置以供显示在其一个或多个图形用户接口上,其中所述系统被调适以使得在小于一分钟内执行步骤(1)-(4)(方面5)。
还提供根据方面1至5中任一项或多项所述的系统,其中(1)一个或多个数据存储库进一步包括第一关系数据库,(2)所述系统的操作(a)从分析性输出数据生成第一结构化数据集数据,以及(b)将第一结构化数据集数据存储在第一关系数据库中;其中(3)一个或多个数据存储库包括第二关系数据库,并且(4)所述系统(a)对增强型数据湖中的数据执行一个或多个分析性功能以获得分析性数据,(b)任选地结合含于第一关系数据库中的数据从此类分析性数据生成第二结构化数据集数据,以及(c)将第二结构化数据集数据存储在第二关系数据库中(方面6)。
还提供根据方面6所述的系统,其中所述系统自动地(1)(a)准备关于存储在第一关系数据库中、进入第一关系数据库或这两者的数据的质量的第三表示,并且将第三表示中继到数据网络中的一个或多个其它网络装置的图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,(b)准备关于存储在第二关系数据库中、进入第二关系数据库或这两者的数据的质量的第四表示,并且将第四表示中继到数据网络中的一个或多个其它网络装置的图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,或者(c)既(I)准备关于存储在第一关系数据库中、进入第一关系数据库或这两者的数据的质量的第三表示,又(II)将第三表示中继到数据网络中的一个或多个其它网络装置的图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,(III)准备关于存储在第二关系数据库中、进入第二关系数据库或这两者的数据的质量的第四表示,以及(IV)将第四表示中继到数据网络中的一个或多个其它网络装置的图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联;以及(2)在由第三表示、第四表示或这两者表示的数据质量指示第一关系数据库数据、第二关系数据库数据或这两者缺乏质量的情况下,将一个或多个修改应用于系统存储器中的一个或多个指令(方面7)。
进一步提供根据方面1至7中任一项或多项所述的系统,其中所述系统在操作中自动地(1)在数据收集周期内收集MA-D以形成数据集合;(2)评估数据集合是否适合于根据一个或多个预先编程标准进行分析;以及(3)如果数据集合适合于分析,则将数据集合添加到数据聚合,重复步骤(1)-(3),直到数据集合的至少十个例子添加到数据聚合,以便形成完整数据聚合;其中(4)如果在形成完整数据聚合之前确定数据集合的任何例子不适合,则所述系统自动地丢弃不完整数据聚合并且重新起始数据收集;以及(5)如果形成完整数据聚合,则所述系统使得对包括完整数据聚合的数据执行一个或多个分析性功能(方面8)。
还提供根据方面1至8中任一项或多项所述的系统,其中所述系统被调适成识别来自基于与三个或更多个独立实体相关联的联网医疗设备、基于与商业类用户相关联的若干其它网络装置或这两者的数据,并且将数据选择性地递送到一个或多个不同医疗设备、一个或多个不同其它网络装置,或这两者,从而避免机密信息的无意泄露、个人健康信息的未经授权泄露,或这两者(方面9)。
进一步提供根据方面1至9中任一项或多项所述的系统,其中所述系统被调适成识别从至少两个不同医疗设备递送的数据(例如,其中第一类型的医疗设备执行一个或多个肺部治疗性任务,并且第二类型的医疗设备执行一个或多个心血管治疗性任务)(方面10)。
本发明还提供根据方面10所述的系统,其中所述系统包括机器学习模块,其自动地应用于从第一类型的医疗设备和第二类型的医疗设备两者接收的MA-D以生成与由医疗设备执行的治疗性任务相关联的经预测患者特定的生理参数,并且将此类经预测患者特定的生理参数递送到两个不同医疗设备类型中的一个或两个的医疗设备、到其它网络装置,或其组合(方面11)。
进一步提供根据方面1至11中任一项或多项所述的系统,其中所述系统被调适成识别来自研究类用户相关联的医疗设备或其它网络装置的数据,并且被调适成应用预先编程规则、条件,或这两者,以用于通过研究用户类相关联的装置组合从与健康护理提供者相关联的医疗设备获得的MA-D以形成混合数据集,并且被调适成至少部分地基于混合数据集而执行一个或多个分析性引擎功能(方面12)。
还提供根据方面1至12中任一项或多项所述的系统,其中所述系统自动地将要求强加在MA-D上,或这两者,使得存储在增强型数据湖中的大体上全部MA-D数据集包括医疗设备源识别信息、MA-D类型信息,以及一个或多个生理参数数据集,其中每一个以预先编程的系统可辨识标准格式呈现,并且(2)增强型数据湖被调适成包括基于其中所存储的MA-D数据集、分析性数据或这两者的来源或内容的不同的数据管控分区(方面13)。
进一步提供根据方面1至13中一项或多项所述的系统,其中所述系统被调适成自动地(1)生成和应用一个或多个输出应用程序,其包括供应注册在一个或多个医疗设备、一个或多个其它网络装置或其组合处的一个或多个警报;并且(2)提供用于一个或多个警报的用户可调整触发参数、通信参数、重复参数或者其任一个或全部的组合,其中所述系统被调适以使得参数可(a)设置在本地医疗设备层级、本地其它网络装置层级或这两者处,(b)基于医疗设备类型、患者类型、用户类型或者其任一个或全部的组合而设置在系统层级处,或(c)根据(a)和(b)两者设置(方面14)。
在一个方面中,本发明提供一种用于控制数据网络中的医疗设备和其它装置的操作的计算机实施的方法,其包括:(1)提供数据网络,所述数据网络包括(a)至少5个、10个、20个、50个或100个可远端控制、可选择性操作和连接互联网的医疗设备,医疗设备中的一些、大部分或每一个包括:(I)一个或多个传感器,其检测在操作上与医疗设备相关联的任何患者的一个或多个患者相关联的生理状态,所述传感器将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的MA-D,(II)输出引擎,其经由安全互联网数据通信选择性地中继数据,(III)医疗设备存储器组件,其选择性地存储MA-D且包括处理器可执行指令,以用于分析和中继MA-D且评估医疗设备与网络之间的连接,以及(IV)医疗设备处理器,其执行医疗设备存储器组件中的指令,(b)MAC-DMS,其包括:(I)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行功能,(II)流式数据处理引擎,(III)高速缓存MA-D处理引擎,(IV)分析性引擎,以及(V)MAC-DMS存储器组件,其包括处理器可执行指令和一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖在不同存取条件下分别存储MA-D中的至少一些和分析性数据中的至少一些,以及(c)至少3个其它网络装置,每一其它网络装置(I)包括(A)处理器、(B)存储器组件和(C)可远端控制图形用户接口,并且(II)与分派到至少一个用户类别的用户相关联,其中用户类别包括(A)经授权以存取患者受保护健康信息的健康护理提供者和(B)在患者受保护健康信息的接收方面经受限制的商业用户;(2)使每一操作医疗设备从患者反复地收集传感器数据;(3)使每一操作医疗设备自动地且反复地评定安全网络连接是否可用,并且(a)当安全且稳定的网络连接可用时,经由安全互联网数据通信以大体上连续的方式将包括MA-D的数据自动地中继到MAC-DMS,或者(b)当安全且稳定的网络连接不可用,(I)将MA-D存储在医疗设备存储器组件中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)当安全且稳定的网络连接变为可用时,经由安全互联网数据通信将高速缓存MA-D中继到MAC-DMS;(4)使MAC-DMS处理器自动地使用流式数据处理引擎以(a)接收经中继流式MA-D,(b)对经中继流式MA-D执行初始分析,以及(c)如果初始分析识别经中继流式MA-D中的一个或多个预先编程条件,则执行初始功能的预先编程有限集合中的一个或多个,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络装置或这两者的操作的指令;(5)使MAC-DMS处理器使用高速缓存MA-D处理器以:(a)当高速缓存MA-D从医疗设备中继到MAC-DMS时,接收高速缓存MA-D,以及(b)确定所接收高速缓存MA-D是否适合于由分析性引擎分析、存储在一个或多个数据存储库中的至少一个中,或这两者;(6)使MAC-DMS处理器将MA-D中的至少一些自动地存储在增强型数据湖中;(7)使MAC-DMS处理器在用户请求时、在预先编程条件的发生时或在这两者发生时使用分析性引擎以对存储在增强型数据湖中的MA-D执行一个或多个分析性功能,以及(8)使MAC-DMS处理器经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络装置,或这两者,一个或多个输出包括(a)分析性数据输出,(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能、(II)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(III)(I)和(II)两者,或者(c)步骤(8)的(a)和(b)的组合(方面15)。
进一步提供一种用于控制数据网络中的医疗设备和其它装置的操作的计算机实施的方法,其包括:(1)提供数据网络,所述数据网络包括(a)至少10个可远端控制、可选择性操作和连接互联网的医疗设备,至少10个医疗设备中的每一个包括:(I)一个或多个传感器,其检测一个或多个患者相关联的生理状态并且将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的MA-D,(II)输出引擎,其经由安全互联网数据通信选择性地中继数据,(III)医疗设备存储器组件,其选择性地存储MA-D并且包括处理器可执行指令,以用于分析和中继MA-D并且评估医疗设备与网络之间的连接,以及(IV)医疗设备处理器,其执行医疗设备存储器组件中的指令,(b)MAC-DMS,其包括:(I)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行功能,(II)流式数据处理引擎,(III)高速缓存MA-D处理引擎,(IV)分析性引擎,以及(V)MAC-DMS存储器组件,其包括处理器可执行指令和一个或多个数据存储库,以及(2)使每一操作医疗设备自动地且反复地评定安全网络连接是否可用,并且(a)当安全且稳定的网络连接可用时,经由安全互联网数据通信以大体上连续的方式将包括MA-D的数据自动地中继到MAC-DMS,或者(b)当安全且稳定的网络连接不可用时,则(I)将MA-D存储在医疗设备存储器组件中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)当安全且稳定的网络连接变为可用时,经由安全互联网数据通信将高速缓存MA-D中继到MAC-DMS;(3)使MAC-DMS处理器自动地使用流式数据处理引擎以(a)接收经中继流式MA-D,(b)对从每一医疗设备接收的经中继流式MA-D执行初始分析,以及(c)如果初始分析识别经中继流式MA-D中的一个或多个预先编程条件,则执行初始功能的预先编程有限集合中的一个或多个,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络装置或这两者的操作的指令;(4)使MAC-DMS处理器使用分析性引擎以:(a)识别表示MAC-DMS操作、医疗设备操作或这两者的周期的MA-D集合以形成MA-D的第一单元,(b)分析MA-D的第一单元以确定MA-D的第一单元是否依从预先编程单元分析条件,(c)如果MA-D的第一单元依从预先编程第一单元分析条件,则添加MA-D的当前第一单元以起始MA-D的第二单元的形成,以及(d)重复步骤(a)-(c),直到(I)当前第一单元不依从预先编程第一单元分析条件或(II)MA-D的第二单元是完整的;(5)对MA-D的第二单元执行一个或多个分析性功能;以及(6)使MAC-DMS处理器基于一个或多个分析性功能的最终结果而经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备,一个或多个输出包括:(a)从第二单元生成的分析性数据,(b)一个或多个输出应用程序,其包括控制数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能的操作的指令,或(c)(a)和(b)的组合(方面16)。
本发明又进一步提供一种用于控制数据网络中的医疗设备和其它装置的操作的计算机实施的方法,其包括:(1)提供数据网络,所述数据网络包括(a)多个(例如,至少10个)可远端控制、可选择性操作和连接互联网的医疗设备,医疗设备中的每一个包括:(I)一个或多个传感器,其检测一个或多个患者相关联的生理状态并且将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的MA-D,(II)输出引擎,其经由安全互联网数据通信选择性地中继数据,(III)医疗设备存储器组件,其选择性地存储MA-D并且包括处理器可执行指令,以用于分析和中继MA-D并且评估医疗设备与网络之间的连接,以及(IV)医疗设备处理器,其执行医疗设备存储器组件中的指令,(b)医疗设备控制器和数据管理系统(“MAC-DMS”),其包括:(I)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行功能,(II)流式数据处理引擎,(III)高速缓存MA-D处理引擎,(IV)分析性引擎,以及(V)MAC-DMS存储器组件,其包括处理器可执行指令和一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖在不同存取条件下分别存储MA-D中的至少一些和分析性数据中的至少一些,以及(c)至少3个其它网络装置,每一其它网络装置(I)包括(A)处理器、(B)存储器组件和(C)可远端控制图形用户接口,并且(II)与分派到至少一个用户类别的用户相关联,其中用户类别包括(A)经授权以存取患者受保护健康信息的健康护理提供者和(B)在患者受保护健康信息的接收方面经受限制的商业用户,(2)使每一医疗设备执行一个或多个步骤以用于评定安全网络连接是否可用,并且(a)当安全且稳定的网络连接可用时,经由安全互联网数据通信以大体上连续的方式将包括MA-D的数据自动地中继到MAC-DMS,或者(b)当安全且稳定的网络连接不可用时,(I)使医疗设备执行一个或多个步骤以用于将MA-D存储在医疗设备存储器组件中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)当安全且稳定的网络连接变为可用时,使医疗设备执行一个或多个步骤以用于经由安全互联网数据通信将高速缓存MA-D中继到MAC-DMS;(3)使MAC-DMS处理器自动地使用流式数据处理引擎以(a)执行一个或多个步骤以用于接收流式MA-D,(b)对经中继流式MA-D执行初始分析,以及(c)如果初始分析识别经中继流式MA-D中的一个或多个预先编程条件,则执行一个或多个步骤以用最初针对一个或多个紧急条件的指示符的有限集合的存在而分析MA-D,并且如果此类一个或多个紧急条件存在于MA-D中,则使流式数据处理引擎执行一个或多个步骤以用于控制一个或多个医疗设备、一个或多个其它网络装置或这两者的操作;(4)使MAC-DMS处理器使用高速缓存MA-D处理器以:(a)当高速缓存MA-D从医疗设备中继到MAC-DMS时,执行一个或多个步骤以用于接收高速缓存MA-D,以及(b)执行一个或多个步骤以用于确定所接收高速缓存MA-D是否适合于通过分析性引擎进行分析、存储在一个或多个数据存储库中的至少一个中,或这两者;(5)使MAC-DMS处理器执行一个或多个步骤以用于将MA-D中的至少一些自动地存储在增强型数据湖中;(6)使MAC-DMS处理器在用户请求时、在预先编程条件发生时或在这两者发生时使用分析性引擎以执行一个或多个步骤以用于分析存储在增强型数据湖中的MA-D;以及(7)使MAC-DMS处理器执行一个或多个步骤以用于经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络装置,或这两者,一个或多个输出包括:(a)分析性数据输出,(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能、(II)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(III)(I)和(II)两者,或者(c)(a)和(b)的组合(方面17)。
