CN117043869A - 基于机器学习的临床资源控制器 - Google Patents
基于机器学习的临床资源控制器 Download PDFInfo
- Publication number
- CN117043869A CN117043869A CN202280023577.7A CN202280023577A CN117043869A CN 117043869 A CN117043869 A CN 117043869A CN 202280023577 A CN202280023577 A CN 202280023577A CN 117043869 A CN117043869 A CN 117043869A
- Authority
- CN
- China
- Prior art keywords
- message
- machine learning
- data
- model
- clinical
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000004044 response Effects 0.000 claims abstract description 19
- 244000005700 microbiome Species 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 18
- 230000000845 anti-microbial effect Effects 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000012009 microbiological test Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 241000894007 species Species 0.000 claims description 12
- 239000004599 antimicrobial Substances 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000003556 assay Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000001802 infusion Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004138 cluster model Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000003612 virological effect Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 12
- 238000004590 computer program Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 31
- 238000012360 testing method Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 239000000284 extract Substances 0.000 description 9
- 238000009635 antibiotic susceptibility testing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000011534 incubation Methods 0.000 description 4
- 238000011081 inoculation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003115 biocidal effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 230000002906 microbiologic effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种方法可包括：从一个或多个数据系统接收消息。机器学习模型可应用于所述消息以确定所述消息是可操作消息还是不可操作消息。响应于所述消息是可操作消息，所述机器学习模型可应用于从所述消息中提取临床意义数据。可以基于所述临床意义数据来执行一个或多个任务。所述一个或多个任务可包括基于所述临床意义数据执行与数据系统相关联的临床工作流的资源分配。所述一个或多个任务还可包括检测与所述临床工作流相关联的系统低效和瓶颈。还提供了相关的方法和制品，包括计算机程序产品。
Description
相关申请的交叉引用
本申请要求于2021年2月22日提交的标题为“基于机器学习的临床资源控制器”的美国临时申请63/152,318的优先权，其公开内容通过引用被全部合并于此。
技术领域
本文描述的主题一般涉及机器学习，并且更具体地涉及用于临床和诊断设置中的资源管理的基于机器学习的技术。
背景技术