本发明还提供治疗患者群体中的患者的医学病况的方法,所述方法包括:(1)提供数据网络,所述数据网络包括(a)多个可远端控制、可选择性操作和连接互联网的医疗设备,医疗设备中的每一个(I)与患者相关联并且(II)包括:(A)一个或多个传感器,其检测来自相关联任何患者的一个或多个患者相关联的生理状态并且将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的MA-D,(B)输出引擎,其经由安全互联网数据通信选择性地中继数据,(C)医疗设备存储器组件,其选择性地存储MA-D并且包括处理器可执行指令,以用于分析和中继MA-D并且评估医疗设备与网络之间的连接,以及(D)医疗设备处理器,其执行医疗设备存储器组件中的指令,(b)MAC-DMS,其包括(I)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行功能,(II)流式数据处理引擎,(III)高速缓存MA-D处理引擎,(IV)分析性引擎,以及(V)MAC-DMS存储器组件,其包括(A)处理器可执行指令和(B)一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖在分开地存储此类数据中的至少一些任何情况下且在不同存取条件下存储(i)MA-D中的至少一些、(ii)分析性数据中的至少一些,或(iii)(i)和(ii)两者,以及(iv)从与类似患者相关联的大体上类似的医疗设备获得的先前收集的MA-D分析性数据的集合,以及(c)至少3个其它网络装置,每一其它网络装置(I)包括(A)处理器、(B)存储器组件和(C)可远端控制图形用户接口,并且(II)与分派到至少一个用户类别的用户相关联,其中用户类别包括(A)经授权以存取与患者相关联的患者受保护健康信息的健康护理提供者和(B)在患者受保护健康信息的接收方面经受限制的商业用户;(2)使每一操作医疗设备从与所述操作医疗设备相关联的患者反复地收集传感器数据;(3)使医疗设备中的每一个自动地且反复地评定安全网络连接是否可用,并且(a)当安全且稳定的网络连接可用时,经由安全互联网数据通信以大体上连续的方式将包括MA-D的数据自动地中继到MAC-DMS,或者(b)当安全且稳定的网络连接不可用时,则(I)将MA-D存储在医疗设备存储器组件中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)当安全且稳定的网络连接变为可用时,经由安全互联网数据通信将高速缓存MA-D中继到MAC-DMS;(3)使MAC-DMS处理器自动地使用流式数据处理引擎以(a)接收从医疗设备中继的流式MA-D,(b)对从每一医疗设备接收的经中继流式MA-D执行初始分析,以及(c)如果初始分析识别经中继流式MA-D中的一个或多个预先编程条件,则执行初始功能的预先编程有限集合中的一个或多个,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络装置或这两者的操作的指令;(4)使MAC-DMS处理器使用高速缓存MA-D处理器以:(a)当高速缓存MA-D从医疗设备中继到MAC-DMS时,接收高速缓存MA-D,以及(b)确定所接收高速缓存MA-D是否适合于由分析性引擎分析、存储在一个或多个数据存储库中的至少一个中,或这两者;(5)使MAC-DMS处理器将MA-D中的至少一些自动地存储在增强型数据湖中;(6)使MAC-DMS处理器在用户请求时、在预先编程条件发生时或在这两者发生时使用分析性引擎以对存储在增强型数据湖中的分析性数据中的至少一些执行一个或多个分析,其中分析性引擎(a)使用由来自医疗设备的MA-D生成的分析性数据以执行分析,并且在执行分析时,(b)将来自每一医疗设备的MA-D与(I)先前收集的MA-D分析性数据、(II)预先编程标准或(III)(I)和(II)两者进行比较;以及(7)使MAC-DMS处理器经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备,一个或多个其它网络装置,或这两者,一个或多个输出包括:(a)与患者的治疗相关的分析性数据输出,其中继到(I)与患者相关联的医疗设备、(II)与关联于患者提供的健康护理相关联的另一网络装置,或(III)(I)和(II)两者,(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能、(II)数据网络的与关联于患者的医疗保健提供者相关联的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(III)(I)和(II)两者,或者(c)(a)和(b)的组合(方面18)。
本发明还提供一种用于控制数据网络中的医疗设备和其它装置的操作的计算机实施的方法,其包括:(1)提供数据网络,所述数据网络包括(a)多个可远端控制、可选择性操作和连接互联网的医疗设备,至少10个医疗设备中的每一个包括:(I)一个或多个患者交互组件,所述患者交互组件包括:(A)一个或多个物理组件,其在操作中修改相关联患者的物理条件的一个或多个方面,(B)一个或多个传感器,其检测相关联患者的一个或多个生理状态,或(C)(A)和(B)两者,(II)组件,其用于将此类信息转换成电子医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的数据,(III)输出引擎,其经由安全互联网数据通信选择性地中继数据,(IV)医疗设备存储器组件,其选择性地存储MA-D并且包括处理器可执行指令,以用于分析和中继MA-D并且评估医疗设备与网络之间的连接,以及(V)医疗设备处理器,其执行医疗设备存储器组件中的指令,(b)MAC-DMS,其包括(I)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行功能,(II)流式数据处理引擎,(III)高速缓存MA-D处理引擎,(IV)分析性引擎,以及(V)MAC-DMS存储器组件,其包括(A)处理器可执行指令和(B)一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖在分开地存储此类数据中的至少一些任何情况下且在不同存取条件下存储(i)MA-D中的至少一些、(ii)分析性数据中的至少一些,或(iii)(i)和(ii)两者,以及(iv)从大体上类似的医疗设备获得的先前收集的MA-D分析性数据的集合,以及(c)至少3个其它网络装置,每一其它网络装置(I)包括(A)处理器、(B)存储器组件和(C)可远端控制图形用户接口,并且(II)与分派到至少一个用户类别的用户相关联,其中用户类别包括(A)经授权以存取患者受保护健康信息的健康护理提供者和(B)在患者受保护健康信息的接收方面经受限制的商业用户;(2)使每一操作医疗设备反复地收集传感器数据并且将此类数据转换成MA-D;(3)使每一操作医疗设备自动地且反复地评定安全网络连接是否可用,并且(a)当安全且稳定的网络连接可用时,经由安全互联网数据通信以大体上连续的方式将包括MA-D的数据自动地中继到MAC-DMS,或者(b)当安全且稳定的网络连接不可用时,则(I)将MA-D存储在医疗设备存储器组件中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)当安全且稳定的网络连接变为可用时,经由安全互联网数据通信将高速缓存MA-D中继到MAC-DMS;(4)使MAC-DMS处理器使用高速缓存MA-D处理器以:(a)当高速缓存MA-D从医疗设备中继到MAC-DMS时,接收高速缓存MA-D,以及(b)确定所接收高速缓存MA-D是否适合于由分析性引擎分析、存储在一个或多个数据存储库中的至少一个中,或这两者;(5)使MAC-DMS处理器将MA-D中的至少一些自动地存储在增强型数据湖中;(6)使MAC-DMS处理器使用分析性引擎以通过以下各项来自动地评估网络和MAC-DMS中的医疗设备的性能:(a)针对来自每一医疗设备的MA-D评估每一医疗设备的MA-D,(b)从来自医疗设备的全部的MA-D生成分析性数据且通过将分析性数据与先前收集的MA-D分析性数据进行比较来评估分析性数据,或(c)执行(a)和(b)两者;以及(7)基于医疗设备和MAC-DMS的评估而改变医疗设备操作、MAC-DMS操作或这两者的至少一个参数(方面19)。
还提供根据方面15至19中任一项所述的方法,其中所述方法包括使MAC-DMS评估医疗设备的所接收高速缓存MA-D是否可与相同医疗设备的所接收流式MA-D组合,并且如果MAC-DMS确定高速缓存MA-D和流式MA-D可组合,则组合流式MA-D和高速缓存MA-D以形成混合MA-D数据集,其中由分析性引擎分析的MA-D包括混合MA-D数据集(方面20)。
进一步提供根据方面15至20中任一项所述的方法,其中(1)一个或多个输出应用程序包括用于控制以下各项的医疗设备特定的指令:(a)由特定医疗设备执行的一个或多个治疗性任务、(b)由特定医疗设备执行的一个或多个预防性任务,或(c)由特定医疗设备执行的一个或多个治疗性任务和一个或多个预防性任务两者;(2)特定医疗设备接收、解译和执行一个或多个输出应用程序;并且(3)特定医疗设备基于所接收的一个或多个输出应用程序而改变患者护理的一个或多个条件(方面21)。
另外提供根据方面15至21任一项或多项所述的方法,其中一个或多个输出应用程序的生成包括:(1)生成第一表示以供显示在一个或多个医疗设备的图形用户接口上,所述第一表示包括:(a)一个或多个经建议医疗指令,(b)与医疗设备、患者或这两者相关的分析性数据,所述分析性数据包括患者受保护健康信息,或者(c)(a)和(b)两者;(2)将第一表示中继到一个或多个医疗设备以供显示在其一个或多个图形用户接口上;(3)生成第二表示以供显示在一个或多个其它网络装置的图形用户接口上,所述第二表示包括不含任何患者受保护健康信息的分析性数据;以及(4)将第二表示中继到一个或多个其它网络装置以供显示在其一个或多个图形用户接口上,其中在小于一分钟内执行步骤(1)-(4)(方面22)。
进一步提供根据方面15至22中任一项或多项所述的方法,其中(1)一个或多个数据存储库进一步包括第一关系数据库;(2)所述方法包括(a)从分析性输出数据生成第一结构化数据集数据,以及(b)将第一结构化数据集数据存储在第一关系数据库中;(3)一个或多个数据存储库包括第二关系数据库,并且(4)所述方法包括(a)对增强型数据湖中的数据执行一个或多个分析性功能以获得分析性数据,(b)任选地结合含于第一关系数据库中的数据从此类分析性数据生成第二结构化数据集数据,以及(c)将第二结构化数据集数据存储在第二关系数据库中(方面23)。
还提供根据方面23所述的方法,其中所述方法包括:(1)首先(a)准备关于存储在第一关系数据库中、进入第一关系数据库或这两者的数据的质量的第三表示,并且将第三表示中继到数据网络中的一个或多个其它网络装置的图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,(b)准备关于存储在第二关系数据库中、进入第二关系数据库或这两者的数据的质量的第四表示,并且将第四表示中继到数据网络中的一个或多个其它网络装置的图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,或者(c)(I)准备关于存储在第一关系数据库中、进入第一关系数据库或这两者的数据的质量的第三表示,(II)将第三表示中继到数据网络中的一个或多个其它网络装置的图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,(III)准备关于存储在第二关系数据库中、进入第二关系数据库或这两者的数据的质量的第四表示,以及(IV)将第四表示中继到数据网络中的一个或多个其它网络装置的图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联;以及(2)此后,在由第三表示、第四表示或这两者表示的数据质量指示第一关系数据库数据、第二关系数据库数据或这两者缺乏质量的情况下,将一个或多个修改应用于MAC-DMS存储器中的一个或多个指令(方面24)。
另外提供根据方面15至24中任一项或多项所述的方法,其中医疗设备中的任何一个或多个包括一个或多个多分区医疗设备(MZMA),每一MZMA包括两个或更多个不同分区,每一分区(1)包括单独处理器,所述单独处理器处理未被至少一个其它组件的处理器处理的至少一些MA-D;以及(2)(a)从不同传感器接收信息,(b)执行不同的治疗性或预防性医疗任务,(c)从不同传感器接收信息并且执行不同的治疗性或预防性医疗任务,或者(d)执行(a)-(c)的组合或(a)-(c)中的一些或全部,其中每一MZMA中的至少一个分区与MZMA的至少一个其它分区相比经历与数据网络的一个或多个其它部分的不同水平的交互(方面25)。
还提供根据方面25所述的方法,其中一个或多个MZMA中的至少一个的至少一个分区与治疗性医疗任务的应用相关联,并且不与数据网络直接通信(方面26)。
进一步提供根据方面25或方面26所述的方法,其中至少一个或多个MZMA的至少一个分区(1)与治疗性医疗任务、预防性任务或这两者的应用相关联;(2)与MAC-DMS通信;并且(3)仅准许来自MAC-DMS的预先建立量的输入,其中对至少一个MZMA的至少一个分区中的操作系统、软件或经批准形式的MAC-DMS输入的改变需要来自至少一个MZMA的经授权操作者的本地批准(方面27)。
另外提供根据方面15至27中任一项或多项所述的方法,其中所述方法进一步包括使MAC-DMS自动地(1)在数据收集周期内收集MA-D以形成数据集合;(2)评估数据集合是否适合于根据一个或多个预先编程标准进行分析;以及(3)如果数据集合适合于分析,则将数据集合添加到数据聚合,重复步骤(1)-(3),直到数据集合的至少十个例子添加到数据聚合,以便形成完整数据聚合;其中(4)如果在形成完整数据聚合之前确定数据集合的任何例子不适合,则所述方法包括丢弃不完整数据聚合并且重新起始所述方法;以及(5)如果形成完整数据聚合,则所述方法进一步包括对包括完整数据聚合的数据执行一个或多个分析性功能(方面28)。
进一步提供根据方面15至28中任一项或多项所述的方法,其中(1)数据网络的医疗设备由至少三个不同独立实体拥有;(2)一个或多个其它网络装置的至少一个用户是商业类用户并且与MAC-DMS的拥有者合法地相关联;并且(3)提供到与一个或多个商业类用户相关联的一个或多个其它网络装置的分析性数据输出(a)包括从由多个独立实体拥有的医疗设备集合生成的数据,并且(b)排除一个或多个类别的MAC-DMS识别的独立实体机密信息(方面29)。
还提供根据方面15至29中任一项或多项所述的方法,其中(1)医疗设备包括至少两个不同医疗设备类型,医疗设备类型包括执行一个或多个肺部治疗性任务的第一类型的医疗设备和执行一个或多个心血管治疗性任务的第二类型的医疗设备,以及(2)所述方法包括将机器学习模块应用于从第一类型的医疗设备和第二类型的医疗设备两者接收的MA-D上,以生成与由医疗设备执行的治疗性任务相关联的经预测患者特定的生理参数,以及将此类经预测患者特定的生理参数递送到两个不同医疗设备类型中的一个或两个的医疗设备、到其它网络装置,或其组合(方面30)。
进一步提供根据方面15至30中任一项或多项所述的方法,其中(1)用户类别包括一个或多个研究用户类别;(2)数据网络中的一个或多个医疗设备与一个或多个研究用户类别中的一个或多个用户相关联;并且(3)所述方法包括:(a)MAC-DMS从研究用户相关联的医疗设备中的至少一些接收输入,(b)MAC-DMS将来自研究用户相关联的医疗设备中的至少一些的MA-D与从与健康护理提供者相关联的医疗设备获得的MA-D组合以形成混合数据集,以及(c)MAC-DMS至少部分地基于混合数据集而执行一个或多个分析性引擎功能(方面31)。
进一步提供根据方面15至31中任一项或多项所述的方法,其中(1)MAC-DMS变换MA-D,将要求强加在MA-D上,或这两者,使得存储在增强型数据湖中的大体上全部MA-D数据集包括医疗设备源识别信息、MA-D类型信息和一个或多个生理参数数据集,其中每一个以预先编程MAC-DMS可辨识标准格式呈现,并且(2)增强型数据湖包括不同数据管控分区,所述不同数据管控分区是基于存储在其中的MA-D数据集、分析性数据或这两者的来源或内容(方面32)。
再进一步提供根据方面15至32中任一项或多项所述的方法,其中(1)一个或多个输出应用程序包括供应注册在一个或多个医疗设备、一个或多个其它网络装置或其组合处的一个或多个警报,并且(2)用于一个或多个警报的触发参数、通信参数、重复参数或者其任一个或全部的组合(a)设置在本地医疗设备层级、本地其它网络装置层级或这两者处,(b)基于医疗设备类型、患者类型、用户类型或者其任一个或全部的组合而设置在MAC-DMS层级处,或者(c)根据(a)和(b)两者设置(方面33)。
还提供根据方面33所述的方法,其中(1)输出应用程序包括(a)作为医疗装置软件(SaMD/SAMD)由≥1个监管机构进行监管的一个或多个输出应用程序,以及(b)不作为SaMD进行监管的一个或多个输出应用程序;并且(2)所述方法包括应用一个或多个数据变换、数据管理过程、数据验证检查或者其任一个或全部的组合,以确保一个或多个SaMD应用程序依从记录在处理器可读指令中的一个或多个监管要求,所述处理器可读指令存储在MAC-DMS存储器中(方面34)。
在一个方面中,本发明提供基于互联网的数据网络,其包括:(1)多个可远端控制、可选择性操作和连接互联网的医疗设备,医疗设备中的每一个包括:(a)传感器,其检测一个或多个患者相关联的生理状态并且将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的MA-D,(b)输出引擎,其经由安全互联网数据通信选择性地中继数据,(c)医疗设备存储器组件,其选择性地存储MA-D并且包括用于一个或多个医疗设备计算机实施的数据引擎的处理器可执行指令,(d)医疗设备处理器,其执行医疗设备存储器组件中的指令,以及(e)网络状况引擎,其(I)当在操作中时,自动地反复地检查安全且稳定的互联网连接的可用性,(II)当安全且稳定的互联网连接存在时,经由此类安全且稳定的互联网连接将MA-D中的至少一些中继到一个或多个既定接收者互联网连接的系统,(III)当安全且稳定的互联网连接不存在时,使MA-D中的至少一些存储在医疗设备存储器组件中作为高速缓存MA-D,直到建立或重新建立安全且稳定的互联网连接,并且此后,将高速缓存MA-D中的至少一些中继到一个或多个接收者互联网连接的装置或系统;以及(2)医疗设备控制器和数据管理系统(“MAC-DMS”),其包括:(a)系统处理器,其读取计算机可读指令以分析数据并且执行功能,(b)流式数据处理引擎,其自动地且连续地接收和处理从医疗设备中继的MA-D,并且对所接收流式MA-D执行初始分析,以确定一个或多个预先编程条件是否存在于流式MA-D中,并且如果此类一个或多个条件存在,则通过执行初始功能的预先编程有限集合中的一个或多个来充当一个或多个医疗设备、一个或多个其它网络装置或这两者的控制器,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络计算机化装置或这两者的操作的指令,(c)MAC-DMS存储器组件,其包括处理器可执行指令和一个或多个数据存储库,一个或多个数据存储库包括增强型数据湖,所述增强型数据湖自动地存储MA-D中的至少一些,并且独立于MA-D且在与MA-D不同的存取条件下进一步存储分析性数据中的至少一些,(d)分析性引擎,其在用户请求时、在预先编程条件发生时或在这两者发生时至少部分基于存储在增强型数据湖中的分析性数据而执行一个或多个分析性功能,(e)高速缓存MA-D处理引擎,其当高速缓存MA-D由医疗设备接收时分析所述高速缓存MA-D,并且确定高速缓存MA-D是否应存储在MAC-DMS存储器组件中、由分析性引擎分析,或这两者,以及(f)网络装置控制器(分析性数据控制器),其经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络计算机化装置,或这两者,一个或多个输出包括:(I)分析性数据输出,(II)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(A)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能、(B)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(C)(A)和(B)两者;或者(III)(I)和(II)的组合(方面35)。
在另一方面中,本发明提供一种基于互联网的数据网络,其包括:(1)若干(例如,≥~10个)可远端控制、可选择性操作和连接互联网的医疗设备,医疗设备中的每一个包括:(a)一个或多个传感器,其检测一个或多个患者相关联生理状态并且将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),MA-D包括依从预先建立的半结构化数据格式的MA-D,(b)输出引擎,其经由安全互联网数据通信选择性地中继数据,(c)医疗设备存储器组件,其选择性地存储MA-D并且包括用于一个或多个医疗设备计算机实施的数据引擎的处理器可执行指令,(d)医疗设备处理器,其执行医疗设备存储器组件中的指令,(e)网络状况引擎,其(I)当在操作中时,自动地反复地检查安全且稳定的互联网连接的可用性,(II)当安全且稳定的互联网连接存在时,经由此类安全且稳定的互联网连接将MA-D中的至少一些中继到一个或多个既定接收者互联网连接的系统,(III)当安全且稳定的互联网连接不存在时,使MA-D中的至少一些存储在医疗设备存储器组件中作为高速缓存MA-D,直到建立或重新建立安全且稳定的互联网连接,并且此后,将高速缓存MA-D中的至少一些中继到一个或多个接收者互联网连接的装置或系统;以及(2)MAC-DMS包括:(a)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行功能,(b)流式数据处理引擎,其自动地且连续地接收和处理从医疗设备中继的MA-D,并且对所接收流式MA-D执行初始分析,以确定一个或多个预先编程条件是否存在于流式MA-D中,并且如果此类一个或多个条件存在,则通过执行初始功能的预先编程有限集合中的一个或多个来充当一个或多个医疗设备、一个或多个其它网络装置或这两者的控制器,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络计算机化装置或这两者的操作的指令,(c)MAC-DMS存储器组件,其包括用于一个或多个MAC-DMS实施的引擎的处理器可执行指令以及一个或多个数据存储库,一个或多个数据存储库包括:(I)增强型数据湖,其包括多个数据湖管理分区,每一数据湖管理分区与不同数据湖管理分区存取规则相关联,(II)第一关系数据库,以及(III)第二关系数据库,(d)一个或多个MA-D存储器摄取引擎,其基于一个以上预先编程标准而分析MA-D并且将MA-D记录到一个或多个数据湖管理分区,(e)分析性引擎,其在用户请求时、在预先编程条件发生时或在这两者发生时至少部分基于存储在增强型数据湖中的分析性数据而执行一个或多个分析性功能,(f)分析性数据存储器摄取引擎,其基于一个或多个预先编程条件而分析分析性数据,并且基于此类预先编程条件,记录(I)直接从第一关系数据库中的MA-D生成的分析性数据、(II)从含于第二关系数据库中的增强型数据湖中的数据生成的分析性数据,以及(III)增强型数据湖的一个或多个数据湖管理分区中的分析性数据,(g)数据存储库检验引擎,其收集关于摄取到第一关系数据库中的数据、摄入到第二关系数据库中的数据或这两者的信息,并且将此类信息中继到一个或多个图形用户接口,所述一个或多个图形用户接口可由一个或多个系统管理员存取,以及(h)网络装置控制器,其经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络计算机化装置,或这两者,一个或多个输出包括:(I)分析性数据输出,(II)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(A)数据网络的医疗设备中的一个或多个中的一个或多个医疗设备功能、(B)数据网络的其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或(C)(A)和(B)两者;或者(III)(I)和(II)的组合(方面36)。
在一个方面中,本发明提供根据方面35或方面36所述的网络,其中(1)一个或多个数据存储库进一步包括第一关系数据库;(2)所述方法包括(a)从分析性输出数据生成第一结构化数据集数据,以及(b)将第一结构化数据集数据存储在第一关系数据库中;(3)一个或多个数据存储库包括第二关系数据库;以及(4)所述系统(a)对增强型数据湖中的数据执行一个或多个分析性功能以获得分析性数据,(b)任选地结合含于第一关系数据库中的数据从此类分析性数据生成第二结构化数据集数据,以及(c)将第二结构化数据集数据存储在第二关系数据库中(方面37)。
在另一方面中,本发明提供根据方面35至37中任一项或多项所述的网络,其中医疗设备中的任何一个或多个包括一个或多个多分区医疗设备(MZMA),每一MZMA包括两个或更多个不同分区,每一分区(1)包括单独处理器,所述单独处理器处理未被至少一个其它组件的处理器处理的至少一些MA-D;以及(2)被调适成(a)从不同传感器接收信息,(b)执行不同的治疗性或预防性医疗任务,(c)从不同传感器接收信息并且执行不同的治疗性或预防性医疗任务,或者(d)执行(a)-(c)的组合或(a)-(c)中的一些或全部,其中每一MZMA中的至少一个分区与MZMA的至少一个其它分区相比经历与数据网络的一个或多个其它部分的不同水平的交互(方面38)。
进一步提供根据方面38所述的网络,其中一个或多个MZMA中的至少一个的至少一个分区与治疗性医疗任务的应用相关联,并且不与数据网络直接通信(方面39)。
还提供根据方面38或方面39所述的网络,其中至少一个或多个MZMA的至少一个分区(1)与治疗性医疗任务、预防性任务或这两者的应用相关联;(2)与MAC-DMS通信;并且(3)仅准许来自MAC-DMS的预先建立量的输入;其中对至少一个MZMA的至少一个分区中的操作系统、软件或经批准形式的MAC-DMS输入的改变需要来自至少一个MZMA的经授权操作者的本地批准(方面40)。
进一步提供根据方面35至40中任一项或多项所述的网络,其中MAC-DMS被配置成自动地(1)在数据收集周期内收集MA-D以形成数据集合;(2)评估数据集合是否适合于根据一个或多个预先编程标准进行分析;以及(3)如果数据集合适合于分析,则将数据集合添加到数据聚合,重复步骤(1)-(3),直到数据集合的至少十个例子添加到数据聚合,以便形成完整数据聚合;其中(4)如果在形成完整数据聚合之前确定数据集合的任何例子不适合,则所述方法包括丢弃不完整数据聚合并且重新起始所述方法;以及(5)如果形成完整数据聚合,则所述方法进一步包括对包括完整数据聚合的数据执行一个或多个分析性功能(方面41)。
还提供根据方面35至42中任一项或多项所述的网络,其中(1)所述医疗设备包括至少两个不同医疗设备类型,医疗设备类型包括执行一个或多个肺部治疗性任务的第一类型的医疗设备和执行一个或多个心血管治疗性任务的第二类型的医疗设备;并且(2)所述系统被调适成将机器学习模块应用于从第一类型的医疗设备和第二类型的医疗设备两者接收的MA-D上,以生成与由医疗设备执行的治疗性任务相关联的经预测患者特定的生理参数,以及将此类经预测患者特定的生理参数递送到两个不同医疗设备类型中的一个或两个的医疗设备、到其它网络装置,或其组合(方面43)。
进一步提供根据方面35至43中任一项或多项所述的网络,其中(1)(a)其它网络装置或这两者与一个或多个研究用户类别相关联;(b)数据网络中的一个或多个医疗设备与一个或多个研究用户类别中的一个或多个用户相关联;或(c)(a)和(b)两者;(2)MAC-DMS被调适成(a)从研究用户相关联的医疗设备中的至少一些接收输入,(b)将来自研究用户相关联的医疗设备中的至少一些的MA-D与从与健康护理提供者相关联的医疗设备获得的MA-D组合以形成混合数据集,以及(c)至少部分地基于混合数据集而执行一个或多个分析性引擎功能(方面44)。
还提供根据方面35至44中任一项或多项所述的网络,其中(1)所述系统/MAC-DMS被调适成生成一个或多个输出应用程序,其引起注册在一个或多个医疗设备、一个或多个其它网络装置或其组合处的一个或多个警报的操作,并且(2)所述系统/MAC-DMS可相对于警报触发参数、通信参数、重复参数或者其任一个或全部的组合编程,并且此类参数可(a)设置在本地医疗设备层级、本地其它网络装置层级或这两者处,(b)基于医疗设备类型、患者类型、用户类型或者其任一个或全部的组合而设置在MAC-DMS层级处,或者(c)根据(a)和(b)两者设置(方面45)。
进一步提供根据方面35至45的任何一个或多个方面所述的网络,其中(1)一个或多个输出应用程序包括(a)作为医疗装置软件(SaMD)由一个或多个监管机构进行监管的一个或多个输出应用程序,以及(b)不作为SaMD进行监管的一个或多个输出应用程序;并且(2)所述系统/MAC-DMS被调适成应用一个或多个数据变换、数据管理过程、数据验证检查或者其任一个或全部的组合,以确保一个或多个SaMD应用程序依从记录在处理器可读指令中的一个或多个监管要求,所述处理器可读指令存储在MAC-DMS存储器中(方面46)。