实验室自动化是用于研究和开发技术以优化实验室工作流的速度、效率和结果的多学科努力。例如，实验室信息系统(LIS)可包括被配置成提供对诸如接种、孵化(incubation)、平板成像、培养物读取、结果报告等实验室活动的支持的硬件和软件。实验室信息系统可以记录、分析、存储和共享由各种实验室活动生成的数据。在此过程中，实验室信息系统可以旨在传递及时、准确和相关信息，无论是在关注点倾向于在患者特异性标本上的临床环境中还是在诸如研究实验室等的非临床环境中。
发明内容
提供了用于基于机器学习的资源控制器的系统、方法和制品，包括计算机程序产品。在一些示例实施例中，提供了一种系统，该系统包括机器学习模型，该机器学习模型被训练成接收一个或多个消息作为至少一个输入值，并且生成指示该一个或多个消息是否是可操作的至少一个输出值。该系统还可包括至少一个处理器和至少一个存储器。至少一个存储器可包括程序代码，当由所述至少一个处理器执行时，所述程序代码提供操作。所述操作可包括：从一个或多个数据系统接收针对患者的消息；使用所述机器学习模型和所述消息来确定所述消息是可操作的；从所述消息中提取临床意义数据；以及至少基于所述临床意义数据来控制与所述患者相关联的至少一个医疗设备以执行一个或多个任务。
在一些变型中，本文公开的包括以下特征的一个或多个特征可以可选地包括在任何可行的组合中。执行一个或多个任务可包括至少基于临床意义数据来识别与一个或多个消息相关联的临床工作流的阶段，至少基于与一个或多个消息相关联的时间戳来确定临床工作流的两个或更多个连续阶段之间的时间量，并且响应于临床工作流的两个或更多个连续阶段之间的时间量超过阈值，确定用于至少一个医疗设备的一个或多个校正配置。
在一些变型中，一个或多个校正动作可包括修改与临床工作流相关联的一个或多个活动的调度和/或调整与一个或多个活动相关联的资源的分配。
在一些变型中，临床工作流可包括微生物测试工作流和/或病毒学测定。
在一些变型中，临床工作流的阶段可包括微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、或微生物的抗微生物剂敏感性。
在一些变型中，执行一个或多个任务可包括至少基于临床意义数据来确定一个或多个数据系统处的资源分配。
在一些变型中，资源的分配可包括响应于与资源相关联的临床工作流的结果来分配资源。
在一些变型中，至少基于临床工作流的结果指示存在对抗微生物剂敏感的微生物，资源可包括抗微生物剂。
在一些变型中，资源的分配可包括至少基于临床意义数据确定临床工作流的后续阶段和临床工作流的后续阶段的时间，并且根据临床工作流的后续阶段的时间调度临床工作流的后续阶段所需的资源的量。
在一些变型中，机器学习模型可包括回归模型、基于实例的模型、正则化模型、决策树、贝叶斯模型、聚类模型、关联模型、神经网络、深度学习模型、降维模型和/或集成模型。
在一些变型中，可通过至少将机器学习模型和/或不同的机器学习模型应用于消息来提取临床意义数据。
在一些变型中，机器学习模型可以被训练以识别和标记包括在消息中的临床意义数据。响应于消息中超过阈值数量的数据被标记为临床意义的，可确定消息是可操作的。
在一些变型中，机器学习模型可被进一步训练成至少接收包括消息的消息序列作为至少一个输入值，并且生成至少一个输出值以指示消息序列是否是可操作的。
在一些变型中，至少一个输出值可指示消息与第一可操作事件相关联。至少一个输出值还可指示消息序列与第二可操作事件相关联。
在一些变型中，机器学习模型可将消息确定为可作为消息序列的一部分操作的。
在一些变型中，机器学习模型可包括循环神经网络(RNN)、隐马尔可夫模型、条件随机场(CRF)模型和/或门控循环单元(GRU)。
在一些变型中，至少一个医疗设备可包括诊断设备、输液泵、分发柜和/或消耗站。
在一些变型中，控制至少一个医疗设备可包括向至少一个医疗设备发送一个或多个消息以调整至少一个医疗设备的操作状态和/或功能元件。
在一些变型中，一个或多个消息可包括一个或多个指令，当由与至少一个医疗设备相关联的处理器执行时，一个或多个指令调整至少一个医疗设备的操作状态和/或功能元件。
在一些变型中，一个或多个消息可包括一个或多个值，当一个或多个值被应用在至少一个医疗设备处时，一个或多个值调整至少一个医疗设备的操作状态和/或功能元件。
在另一方面，提供了一种用于基于机器学习的安全控制的方法。该方法可包括：从一个或多个数据系统接收针对患者的消息；使用机器学习模型和所述消息来确定所述消息是可操作的，所述机器学习模型被训练成接收所述消息作为至少一个输入值并且生成指示所述消息是否可操作的至少一个输出值；从所述消息中提取临床意义数据；以及至少基于所述临床意义数据来控制与所述患者相关联的至少一个医疗设备以执行一个或多个任务。
在一些变型中，本文公开的包括以下特征的一个或多个特征可以可选地包括在任何可行的组合中。执行一个或多个任务可包括至少基于临床意义数据来识别与一个或多个消息相关联的临床工作流的阶段，至少基于与一个或多个消息相关联的时间戳来确定临床工作流的两个或更多个连续阶段之间的时间量，并且响应于临床工作流的两个或更多个连续阶段之间的时间量超过阈值，确定用于至少一个医疗设备的一个或多个校正配置。
在一些变型中，一个或多个校正动作可包括修改与临床工作流相关联的一个或多个活动的调度和/或调整与一个或多个活动相关联的资源的分配。
在一些变型中，临床工作流可包括微生物测试工作流和/或病毒学测定。