在另一方面中,本发明提供一种医疗设备,其包括:(1)高安全性分区,其包括直接互操作高安全性分区组件的集合,高安全性分区组件包括:(a)一个或多个治疗性组件,其在操作中将药物治疗应用于患者且可由所接收电子控制指令控制,(b)高安全性分区存储器组件,其包括计算机可读媒体,所述计算机可读媒体包括用于控制一个或多个高安全性分区组件的操作的多个计算机实施的指令的指令,(c)高安全性分区计算机处理器组件,其执行含于高安全性分区存储器组件中的计算机实施的指令以将电子指令发送到一个或多个治疗性组件,以控制一个或多个治疗性组件的操作,(d)高安全性分区通信组件,其(I)从(A)至少一个媒体安全性分区组件和(B)本地物理输入接收电子通信,(II)包括安全性引擎,所述安全性引擎分析从媒体分区组件接收的通信,以确保仅允许遵从一个或多个验证标准的通信控制一个或多个高安全性分区组件的操作,并且(III)将电子通信中继到(A)至少一个媒体安全性分区组件和(B)本地医疗设备输出,(e)物理防篡改系统,其限制仅经授权用户对高安全性分区存储器组件的存取,并且其中(f)高安全性分区不具有用于直接互联网通信的任何能力;以及(2)媒体安全性分区,其包括可交互操作组件的第二集合,媒体安全性分区组件包括:(a)一个或多个传感器,其测量以下各项中的一个或多个物理条件:(I)高安全性分区中的一个或多个治疗性组件的性能、(II)相关联患者的一个或多个生理条件,或(III)(I)和(II)两者作为医疗设备数据(MA-D),并且将此类测量结果转换成电可传输数据,(b)媒体安全性分区存储器组件,其包括:(I)计算机可读媒体,其包括用于控制一个或多个媒体安全性分区组件的操作的多个计算机实施的指令的指令,以及(II)用于存储MA-D的媒体安全性分区组件,以及(c)媒体安全性分区计算机处理器组件,其执行含于媒体安全性分区存储器组件中的计算机实施的指令,所述媒体安全性分区存储器组件包含:(I)网络状况引擎,其评估安全且稳定的互联网集合是否可用,并且(A)当此类连接可用时,(i)将MA-D中继到一个或多个既定互联网接收者装置并且(ii)经由安全互联网通信接收从一个或多个远端控制装置中继的指令,或(B)当此类连接不可用时,将MA-D存储在媒体分区安全性存储器组件中作为高速缓存数据,直到此类连接可用,然后将高速缓存数据中继到一个或多个既定接收者装置,以及(II)交互设备通信引擎,其从治疗性组件接收数据并且将电子指令发送到治疗性组件(方面47)。
进一步提供根据方面47所述的医疗设备,其中所述设备被配置成使得媒体分区安全性计算机处理器组件的操作系统、高安全性计算机处理器组件的操作系统或这两者仅响应于从医疗设备发送到包括用于一个或多个操作系统的软件更新的服务器的请求(拉动信号)而可通过互联网进行修改(方面48)。
还提供根据方面48所述的医疗设备,其中高安全性计算机处理器组件的操作系统被配置成仅由具有对高安全性计算机处理器组件的物理存取权限的用户修改(方面49)。
在又一方面中,本发明提供一种基于数据网络,其包括:(1)若干分开定位且至少部分可远端控制的医疗设备(MA),其与网络数据系统(NDS)大体上连续通信,MA在多个(例如,至少5个)单独的独立实体(IE)的物理控制下,所述系统的每一MA包括:(a)至少1个传感器,其在操作中检测患者的病况,(b)装置存储器,其包括物理、可转移和可重现的计算机可读媒体(PTRCRM),所述物理、可转移和可重现的计算机可读媒体包括装置计算机可执行指令(CEI)和包括随时间推移而收集的传感器信息的记录;(c)装置计算机处理组件,其用于读取装置存储器中的CEI,(d)装置显示单元,(e)装置数据中继单元,其在操作中经由互联网将装置信息(MA-D)传输到NDS,所述装置信息可包括来自MA的传感器信息,其中通过MA中继单元在操作中中继的MA-D包括实时传感器数据(RT-MA-D)、所存储传感器数据(MA-CD),或RT-MA-D和MA-CD两者,并且其中MA-D包括结构化数据和非结构化数据两者,(f)装置数据输入单元,以及(g)任选地装置数据安全性系统,其任选地包括至少1个微控制器,所述微控制器在操作中执行1个或多个数据保护功能,例如包括将数据输入限制为仅作为经批准数据类型的专门识别数据的数据;(2)网络数据系统(NDS或系统),并且(2)网络数据管理系统(NDS)包括:(1)NDS存储器单元,其包括NDS PTRCRM,所述NDS PTRCRM包括(A)接收且存储半非结构化MA数据(SUMAD)的至少一个可搜索数据存储库(DR)和(B)用于由NDS进行的功能的NDS CEI(NCEI)编码指令;(2)NDS处理功能,其执行NDS CEI,(3)NDS数据输入单元,其从与NDS通信的MA自动地接收数据并且确定从每一MA接收的MA-D是RT-MA-D、MACD,还是这两者,(4)NDS分析性单元,其分析RT-MA-D、MA-CD和SUMAD以生成分析,并且将分析应用于1个或多个NDS功能的性能,(5)任选地NDS装置数据协调单元,其评估MA-D中的RT-MA-D是否由NDS分析性单元批准使用,并且确定经批准RT-MA-D如何由NDS分析性单元使用,(6)NDS输出处理系统,其基于机密性规则、健康护理依从性规则或这两者而自动地过滤MA-D、分析,或这两者,以用于递送到数据网络中的每一MA和其它网络装置(OND),(7)NDS数据中继单元,其通过互联网将(A)特定于MA、相关联患者或这两者的信息安全地中继到每一MA,并且将(B)包括MA-D、分析或这两者的信息安全地中继到1个或多个其它网络装置/接口(OND或ONDI),其中中继到ONDI的信息包括来自与IE相关联的多个MA或从自与2个或更多个IE相关联的多个MA接收的MA-D导出的信息,以及(8)NDS分析性单元,其基于将1个或多个主题应用于SUMAD而生成分析(分析性数据)(方面50)。
一个方面是根据方面50所述的网络,其中NDS包括用于检测传入数据体积(需求)且用于响应于传入数据体积满足或超过预先编程阈值而自动地增加NDS处理器能力的引擎/单元(方面51)。
另一方面是根据方面50或方面51所述的网络,其中NDS中继单元在操作中以MA的MA安全性单元可接受的格式将NDS状况信息连续地传输到网络中的MA(方面52)。
另一方面是根据方面50至52中任一项或多项所述的网络,其中MA中的MACEI包括用于以下各项的指令:在MA并不接收到NDS可操作的指示的情况下,将MA-D存储为MA-CD,直到MA接收NDS可操作的指示(方面53)。
另一方面是根据方面50至53中任一项或多项所述的网络,其中NDS包括用于识别过去MA-D、当前MA-D和经预测MA-D的功能,并且NDS分析性单元基于分析而执行至少1个预测性功能且将预测性功能的结果中继到MA、OND,或这两者(方面54)。
一个方面是根据方面50至54中任一项或多项所述的网络,其中NDS分析性单元执行作为医疗装置软件(SAMD)和至少一个其它非SAMD功能(NSAMD)进行监管的至少一个功能,并且所述系统根据反映SAMD和NSAMD功能的适用监管状况的CEI将至少一个SAMD和至少一个NSAMD功能的输出递送到MA(方面55)。
另一方面是根据方面55所述的网络,其中至少一个SAMD包括将诊断性指令或治疗性指令提供到HCP(方面56)。
另一方面是根据方面55或方面56所述的网络,其中至少一个SAMD可响应于条件而改变MA的操作条件(方面57)。
另一方面是根据方面50至57中任一项或多项所述的网络,其中OND包括系统拥有者(SO)支持系统(SOSS),其将MA-D、分析(NDS-AD)或这两者递送到SO相关联的网络存取装置(SOANAD)(方面58)。
另一方面是根据方面58所述的网络,其中SOSS将MA-D、NDS-AD或这两者与来自客户关系管理支持系统(CRMSS)的数据组合(方面59)。
另一方面是根据方面59所述的网络,其中ONDI/NDS用户包括出售/租赁SO的网络MA的销售代表(方面60)。
另一方面是根据方面50至60中任一项或多项所述的网络,其中网络包括一个或多个研究平台(RP),其接收或递送MA-D、递送分析、或其组合到与科学研究人员(SR)相关联的网络存取装置(SRANAD)相关联的ONDI、MA,或这两者,其中SR不与SO相关联(方面61)。
另一方面是根据方面50至61中任一项或多项所述的网络,其中MA-D包括关于MA-D的操作状态的信息,并且NDS分析性单元在分析性过程中评估MA-D中的操作状态信息(方面62)。
另一方面是根据方面50至62中任一项或多项所述的网络,其中MA包括2个或更多个异质类型的MA,使得NDS在中继NDS分析或NDS输出应用程序之前确定MA装置类型(方面63)。
另一方面是根据方面50至63中任一项或多项所述的网络,其中MA的至少大部分与例如支持或治疗心血管系统、肺部、脑部或肾脏的关键生命支持功能相关联(方面64)。
另一方面是根据方面50至64中任一项或多项所述的网络,其中NDS包括机器学习模块(MLM),其分析来自异质类型的MA的MA-D并且基于异质MA MA-D的分析而执行或建议NDS的一个或多个功能的性能(方面65)。
另一方面是根据方面50至65中任一项或多项所述的网络,其中NDS包括功能模块,其可将MA-D、分析(基于MA-D的分析的分析性数据输出)或这两者直接写入到电子健康记录(方面66)。
另一方面是根据方面50至66中任一项或多项所述的网络,其中被准许从NDS中继单元传输到MA输入单元/MA的数据基本上由以下各项组成:生物特征预测性数据、指令供应或MA控制、NDS状况、MA软件版本状况,或其组合(CT)(方面67)。
另一方面是根据方面67所述的网络,其中被准许从NDS传输到MA的数据包括MA软件版本状况,但MA、系统/NDS或这两者阻止通过互联网更新MA软件,任选地准许响应于来自MA的本地起始的拉动命令而更新MA软件(方面68)。
一个方面是根据方面50至68中任一项或多项所述的网络,其中MA-D包括位置信息,并且NDS基于设施、大都市区、州/地区、国家或IE而将信息同时中继到至少2个类别的ONDI(方面69)。
另一方面是根据方面50至69中任一项或多项所述的网络,其中MA从一个或多个研究团队、使用临床应用程序中的MA的多个IE或这两者接收输入(方面70)。
另一方面是根据方面50至70中任一项或多项所述的网络,其中NDS至少部分地基于用户角色而将MA-D、分析或这两者递送到多个GUI方案(ONDI),所述用户角色包括独立研究团队成员、系统拥有者装置销售或租赁促销代理、IE用户或管理员、系统拥有者临床或医疗支持团队人员,以及系统拥有者系统分析员(方面71)。
另一方面是根据方面50至71中任一项或多项所述的网络,其中NDS CEI包括链接到传感器数据的一个或多个警报条件,NDS(例如,NDS分析性单元)确定一个或多个警报条件是否由MA-D、MA-D分析(分析/NDS-AD)或这两者触发,并且NDS基于传感器数据和用户选项而引起在MA中、在用户相关联的OND中或在MA和用户相关联的OND中注册警报(方面72)。
另一方面是根据方面50至72中任一项或多项所述的网络,其中MA包括防篡改检测组件/功能,如果受禁止的篡改事件发生,则所述防篡改检测组件/功能例如将信号发送到NDS、OND,或这两者(方面73)。
另一方面是根据方面50至73中任一项或多项所述的网络,其中MA-D包括MA、MA环境或这两者的图像,以及非图像传感器数据(方面74)。
另一方面是根据方面50至74中任一项或多项所述的网络,其中NDS存储器包括两个或更多个单独管控分区,所述单独管控分区管理对以下各项的存储、使用和存取:(a)RT-MA-D、MA-CD,或这两者;(b)所管理数据、所评分数据,或这两者;(c)系统测试数据;(d)传出数据;或(e)其一些或全部的组合(方面75)。
另一方面是根据方面50至75中任一项或多项所述的网络,其中NDS包括(a)特定国家中的MA的数据、(b)国家特定的数据管控规则,以及(c)与其它NDS共享的系统蓝图数据(方面76)。
另一方面是根据方面50至76中任一项或多项所述的网络,其中MA中继包括测序信息的包,并且NDS包括用于分析以非时间顺序次序接收的MA-CD和重新测序MA-D的时间组分的单元/功能(方面77)。
另一方面是根据方面50至77中任一项或多项所述的网络,其中NDS的一个或多个功能/单元是基于每次迭代(例如,每20秒-200秒、30秒-180秒或45秒-90秒)处理至少约20秒、30秒或60秒的MA-D,NDS包括基于NDS每至少2秒、3秒或5秒(例如,每2秒-10秒、2秒-6秒、3秒-9秒、4秒-8秒或3秒-8秒)从MA接收至少5个、8个或至少10个MA-D包的数据验证规则过程,并且NDS在任何验证规则违反发生时重新起始迭代(方面78)。
另一方面是根据方面50至78中任一项或多项所述的网络,其中由NDS在形成用于分析的数据集合时针对每一MA收集的MA-D的每一循环是数据包从MA传输到NDS的每一循环的至少约100倍、至少约250倍、至少约500倍或至少约1,000倍长(方面79)。
另一方面是根据方面50至79中任一项或多项所述的网络,其中NDS可检测非临床操作模式中的MA,并且使用此类能力以用于增强型可缩放性测试(方面80)。
在一个方面中,本发明提供一种网络,例如方面50至80中任一项或多项中所描述的网络,其中网络的MA中的至少一些是移动MA,其在操作中在至少一些时间经由例如Wi-Fi的无线通信协议将RT-MA-D传输到NDS,并且包括以下能力:检测安全/稳定通信信道是否可用;当安全/稳定的无线通信信道不可用时,收集高速缓存MA-D,以及当通信信道再次可用时,中继所存储高速缓存数据(方面81)。
另一方面是根据方面50至81中任一项或多项所述的网络,其中网络的MA中的至少一些(如果不是全部)包括提供针对一个或多个关键生命支持系统(例如,呼吸系统、心血管系统或神经系统)的治疗的MA(方面82)。
在一个方面中,本发明提供一种网络,例如方面50至82中任一项或多项中所描述的网络,其中网络的至少一些MA包括经历单独安全性分区/规则的至少2个单独组件(方面83)。
在一个方面中,本发明提供一种网络,例如方面83中所描述的网络,其中多分区MA(MZMA)中的至少一些包括提供关键生命支持系统治疗功能的高度受限的治疗性应用组件,包括物理防篡改保护,并且包括仅可本地修改的MACEI(方面84)。
在一个方面中,本发明提供一种网络,例如方面83或方面84中所描述的网络,其中网络的MA中的至少一些包括患者监测组件,所述患者监测组件包括可接收系统更新可用性的处理单元,而且还包括仅可通过到NDS的拉动请求修改的MA CEI(方面85)。
在一个方面中,根据方面50至85中任一项或多项所述的系统,本发明提供一种系统,其中所述系统包括流式数据处理器,所述流式数据处理器基于有限初始分析而在MA、ONDI或这两者处对传入数据且通过NDS触发应用程序/警报等的控制器执行有限初始分析(例如,受分析规则/数据点的设置数目限制)(方面86)。
进一步提供一种用于装置数据网络中的多个医疗装置的实时管理的方法,其包括:(1)存取多个分开定位且至少部分可远端控制的医疗设备(“MA”),其任选地在至少5个单独的独立实体(IE)的物理控制下与网络数据系统(NDS)大体上连续通信,所述系统的每一MA包括:(a)至少1个传感器,其在操作中检测患者的病况,(b)装置存储器,其包括包括装置计算机可执行指令的PTRCRM和在操作中随时间推移而记录包括传感器信息的信息的装置存储器(DM);(c)装置处理器,其读取/执行MACEI,(d)装置显示单元,(e)装置数据中继单元,其在操作中经由互联网将装置信息(MA-D)传输到NDS,所述装置信息可包括来自MA的传感器信息,其中通过MA中继单元在操作中中继的MA-D的大部分包括实时传感器数据(RT-MA-D)、所存储/高速缓存传感器数据(MA-CD),或RT-MA-D和MA高速缓存数据(MA-CD)两者,并且其中MA-D包括结构化数据和非结构化数据两者,(f)装置数据输入单元(MA-INPU),以及(g)任选的装置数据安全性系统,其任选地包括至少1个组件,例如微控制器,所述组件执行一个或多个数据保护功能,所述数据保护功能包括将数据输入限制为仅作为经批准数据类型的专门识别数据的数据;以及(2)收集从(a)医疗设备网络数据管理系统(NDS)传达的数据,所述医疗设备网络数据管理系统(I)包括NDS输入单元/引擎,所述NDS输入单元/引擎自动地接收中继到NDS的系统可接受数据,通常包括从MA中继的MA-D,(II)将所接收数据存储在包括PTRCRM的NDS存储器中,(3)包括分析性单元/引擎,所述分析性单元/引擎分析/评估所接收数据,(III)包括NDS处理器,所述NDS处理器执行含于NDS存储器中的所存储指令/CEI(例如,基于所接收MA-D的分析),并且(IV)包括NDS中继单元/引擎,所述NDS中继单元/引擎将新数据、输出功能(例如MA控制指令)或这两者传达回到网络的装置(例如,MA),其中NDS存储器包括一个或多个可查询/可搜索的数据存储库(例如,数据湖或增强型数据湖,其在任一情况下以至少部分地依从预先建立标准的格式接收且存储半非结构化MA数据(SUMAD),从而增加MA-D的处理速度(方面87)。
另一方面是根据方面87所述的方法,其中NDS包括引擎/单元,所述引擎/单元对所接收MA-D自动地执行初始分析并且基于MA-D的分析和用于控制分析性单元的操作的指令而执行一个或多个功能以分析在存储(摄取)在其中之后存储在NDS存储器中的数据,其中初始分析包括比后存储器摄取分析更少的所分析条件,自动地执行,在接收数据的短时间量内(例如,<3分钟、<2分钟、<1分钟或<0.5分钟)执行,或者其任一个或全部的组合(方面88)。
一个方面是根据方面87或方面88所述的方法,其中NDS包括装置数据协调单元/引擎,所述装置数据协调单元/引擎评估MA-D中的RT-MA-D是否呈如下格式:所述格式可批准用于由NDS分析性单元在分析数据之前进行的分析,任选地在分析之前可能的情况下修改非顺应性数据(方面89)。
一个方面是根据方面87至89中任一项或多项所述的方法,其中NDS包括输出过滤/路由引擎/单元,所述输出过滤/路由引擎/单元基于预先编程的和可编程机密性或健康护理依从性规则而自动地加标签/过滤MA-D、分析性数据、输出应用程序或其组合,以用于递送到MA或ONDI,其中NDS基于最近接收的MA-D而将信息同时中继到不同的MA、ONDI,或这两者,而不将相同的信息递送到联网的MA或ONDI中的任一个(方面90)。
一个方面是根据方面90所述的方法,其中NDS被调适成辨识MA-D,所述MA-D识别将数据递送到NDS或从NDS接收数据的每一经授权MA和ONDI,以及与此相关联的实体,从而促进保护属于实体的机密信息不被公开给与也存取网络的其它独立实体相关联的MA/ONDI(方面91)。
一个方面是根据方面87至91中任一项或多项所述的方法,其中NDS包括引擎/单元,所述引擎/单元识别从MA中继的MA-CD(高速缓存数据),并且确定此类MA-CD是否将被存储在NDS存储器中,由分析性单元使用,与RT-MA-D组合,或者其任一个或全部的组合(方面92)。
一个方面是根据方面87至92中任一项或多项所述的方法,其中NDS包括在数据分析、数据存储或这两者期间自动地筛选MA-D以用于MA-D或使MA-D遵从一个或多个主题的单元/引擎(方面93)。
一个方面是根据方面87至93中任一项或多项所述的方法,其中大部分、一般全部,或全部MA包括评估用于将MA-D中继到NDS的安全/稳定的通信信道的存在,并且其中如果此类信道不存在,则此类MA收集MA-D作为高速缓存MA-D(MA-CD),直到此类连接重新建立,并且此后,将此类高速缓存MA-D中继到NDS(方面94)。
另一方面是根据方面94所述的方法,其中NDS包括将NDS状况信息自动地且有规律地/连续地传输到网络中的MA的单元/引擎,并且MA包括当此类信号不被接收时收集MA-D且每当信号接下来被接收时中继此类所收集高速缓存MA-D的CEI(方面95)。
另一方面是根据方面87至95中任一项或多项所述的方法,其中NDS包括用于识别过去MA-D、当前MA-D和经预测MA-D的引擎/单元,并且NDS分析性单元基于MA-D的分析而执行至少1个预测性功能且将预测性功能的结果中继到MA、OND,或这两者(方面96)。
另一方面是根据方面87至96中任一项或多项所述的方法,其中NDS执行作为医疗装置软件(SAMD)和至少一个其它非SAMD功能(NSAMD)进行监管的至少一个功能,并且所述NDS/系统根据反映SAMD和NSAMD功能的适用监管状况的CEI将至少一个SAMD和至少1个NSAMD功能的输出递送到MA(方面97)。
在另一方面中,本发明提供一种方法,例如方面97中所描述的方法,其中至少一个SAMD包括将诊断性指令或治疗性指令提供到HCP(方面98)。
在另一方面中,本发明提供一种方法,例如方面97或方面98中所描述的方法,其中至少一个SAMD响应于MA-D或分析中所反映的条件而改变MA的操作条件(方面99)。
另一方面是根据方面87至99中任一项或多项所述的方法,其中ONDI包括将MA-D、分析或这两者递送到SOANAD的系统拥有者(SO)支持系统(SOSS)(方面100)。
在一个方面中,本发明提供一种方法,例如方面100中所描述的方法,其中SOSS将MA-D、分析或这两者与来自CRMS的数据组合(方面101)。
在额外方面,本发明提供一种方法,例如方面101中所描述的方法,其中用户包括代表系统拥有者出售或租赁装置的销售代表(方面102)。
在另一方面中,本发明提供一种方法,例如方面87至102中任一项或多项中所描述的方法,其中网络包括研究平台(RP),所述研究平台包括与科学研究人员(SR)相关联的网络存取装置(SRANAD)相关联的MA或OND,其中SR不与SO相关联,并且从SRANAD接收的数据用于至少一些分析功能(方面103)。
在另一方面中,本发明提供一种方法,例如方面87至103中任一项或多项中所描述的方法,其中MA-D包括关于MA-D的操作状态的信息,并且NDS评估在执行分析、递送输出或这两者时的MA操作状态信息(方面104)。
在另一方面中,本发明提供一种方法,例如方面87至104中任一项或多项中所描述的方法,其中MA包括2个或更多个异质类型的MA,并且NDS在执行分析、中继输出或这两者之前确定装置每一MA的类型(方面105)。
另一方面是根据方面87至105中任一项或多项所述的方法,其中网络的MA的至少大部分与例如支持或治疗心血管系统、肺部、脑部或肾脏的关键生命支持功能相关联(方面106)。
在一个方面中,本发明提供一种方法,例如方面87至106中任一项或多项中所描述的方法,其中NDS包括机器学习模块(MLM),其分析来自异质类型的MA的MA-D并且基于异质MA MA-D的分析而执行或建议NDS的一个或多个功能的性能(方面107)。
另一方面是根据方面87至106中任一项或多项所述的方法,其中NDS包括可将MA-D、分析或这两者直接写入到EHR/EMR的功能模块(方面108)。
另一方面是根据方面87至108中任一项或多项所述的方法,其中DM被调适成仅从MA接收输入(方面109)。
在另一方面中,本发明提供一种方法,例如方面87至109中任一项或多项中所描述的方法,其中被准许从NDS传输到至少一些MA的数据基本上由以下各项组成:生物特征预测数据、指令供应或MA控制、NDS状况、MA软件版本状况,或其组合(方面110)。
在一个方面中,本发明提供一种方法,例如方面110中所描述的方法,其中被准许从NDS传输的数据包括MD软件版本状况,但系统/NDS、MA或这两者阻止通过互联网更新MA软件(例如,产生需要MA软件的手动/本地更新的警报或指示符的信息、调用用于软件的更新的拉动信号等)(方面111)。
另一方面是根据方面87至111中任一项或多项所述的方法,其中MA-D包括位置信息,并且NDS基于设施、大都市区、州/地区、国家或独立实体关联而将信息同时中继到至少2个类别的ONDI(方面112)。
另一方面是根据方面87至112中任一项或多项所述的方法,其中NDS从一个或多个研究团队、在临床应用中使用MA的多个IE,或这两者接收输入,分开地识别此类数据/对此类数据加标签,并且在至少一些分析性操作中使用此类数据(方面113)。
另一方面是根据方面87至113中任一项或多项所述的系统,其中NDS至少部分地基于用户角色而将MA-D、分析或这两者递送到MA/OND中的多个GUI,所述GUI包括多个GUI方案/显示类型,此类用户角色包括独立研究团队成员、系统拥有者装置销售或租赁促销试剂、IE用户或管理员、系统拥有者临床或医疗支持团队人员,以及系统拥有者系统分析员(方面114)。
在另一方面中,本发明提供一种方法,例如方面87至114中任一项或多项中所描述的方法,其中NDS CEI包括用于基于MA-D、分析或这两者中的一个或多个警报触发条件的存在而引起在MA、OND或这两者处注册一个或多个警报的指令,其中此类条件可在NDS层级、MA/OND层级或这两者处编程(方面115)。
在一个方面中,提供一种方法,例如方面87115中任一项或多项中所描述的方法,其中MA的一些、大部分或全部包括防篡改检测功能,如果受禁止的篡改在MA中发生,则所述防篡改检测功能将信号发送到NDS(方面116)。
在一个方面中,本发明提供一种方法,例如方面87至116中任一项或多项中所描述的方法,其中MA-D包括MA(MA组件/屏幕等)、MA环境或这两者的图像,以及非图像传感器数据(方面117)。
在另一方面中,本发明提供一种方法,例如方面87至117中任一项或多项中所描述的方法,其中NDS存储器或其组件(例如,数据湖/增强型数据湖)包括单独管控分区,所述管控分区例如管理对以下各项的存储、使用和存取:(a)MA-D,或这两者;(b)所管理数据、所评分数据,或这两者;(c)系统测试数据;(d)传出数据/输出;或(e)(a)-(d)中的任一个或全部的组合(方面118)。
在一个方面中提供一种方法,例如方面87至118中任一项或多项中所描述的方法,其中NDS包括(a)国家中的MD的数据、(b)国家特定的数据管控规则,以及(c)与一个或多个其它NDS共享的系统操作/蓝图指令/引擎,所述NDS任选地并行地操作、共享资源等(方面119)。
在另一方面中,本发明提供一种方法,例如方面87至119中任一项或多项中所描述的方法,其中MA中继包括测序信息的包,并且NDS包括用于分析以非时间顺序次序接收的MA-CD和重新测序MA-CD的时间组分的引擎/单元(执行功能)(方面120)。
在另一方面中,本发明提供一种方法,例如方面87至120中任一项或多项中所描述的方法,其中一个或多个NDS功能是基于每次迭代(例如,30秒-300秒的数据、40秒-120秒的数据或25秒-100秒的数据)针对至少20秒、30秒、40秒、60秒、90秒、120秒或180秒的MA-D收集MA-D和分析此类集合以确定用于在例如MLM分析的分析中使用的适合性(方面121)。
在另一方面中,本发明提供根据方面87至121中任一项或多项所述的方法,其中NDS包括基于在设置时间周期(例如,每1秒-10秒、每2秒-12秒、每2秒-8秒、每3秒-6秒或每~5秒)接收的预期量的数据包(例如,2个-100个、5个-100个、5个-75个、5个-80个、5个-50个、5个-25个或5个-10个MA-D包)的收集的数据收集过程/引擎,其中NDS任选地在收集完成之前分析集合以依从数据充分性要求/内容规则,并且NDS在任何验证规则违反发生时重新起始数据收集(方面122)。
在另一方面中,本发明提供一种方法,例如方面121或方面122中所描述的方法,其中用于分析MA-D集合的MA-D收集循环是供NDS将输出中继到MA、ONDI或这两者或供MA将MA-D中继到NDS的至少一个周期的至少约100倍、至少约250倍、至少约500倍或至少约1,000倍(方面123)。
另一方面是根据方面87至123中任一项或多项所述的方法,其中NDS可检测处于非临床操作模式的MA(方面124)。
另一方面是根据方面124所述的方法,其中所述方法包括在将此类MA并入到网络中之前对非临床操作模式MA执行网络可缩放性测试(方面125)。
在一个方面中,本发明提供一种方法,如方面87至125中任一项或多项中所描述的方法,其中MA中的至少一些是移动MA,所述移动MA在操作中在至少一些时间通过无线通信协议将RT-MA-D传输到NDS(方面126)。
在另一方面中,本发明提供一种方法,例如方面87至126中任一项或多项中所描述的方法,其中MA中的至少一些包括经历单独安全性分区的至少2个组件(方面127)。
在另一方面中,本发明提供一种方法,例如方面127中所描述的方法,其中MA中的至少一些包括提供关键生命支持系统治疗功能的高度受限的治疗性应用组件,包括物理防篡改保护,并且包括仅可本地修改的MA CEI(方面128)。
在一个方面中,本发明提供一种方法,例如方面87至128中任一项或多项中所描述的方法,其中MA中的至少一些包括患者监测组件,所述患者监测组件包括可接收系统更新可用性的处理单元,而且还包括仅可通过递送到NDS的拉动请求修改的MACEI(方面129)。
另一方面是一种执行根据方面87至129中任一项或多项所述的方法的方法,其中所述方法包括对由NDS的引擎/单元(例如,流式数据处理器)接收的摄取数据执行初始分析,并且基于初始分析,使控制组件/单元将一个或多个动作递送到MA、ONDI,或这两者,其中初始分析发生在将MA-D完全摄取到例如增强型数据湖的NDS存储器数据存储库中之前(方面130)。
本发明的另一方面是一种医疗设备和控制系统,其包括:(1)对若干(例如,≥25个、≥50个或≥~100个)可远端控制且可连接互联网的医疗设备(MA)的存取,MA(I)包括用于感测个体数据的个体传感器构件和用于将传感器数据转换呈互联网可传输数据(MA-D)的传感器数据转换构件以及任选地执行治疗性任务构件,(II)用于当在操作中和在线时以大体上连续的方式经由安全互联网数据通信流式传输半非结构化MA-D的构件,(III)包括用于将经高速缓存MA-D收集且将此类MA-D存储在用于含有电子数据的构件(MA存储器)中的构件,(IV)用于感测MA与网络之间的通信状况的构件;以及(V)用于在预先编程条件或事件发生时中继经高速缓存MA-D的构件;(2)NDS(例如,MAC-DMS),其包括(I)用于存储包括增强型数据湖(EDL)架构的数据且应用EDL兼容的数据输入摄取过程的构件、(II)用于处理流式MA数据和经高速缓存MA数据且用于对存储在MAC-DMS数据存储构件中的数据执行自动和按需次级分析的大规模并行处理构件、(III)用于分析MAC-DMS数据存储构件中的数据以生成分析性数据、用于对MA执行的输出应用程序的指令或这两者的分析性处理构件,以及(IV)用于中继分析性数据、输出应用程序或这两者的构件;以及(3)若干(例如,≥~10个、≥~20个或≥~100个)OND/ONDI,其各自包括处理器构件和显示构件,每一ONDI与一类用户相关联,并且此类用户包括(I)与MA交互且经授权以存取PHI的HCP和(II)不与MA直接交互且经历对接收PHI的限制的商业用户;其中输出应用程序控制MA中的一个或多个功能的操作,并且基于到与商业类用户相关联的OND中的至少一些的MA-D的分析而并行地且分开地中继分析性数据输出(方面131)。
包含用于执行功能的构件或步骤的额外方面
相对于(1)功能和(2)用于进行功能的系统/装置的“构件”或方法的“步骤”描述本发明的一些方面,其意图为此类构件包含所属领域中的全部所列举构件或步骤和其等效物。为了辅助读者,此处提供了对用于执行功能的选择构件/步骤的支持的示例性描述或参考,但将认识到,在此处其它地方提供了对用于执行功能的各种构件/步骤的额外支持。
举例来说,在例如段落[0139]-[0144]等中提供了用于感测个体生理状态的构件(用于收集传感器数据的步骤)。在例如段落[0160]等中描述了用于评定充分/适合数据连接可用的构件。在例如段落[0254]-[0286](其聚焦于NDS输入单元/方法)和段落[0169](其聚焦于MA输入单元)中描述了数据输入构件/输入构件/输入步骤(用于接收数据的构件)。在例如段落[0158]-[0168](其聚焦于MA中继单元/方法)和段落[0326]-[0337](其聚焦于NDS中继单元/方法)中提供了用于中继/传输数据的步骤/构件。在例如段落[0320]、[0307]-[0328]中提供了数据改进构件;用于改进数据的构件/步骤。
在例如段落[0153]-[0157](其聚焦于MA处理器)和段落[0234]-[0250](其聚焦于NDS处理器)中提供了用于读取/解译CEI/代码和数据的构件/步骤(“处理构件”或“处理步骤”)。在例如段落[0293]-[0306]和段落[0369]-[0389]等中提供了用于分析系统数据(例如,MA-D)的构件/步骤。在例如段落[0260]-[0271]等中提供了用于分析高速缓存数据且将高速缓存数据与RT-MAD组合的构件/步骤。
在例如段落[0152](其聚焦于MA存储器)和段落[0199]-[0233](其聚焦于NDS存储器)中提供了存储器构件;用于存储数据的构件/步骤。EDL和DL可被视为用于存储非结构化或半结构化数据的构件/步骤。在例如段落[0234],或段落[0259],或段落[0361]等中提供了用于记录例如JSON文件格式的SUMAD的构件。在例如段落[0278]-[0280]、段落[0292],或段落[0364],或段落[0367]等中提供了用于处理数据流的构件(用于处理流式数据的步骤)。
还在本文中提供了对功能的其它构件/步骤的描述/支持,所述其它构件/步骤是例如用于保护信息的机密性(例如,使用本文中所公开的加密方法和其等效物)的构件/步骤、用于限制传入数据(例如,使用本文中所描述的防火墙和其等效物)的构件等。
Claims (16)
1.一种用于控制数据网络中的医疗设备和其它装置的操作的计算机实施的方法,所述方法包括:
(1)提供数据网络,所述数据网络包括
(a)至少10个可远端控制、可选择性操作和连接互联网的医疗设备,所述至少10个医疗设备中的每一个包括:(I)一个或多个传感器,其检测在操作上与所述医疗设备相关联的任何患者的一个或多个患者相关联的生理状态,所述一个或多个传感器将关于此类一个或多个生理状态的信息转换成处理器可读医疗设备数据(MA-D),所述MA-D包括依从预先建立的半结构化数据格式的MA-D,(II)输出引擎,其经由安全互联网数据通信选择性地中继数据,(III)医疗设备存储器组件,其选择性地存储MA-D并且包括处理器可执行指令,以用于分析和中继MA-D并且评估所述医疗设备与所述网络之间的连接,以及(IV)医疗设备处理器,其执行所述医疗设备存储器组件中的指令,
(b)医疗设备控制器和数据管理系统(“MAC-DMS”),其包括:(I)MAC-DMS处理器,其读取计算机可读指令以分析数据并且执行一个或多个功能,(II)流式数据处理引擎,(III)高速缓存MA-D处理引擎,(IV)分析性引擎,以及(V)MAC-DMS存储器组件,其包括处理器可执行指令和一个或多个数据存储库,所述一个或多个数据存储库包括增强型数据湖,所述增强型数据湖在不同存取条件下分别存储所述MA-D中的至少一些和分析性数据中的至少一些,以及
(c)至少3个其它网络装置,每一其它网络装置(I)包括(A)处理器、(B)存储器组件和(C)可远端控制图形用户接口,并且(II)与分派到至少一个用户类别的用户相关联,其中用户类别包括(A)经授权以存取患者受保护健康信息的健康护理提供者和(B)在患者受保护健康信息的接收方面经受限制的商业用户;
(2)使每一操作医疗设备从与所述医疗设备相关联的所述患者反复地收集传感器数据;
(3)使每一操作医疗设备自动地且反复地评定安全网络连接是否可用,并且
(a)当安全且稳定的网络连接可用时,经由安全互联网数据通信以大体上连续的方式将包括MA-D的数据自动地中继到所述MAC-DMS,或者
(b)如果安全且稳定的网络连接不可用,则(I)将MA-D存储在所述医疗设备存储器组件中作为高速缓存MA-D,直到安全且稳定的网络连接变为可用,并且(II)
当安全且稳定的网络连接变为可用时,经由安全互联网数据通信将所述高速缓存MA-D中继到所述MAC-DMS;
(4)使所述MAC-DMS处理器自动地使用所述流式数据处理引擎以
(a)接收经中继流式MA-D,
(b)对所述经中继流式MA-D执行初始分析,以及
(c)如果所述初始分析识别所述经中继流式MA-D中的一个或多个预先编程条件,则执行初始功能的预先编程有限集合中的一个或多个,所述初始功能包括中继用于控制一个或多个医疗设备、一个或多个其它网络装置或这两者的操作的指令;
(5)使所述MAC-DMS处理器使用高速缓存MA-D处理器以
(a)当高速缓存MA-D从医疗设备中继到所述MAC-DMS时,接收高速缓存MA-D,以及
(b)确定所接收高速缓存MA-D是否适合于由所述分析性引擎分析、存储在所述一个或多个数据存储库中的至少一个中,或这两者;
(6)使所述MAC-DMS处理器将所述MA-D中的至少一些自动地存储在所述增强型数据湖中;
(7)使所述MAC-DMS处理器在用户请求时、在预先编程条件发生时或在这两者发生时使用所述分析性引擎以对存储在所述增强型数据湖中的MA-D执行一个或多个分析性功能;以及
(8)使所述MAC-DMS处理器经由安全互联网通信将一个或多个输出中继到一个或多个医疗设备、一个或多个其它网络装置,或这两者,所述一个或多个输出包括
(a)分析性数据输出,
(b)一个或多个输出应用程序,其包括控制以下各项的操作的指令:(I)所述数据网络的所述医疗设备中的一个或多个中的一个或多个医疗设备功能、(II)所述数据网络的所述其它网络装置中的一个或多个中的一个或多个其它网络装置功能,或
(III)(I)和(II)两者,或者
(c)(a)和(b)的组合。
2.根据权利要求1所述的方法,其中所述方法包括使所述MAC-DMS评估医疗设备的所接收高速缓存MA-D是否能够与相同医疗设备的所接收流式MA-D组合,并且如果所述MAC-DMS确定所述高速缓存MA-D和流式MA-D能够组合,则组合所述流式MA-D和高速缓存MA-D以形成混合MA-D数据集,其中由所述分析性引擎分析的所述MA-D包括所述混合MA-D数据集。
3.根据权利要求1所述的方法,其中
(1)所述一个或多个输出应用程序包括用于控制以下各项的医疗设备特定的指令:
(a)由特定医疗设备执行的一个或多个治疗性任务,
(b)由特定医疗设备执行的一个或多个预防性任务,或
(c)由所述特定医疗设备执行的一个或多个治疗性任务和一个或多个预防性任务两者;
(2)所述特定医疗设备接收、解译和执行所述一个或多个输出应用程序;并且
(3)所述特定医疗设备基于所接收的一个或多个输出应用程序而改变一个或多个患者护理条件。
4.根据权利要求1所述的方法,其中一个或多个输出应用程序的生成包括
(1)生成第一表示以供显示在一个或多个医疗设备的图形用户接口上,所述第一表示包括
(a)一个或多个经建议医疗指令,
(b)与医疗设备、患者或这两者相关的分析性数据,所述分析性数据包括患者受保护健康信息,或者
(c)(a)和(b)两者;
(2)将所述第一表示中继到所述一个或多个医疗设备以供显示在其一个或多个图形用户接口上;
(3)生成第二表示以供显示在一个或多个其它网络装置的图形用户接口上,所述第二表示包括不含任何患者受保护健康信息的分析性数据;以及
(4)将所述第二表示中继到一个或多个其它网络装置以供显示在其一个或多个图形用户接口上,其中在小于一分钟内执行步骤(1)-(4)。
5.根据权利要求4所述的方法,其中
(1)所述一个或多个数据存储库进一步包括第一关系数据库,
(2)所述方法包括(a)从分析性输出数据生成第一结构化数据集数据,以及(b)将所述第一结构化数据集数据存储在所述第一关系数据库中;
(3)所述一个或多个数据存储库包括第二关系数据库,并且
(4)所述方法包括(a)对所述增强型数据湖中的数据执行一个或多个分析性功能以获得分析性数据,(b)任选地结合含于所述第一关系数据库中的数据从此类分析性数据生成第二结构化数据集数据,以及(c)将所述第二结构化数据集数据存储在所述第二关系数据库中。
6.根据权利要求5所述的方法,其中所述方法包括
(1)首先
(a)准备关于存储在所述第一关系数据库中、进入所述第一关系数据库或这两者的数据的质量的第三表示,并且将所述第三表示中继到所述数据网络中的一个或多个其它网络装置的所述图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,
(b)准备关于存储在所述第二关系数据库中、进入所述第二关系数据库或这两者的数据的质量的第四表示,并且将所述第四表示中继到所述数据网络中的一个或多个其它网络装置的所述图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,或者
(c)(I)准备关于存储在所述第一关系数据库中、进入所述第一关系数据库或这两者的数据的质量的第三表示,(II)将所述第三表示中继到所述数据网络中的一个或多个其它网络装置的所述图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联,(III)准备关于存储在所述第二关系数据库中、进入所述第二关系数据库或这两者的数据的质量的第四表示,以及(IV)将所述第四表示中继到所述数据网络中的一个或多个其它网络装置的所述图形用户接口,所述一个或多个其它网络装置与一个或多个系统管理员用户相关联;以及
(2)此后,在由所述第三表示、第四表示或这两者表示的数据质量指示第一关系数据库数据、第二关系数据库数据或这两者缺乏质量的情况下,将一个或多个修改应用于所述MAC-DMS存储器中的一个或多个指令。
7.根据权利要求1所述的方法,其中所述医疗设备中的任何一个或多个包括一个或多个多分区医疗设备(MZMA),每一MZMA包括两个或更多个不同分区,其中
(1)每一分区包括单独处理器,所述单独处理器处理未被至少一个其它分区的所述处理器处理的至少一些MA-D;并且
(2)每一分区
(a)从不同传感器接收信息,
(b)执行不同治疗性或预防性医疗任务,
(c)从不同传感器接收信息且执行不同治疗性或预防性医疗任务,或者
(d)执行(a)-(c)的组合或(a)-(c)中的一些或全部,
其中至少一个分区被配置成与所述MZMA的至少一个其它分区相比,经历与所述数据网络的一个或多个其它部分的不同水平的交互。
8.根据权利要求7所述的方法,其中所述一个或多个MZMA中的至少一个的至少一个分区与治疗性医疗任务的应用相关联,并且被配置成不与所述数据网络直接通信。
9.根据权利要求8所述的方法,其中所述一个或多个MZMA的至少一个分区
(1)与治疗性医疗任务、预防性任务或这两者的应用相关联;
(2)与所述MAC-DMS通信;并且
(3)仅准许来自所述MAC-DMS的预先建立类型的输入;
其中对所述至少一个MZMA的所述至少一个分区中的操作系统、软件或经批准形式的MAC-DMS输入的改变需要来自经授权操作者的本地批准。
10.根据权利要求1所述的方法,其中所述方法进一步包括使所述MAC-DMS自动地
(1)在数据收集周期内收集MA-D以形成数据集合;
(2)评估所述数据集合是否适合于根据一个或多个预先编程标准进行分析;以及
(3)如果所述数据集合适合于分析,则将所述数据集合添加到数据聚合,以及
(4)重复步骤(1)-(3),直到数据集合的至少十个例子添加到所述数据聚合,以便形成完整数据聚合;
其中
(5)如果在形成所述完整数据聚合之前确定数据集合的任何例子不适合,则所述方法包括丢弃不完整数据聚合并且重新起始所述方法;并且
(6)如果形成完整数据聚合,则所述方法进一步包括对包括所述完整数据聚合的数据执行一个或多个分析性功能。
11.根据权利要求1所述的方法,其中
(1)所述数据网络的所述医疗设备由至少三个不同独立实体拥有;
(2)一个或多个其它网络装置的至少一个用户是商业类用户并且与所述MAC-DMS的拥有者合法地相关联;并且
(3)提供到与所述一个或多个商业类用户相关联的一个或多个其它网络装置的所述分析性数据输出
(a)包括从由多个独立实体拥有的医疗设备集合生成的数据,并且
(b)排除一个或多个类别的MAC-DMS识别的独立实体机密信息。
12.根据权利要求1所述的方法,其中
(1)所述医疗设备包括至少两个不同医疗设备类型,所述医疗设备类型包括执行一个或多个肺部治疗性任务的第一类型的医疗设备和执行一个或多个心血管治疗性任务的第二类型的医疗设备;并且
(2)所述方法包括将机器学习模块应用于从所述第一类型的医疗设备和所述第二类型的医疗设备两者接收的MA-D上,以生成与由所述医疗设备执行的所述治疗性任务相关联的经预测患者特定的生理参数,以及将此类经预测患者特定的生理参数递送到所述两个不同医疗设备类型中的一个或两个的医疗设备、到其它网络装置,或其组合。
13.根据权利要求1所述的方法,其中
(1)用户类别包括一个或多个研究用户类别;
(2)所述数据网络中的一个或多个医疗设备与所述一个或多个研究用户类别中的一个或多个用户相关联;并且
(3)所述方法包括
(a)所述MAC-DMS从研究用户相关联的医疗设备中的至少一些接收输入,
(b)所述MAC-DMS将来自所述研究用户相关联的医疗设备中的至少一些的MA-D与从与健康护理提供者相关联的医疗设备获得的MA-D组合以形成混合数据集,以及
(c)所述MAC-DMS至少部分地基于所述混合数据集而执行一个或多个分析性引擎功能。
14.根据权利要求1所述的方法,其中
(1)所述MAC-DMS(a)强加数据内容要求;(b)强加数据格式要求;(c)根据一个或多个预先编程要求变换MA-D;或者(d)执行(a)-(d)中的任一个或全部的组合,使得存储在所述增强型数据湖中的大体上全部MA-D数据集包括医疗设备源识别信息、MA-D类型信息和一个或多个传感器导出的生理参数数据集,其中每一个以预先编程MAC-DMS可辨识标准格式呈现;并且
(2)所述增强型数据湖包括不同数据管控分区,所述不同数据管控分区是基于存储在其中的MA-D数据集、分析性数据或这两者的来源或内容。
15.根据权利要求1所述的方法,其中
(1)一个或多个输出应用程序包括供应注册在一个或多个医疗设备、一个或多个其它网络装置或其组合处的一个或多个警报;并且
(2)用于所述一个或多个警报的触发参数、通信参数、重复参数或者其任一个或全部的组合
(a)设置在本地医疗设备层级、本地其它网络装置层级或这两者处,
(b)基于医疗设备类型、患者类型、用户类型或者其任一个或全部的组合而设置在MAC-DMS层级处,或者
(c)根据(a)和(b)两者设置。
16.根据权利要求11所述的方法,其中
(1)所述一个或多个输出应用程序包括
(a)作为医疗装置软件(SaMD)由一个或多个监管机构进行监管的一个或多个输出应用程序,以及
(b)不作为SaMD进行监管的一个或多个输出应用程序;并且
(2)所述方法包括应用一个或多个数据变换、数据管理过程、数据验证检查或者其任一个或全部的组合,以确保所述一个或多个SaMD应用程序依从记录在处理器可读指令中的一个或多个监管要求,所述处理器可读指令存储在所述MAC-DMS存储器中。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163134951P | 2021-01-07 | 2021-01-07 | |
US63/134,951 | 2021-01-07 | ||
US17/484,760 | 2021-09-24 | ||
US17/484,760 US20220215948A1 (en) | 2021-01-07 | 2021-09-24 | Network-based medical apparatus control and data management systems |
PCT/US2022/011506 WO2022150523A1 (en) | 2021-01-07 | 2022-01-06 | Network-based medical apparatus control and data management systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116963662A true CN116963662A (zh) | 2023-10-27 |
Family
ID=82218776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280019385.9A Pending CN116963662A (zh) | 2021-01-07 | 2022-01-06 | 基于网络的医疗设备控制和数据管理系统 |
Country Status (10)
Country | Link |
---|---|
US (2) | US20220215948A1 (zh) |
EP (1) | EP4271256A1 (zh) |
JP (1) | JP2024504060A (zh) |
KR (1) | KR20230142486A (zh) |
CN (1) | CN116963662A (zh) |
AU (1) | AU2022205948A1 (zh) |
CA (1) | CA3207484A1 (zh) |
DE (1) | DE112022000538T5 (zh) |
IL (1) | IL304194A (zh) |
WO (1) | WO2022150523A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312296A (zh) * | 2023-11-29 | 2023-12-29 | 山东街景智能制造科技股份有限公司 | 一种多平台协作的数据处理方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11887705B2 (en) * | 2016-12-02 | 2024-01-30 | Ilya Aronovich | Apparatus, system and method for patient-authorized secure and time-limited access to patient medical records utilizing key encryption |
EP3541040B1 (en) * | 2018-03-16 | 2022-04-13 | Acklio | Method and apparatus for processing message data |
US11640282B2 (en) * | 2019-10-24 | 2023-05-02 | Here Global B.V. | Method, apparatus, and system for providing a broker for data modeling and code generation |
US11694018B2 (en) * | 2021-01-29 | 2023-07-04 | Salesforce, Inc. | Machine-learning based generation of text style variations for digital content items |
US20230281533A1 (en) * | 2021-04-16 | 2023-09-07 | Strong Force Vcn Portfolio 2019, Llc | Demand-Responsive Raw Material Management System |
US11941151B2 (en) * | 2021-07-16 | 2024-03-26 | International Business Machines Corporation | Dynamic data masking for immutable datastores |
US11791049B2 (en) * | 2021-11-03 | 2023-10-17 | A Little Cold Gel, Llc | Methods and systems for detecting intravascular device failure |
US20230205906A1 (en) * | 2021-12-28 | 2023-06-29 | Capital One Services, Llc | Identification of sensitive content in electronic mail messages to prevent exfiltration |
US20230344834A1 (en) * | 2022-04-21 | 2023-10-26 | Cisco Technology, Inc. | User role-driven metadata layers in a data mesh |
CN115033908B (zh) * | 2022-08-11 | 2022-10-21 | 西南石油大学 | 基于云存储的油气勘探细粒度密态数据的检索方法 |
US20240053712A1 (en) * | 2022-08-12 | 2024-02-15 | Fisher-Rosemount Systems, Inc. | Systems, apparatus, articles of manufacture, and methods for an application marketplace for process control systems |
CN117234697B (zh) * | 2023-11-16 | 2024-02-06 | 中国人民解放军国防科技大学 | 一种保守时间同步并行事件调度计算架构和方法 |
CN117370767B (zh) * | 2023-12-07 | 2024-02-27 | 四川经科企业管理服务有限公司 | 基于大数据的用户信息评估方法及系统 |
CN117641452A (zh) * | 2023-12-12 | 2024-03-01 | 徐州医科大学 | 一种基于速率分拆的医疗物联网的计算卸载优化方法 |
CN117423428B (zh) * | 2023-12-18 | 2024-02-13 | 西南医科大学附属医院 | 一种基于数据分析的麻醉药剂输送智能管理系统及方法 |
Family Cites Families (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6400996B1 (en) * | 1999-02-01 | 2002-06-04 | Steven M. Hoffberg | Adaptive pattern recognition based control system and method |
US5826260A (en) | 1995-12-11 | 1998-10-20 | International Business Machines Corporation | Information retrieval system and method for displaying and ordering information based on query element contribution |
GB9925741D0 (en) | 1999-10-30 | 1999-12-29 | Ibm | Interaction with database reports |
US9223868B2 (en) | 2004-06-28 | 2015-12-29 | Google Inc. | Deriving and using interaction profiles |
US9177124B2 (en) | 2006-03-01 | 2015-11-03 | Oracle International Corporation | Flexible authentication framework |
US8661029B1 (en) | 2006-11-02 | 2014-02-25 | Google Inc. | Modifying search result ranking based on implicit user feedback |
US8655939B2 (en) * | 2007-01-05 | 2014-02-18 | Digital Doors, Inc. | Electromagnetic pulse (EMP) hardened information infrastructure with extractor, cloud dispersal, secure storage, content analysis and classification and method therefor |
US7996392B2 (en) | 2007-06-27 | 2011-08-09 | Oracle International Corporation | Changing ranking algorithms based on customer settings |
CN102027492A (zh) * | 2008-03-10 | 2011-04-20 | Ubs股份公司 | 用于分组数据管理和分类的方法和系统 |
EP2320968B1 (en) * | 2008-08-05 | 2012-05-09 | Michigan Critical Care Consultants, Inc. | Apparatus and method for monitoring and controlling extracorporeal blood flow relative to patient fluid status |
US20100138411A1 (en) | 2008-11-30 | 2010-06-03 | Nexidia Inc. | Segmented Query Word Spotting |
US10437962B2 (en) * | 2008-12-23 | 2019-10-08 | Roche Diabetes Care Inc | Status reporting of a structured collection procedure |
WO2010132617A2 (en) * | 2009-05-12 | 2010-11-18 | Chronicmobile, Inc. | Methods and systems for managing, controlling and monitoring medical devices via one or more software applications functioning in a secure environment |
US8386239B2 (en) | 2010-01-25 | 2013-02-26 | Holovisions LLC | Multi-stage text morphing |
US20120194552A1 (en) * | 2010-02-28 | 2012-08-02 | Osterhout Group, Inc. | Ar glasses with predictive control of external device based on event input |
US20130110551A1 (en) * | 2011-10-28 | 2013-05-02 | WellDoc, Inc. | Systems and methods for managing chronic conditions |
US8862212B2 (en) * | 2011-10-31 | 2014-10-14 | Medtronic, Inc. | Aggregating cardiac resynchronization therapy data |
US20140330578A1 (en) * | 2012-03-13 | 2014-11-06 | Theodore Pincus | Electronic medical history (emh) data management system for standard medical care, clinical medical research, and analysis of long-term outcomes |
US20140172453A1 (en) * | 2012-12-19 | 2014-06-19 | RedBrick Health Corporation | Separating storage of personal from non-personal health information |
US20170156639A1 (en) * | 2013-02-28 | 2017-06-08 | Gokhale Method Enterprise | Posture mapping and posture monitoring system and method |
WO2014145863A2 (en) * | 2013-03-15 | 2014-09-18 | Pulson, Inc. | Coordinating musculoskeletal and cardiovascular hemodynamics |
EP3027242B1 (en) * | 2013-08-02 | 2017-04-26 | CircuLite, Inc. | Implantable system with secure remote control |
US20180240536A1 (en) * | 2017-02-17 | 2018-08-23 | Hc1 Insight Llc | System and method for determining healthcare relationships |
US9491277B2 (en) * | 2014-04-03 | 2016-11-08 | Melissa Vincent | Computerized method and system for global health, personal safety and emergency response |
CN105389619B (zh) * | 2014-08-31 | 2021-08-03 | 通用电气公司 | 用于改进健康护理生态系统内的连接的方法和系统 |
US11232855B2 (en) * | 2014-09-23 | 2022-01-25 | Airstrip Ip Holdings, Llc | Near-real-time transmission of serial patient data to third-party systems |
US20160092569A1 (en) | 2014-09-30 | 2016-03-31 | International Business Machines Corporation | Policy driven contextual search |
US10765863B2 (en) * | 2015-02-24 | 2020-09-08 | Elira, Inc. | Systems and methods for using a transcutaneous electrical stimulation device to deliver titrated therapy |
US11011256B2 (en) * | 2015-04-26 | 2021-05-18 | Inovalon, Inc. | System and method for providing an on-demand real-time patient-specific data analysis computing platform |
US10130743B2 (en) * | 2015-11-17 | 2018-11-20 | Dale J. Yeatts | Wireless diagnostic system for indirect flow measurement in artificial heart pumps |
US20180032691A1 (en) * | 2016-07-29 | 2018-02-01 | Nissim Zur | Health monitor and a method for monitoring health using an artificial intelligence engine pattern |
US20180082036A1 (en) * | 2016-09-22 | 2018-03-22 | General Electric Company | Systems And Methods Of Medical Device Data Collection And Processing |
US10572221B2 (en) | 2016-10-20 | 2020-02-25 | Cortical.Io Ag | Methods and systems for identifying a level of similarity between a plurality of data representations |
WO2018236341A1 (en) | 2017-06-19 | 2018-12-27 | Hitachi, Ltd. | METHOD FOR AUTOMATICALLY CREATING METADATA FOR A DATA LAKE |
US20180373781A1 (en) | 2017-06-21 | 2018-12-27 | Yogesh PALRECHA | Data handling methods and system for data lakes |
IL273355B2 (en) * | 2017-09-19 | 2023-12-01 | Abiomed Inc | Systems and methods for time-based one-time password management for a medical device |
WO2019083897A1 (en) * | 2017-10-24 | 2019-05-02 | Adventia Technology, LLC | SYSTEMS, METHODS AND DEVICES FOR PROCESSING AGGREGATED HEALTH DATA AND PROCESSING RECOMMENDATION GENERATION PLATFORMS |
US10795895B1 (en) | 2017-10-26 | 2020-10-06 | EMC IP Holding Company LLC | Business data lake search engine |
US10978183B2 (en) * | 2018-02-05 | 2021-04-13 | Optum, Inc. | Device for approving medical tests across a plurality of medical laboratories, medical providers, and lab payers and methods for using the same |
US11321337B2 (en) | 2018-06-04 | 2022-05-03 | Cisco Technology, Inc. | Crowdsourcing data into a data lake |
US11547799B2 (en) * | 2018-09-20 | 2023-01-10 | Medtronic Minimed, Inc. | Patient day planning systems and methods |
CN111221785A (zh) | 2018-11-27 | 2020-06-02 | 中云开源数据技术(上海)有限公司 | 一种多源异构数据的语义数据湖构建方法 |
CN111221526A (zh) | 2018-11-27 | 2020-06-02 | 中云开源数据技术(上海)有限公司 | 一种基于数据湖服务器的数据可视化编辑展示平台 |
CN111221887A (zh) | 2018-11-27 | 2020-06-02 | 中云开源数据技术(上海)有限公司 | 一种对数据湖服务器中的数据进行管理和访问的方法 |
US11397832B2 (en) | 2018-12-04 | 2022-07-26 | Dhiraj Sharan | Virtual data lake system created with browser-based decentralized data access and analysis |
US20200193057A1 (en) | 2018-12-13 | 2020-06-18 | Amaris.Ai Pte. Ltd. | Privacy enhanced data lake for a total customer view |
US20200210896A1 (en) | 2018-12-26 | 2020-07-02 | Otonomo Technologies Ltd. | Method and system for remote training of machine learning algorithms using selected data from a secured data lake |
US10706045B1 (en) | 2019-02-11 | 2020-07-07 | Innovaccer Inc. | Natural language querying of a data lake using contextualized knowledge bases |
US10545960B1 (en) | 2019-03-12 | 2020-01-28 | The Governing Council Of The University Of Toronto | System and method for set overlap searching of data lakes |
US20200288988A1 (en) | 2019-03-14 | 2020-09-17 | Abiomed, Inc. | Blood Flow Rate Measurement System |
US11580335B2 (en) * | 2019-04-02 | 2023-02-14 | General Electric Company | Transaction management of machine learning algorithm updates |
US10846307B1 (en) | 2020-04-03 | 2020-11-24 | Csg Systems, Inc. | System and method for managing interactions with a data lake |
CN111460236A (zh) | 2020-04-26 | 2020-07-28 | 天津七一二通信广播股份有限公司 | 基于数据湖的大数据采集治理快速检索系统 |
-
2021
- 2021-09-24 US US17/484,760 patent/US20220215948A1/en not_active Abandoned
-
2022
- 2022-01-06 AU AU2022205948A patent/AU2022205948A1/en active Pending
- 2022-01-06 CN CN202280019385.9A patent/CN116963662A/zh active Pending
- 2022-01-06 DE DE112022000538.6T patent/DE112022000538T5/de active Pending
- 2022-01-06 JP JP2023541285A patent/JP2024504060A/ja active Pending
- 2022-01-06 KR KR1020237026367A patent/KR20230142486A/ko unknown
- 2022-01-06 WO PCT/US2022/011506 patent/WO2022150523A1/en active Application Filing
- 2022-01-06 EP EP22737137.4A patent/EP4271256A1/en active Pending
- 2022-01-06 CA CA3207484A patent/CA3207484A1/en active Pending
- 2022-08-05 US US17/882,271 patent/US20220399112A1/en active Pending
-
2023
- 2023-07-02 IL IL304194A patent/IL304194A/en unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312296A (zh) * | 2023-11-29 | 2023-12-29 | 山东街景智能制造科技股份有限公司 | 一种多平台协作的数据处理方法 |
CN117312296B (zh) * | 2023-11-29 | 2024-02-20 | 山东街景智能制造科技股份有限公司 | 一种多平台协作的数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220215948A1 (en) | 2022-07-07 |
WO2022150523A1 (en) | 2022-07-14 |
AU2022205948A1 (en) | 2023-07-27 |
IL304194A (en) | 2023-09-01 |
US20220399112A1 (en) | 2022-12-15 |
EP4271256A1 (en) | 2023-11-08 |
CA3207484A1 (en) | 2022-07-14 |
JP2024504060A (ja) | 2024-01-30 |
DE112022000538T5 (de) | 2023-11-09 |
KR20230142486A (ko) | 2023-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220399112A1 (en) | Network-based medical apparatus control and data management systems | |
US11848082B2 (en) | Systems and methods for computing with private healthcare data | |
US11829514B2 (en) | Systems and methods for computing with private healthcare data | |
Dhiman et al. | Federated learning approach to protect healthcare data over big data scenario | |
Zaman et al. | Towards secure and intelligent internet of health things: A survey of enabling technologies and applications | |
CN105389619A (zh) | 用于改进健康护理生态系统内的连接的方法和系统 | |
CN109101217A (zh) | 用于有目的计算的方法和系统 | |
Gupta et al. | Cybersecurity of multi-cloud healthcare systems: A hierarchical deep learning approach | |
CN117238458A (zh) | 基于云计算的重症护理跨机构协同平台系统 | |
Debauche et al. | RAMi: A new real-time Internet of Medical Things architecture for elderly patient monitoring | |
Sarangi et al. | Healthcare 4.0: A voyage of fog computing with iot, cloud computing, big data, and machine learning | |
EP4115314A1 (en) | Systems and methods for computing with private healthcare data | |
Chrimes et al. | Towards a real-time big data analytics platform for health applications | |
Jurado Pérez et al. | An approach to build e-health iot reactive multi-services based on technologies around cloud computing for elderly care in smart city homes | |
de Caldas Filho et al. | Botnet detection and mitigation model for IoT networks using federated learning | |
Oladele et al. | BEHeDaS: A Blockchain Electronic Health Data System for Secure Medical Records Exchange | |
Farooq et al. | Consortium framework using blockchain for asthma healthcare in pandemics | |
Zhang et al. | Building cloud-based healthcare data mining services | |
Aman et al. | EDAS: An evaluation prototype for autonomic event-driven adaptive security in the internet of things | |
Kaushik et al. | Revolutionizing Healthcare Through Artificial Intelligence and Internet of Things Applications | |
Murphy et al. | Information Technology Systems | |
Nazir et al. | Trusted Federated Learning for Internet of Medical Things: Solutions and Challenges | |
Odera | A survey on techniques, methods and security approaches in big data healthcare | |
Heng et al. | Medical Intelligent System and Orthopedic Clinical Nursing Based on Graph Partition Sampling Algorithm | |
El Emary | Handbook of research on artificial intelligence and soft computing techniques in personalized healthcare services/edited |
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 |