在一些变型中，临床工作流的阶段可包括微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、或微生物的抗微生物剂敏感性。
在一些变型中，执行一个或多个任务可包括至少基于临床意义数据来确定一个或多个数据系统处的资源分配。
在一些变型中，资源的分配可包括响应于与资源相关联的临床工作流的结果来分配资源。
在一些变型中，至少基于临床工作流的结果指示存在对抗微生物剂敏感的微生物，资源可包括抗微生物剂。
在一些变型中，资源的分配可包括至少基于临床意义数据确定临床工作流的后续阶段和临床工作流的后续阶段的时间，并且根据临床工作流的后续阶段的时间调度临床工作流的后续阶段所需的资源的量。
在一些变型中，机器学习模型可包括回归模型、基于实例的模型、正则化模型、决策树、贝叶斯模型、聚类模型、关联模型、神经网络、深度学习模型、降维模型和/或集成模型。
在一些变型中，可通过至少将机器学习模型和/或不同的机器学习模型应用于消息来提取临床意义数据。
在一些变型中，机器学习模型可被训练以识别和标记包括在消息中的临床意义数据。响应于消息中超过阈值数量的数据被标记为临床意义的，可确定消息是可操作的。
在一些变型中，机器学习模型可被进一步训练成至少接收包括消息的消息序列作为至少一个输入值，并且生成至少一个输出值以指示消息序列是否是可操作的。
在一些变型中，至少一个输出值可指示消息与第一可操作事件相关联。至少一个输出值还可指示消息序列与第二可操作事件相关联。
在一些变型中，机器学习模型可将消息确定为可作为消息序列的一部分操作的。
在一些变型中，机器学习模型可包括循环神经网络(RNN)、隐马尔可夫模型、条件随机场(CRF)模型和/或门控循环单元(GRU)。
在一些变型中，至少一个医疗设备可包括诊断设备、输液泵、分发柜和/或消耗站。
在一些变型中，控制至少一个医疗设备可包括向至少一个医疗设备发送一个或多个消息以调整至少一个医疗设备的操作状态和/或功能元件。
在一些变型中，一个或多个消息可包括一个或多个指令，当由与至少一个医疗设备相关联的处理器执行时，一个或多个指令调整至少一个医疗设备的操作状态和/或功能元件。
在一些变型中，一个或多个消息可包括一个或多个值，当一个或多个值被应用在至少一个医疗设备处时，一个或多个值调整至少一个医疗设备的操作状态和/或功能元件。
在另一方面，提供了一种计算机程序产品，其包括存储指令的非暂时性计算机可读介质。指令可以在由至少一个数据处理器执行时引起操作。所述操作可包括：从一个或多个数据系统接收针对患者的消息；使用机器学习模型和所述消息来确定所述消息是可操作的，所述机器学习模型被训练成接收所述消息作为至少一个输入值并且生成指示所述消息是否可操作的至少一个输出值；从所述消息中提取临床意义数据；以及至少基于所述临床意义数据来控制与所述患者相关联的至少一个医疗设备以执行一个或多个任务。
当前主题的实现可包括与本文提供的描述一致的方法以及包括有形地体现的机器可读介质的物品，机器可读介质可操作以使得一个或多个机器(例如，计算机等)导致实现所描述的特征中的一个或多个的操作。类似地，还描述了可包括一个或多个处理器和耦合到一个或多个处理器的一个或多个存储器的计算机系统。可包括非暂时性计算机可读或机器可读存储介质的存储器可包括、编码、存储等一个或多个程序，一个或多个程序使得一个或多个处理器执行本文描述的操作中的一个或多个。与当前主题的一个或多个实现一致的计算机实现的方法可以由驻留在单个计算系统或多个计算系统中的一个或多个数据处理器来实现。这样的多个计算系统可以经由一个或多个连接而被连接并且可以交换数据和/或命令或其他指令等，一个或多个连接包括例如，通过网络(例如因特网、无线广域网、局域网、广域网、有线网等)连接，经由多个计算系统中的一个或多个之间的直接连接等。
在附图和以下描述中阐述了本文所述主题的一个或多个变型的细节。从说明书和附图以及从权利要求书中，本文所述主题的其它特征和优点将清晰。虽然为了说明的目的，关于应用机器学习模型来管理临床和诊断设置中的资源，描述了当前公开的主题的某些特征，但是应当容易理解，这样的特征不旨在是限制性的。本公开所附的权利要求书旨在限定受保护主题的范围。
附图说明
并入并构成本说明书的一部分的附图示出了本文所公开的主题的某些方面，并且与说明书一起帮助解释与所公开的实现方式相关联的一些原理。在附图中，
图1描绘了示意根据一些示例实施例的临床管理系统的示例的系统图；
图2描绘了示意根据一些示例实施例的用于基于机器学习的消息解析过程的示例的流程图；
图3A描绘了示意根据一些示例实施例的用于基于机器学习的临床工作流分析过程的示例的流程图；
图3B描绘了示意根据一些示例实施例的用于基于机器学习的资源分配过程的示例的流程图；
图4描绘了示意根据一些示例实施例的计算系统的框图；以及
图5描绘了根据一些示例实施例的非结构化数据的示例。
当实际应用时，相似的附图标记表示相似的结构、特征或元件。
具体实施方式
实验室信息系统(LIS)可以部署在临床和非临床环境中以支持各种实验室活动，诸如接种、孵化、平板成像、培养物读取、结果报告等。实验室信息系统可以记录、分析、存储和共享由这样的实验室活动产生的数据。例如，实验室信息系统可以在微生物测试、病毒学测定等的每个阶段生成各种消息。一些消息可以传送临床意义数据，因此是与附加任务相关联的可操作消息，而诸如过渡状态消息等的其它消息是不可操作消息。此外，这些消息可包括跨不同医疗设备、临床设施和自动化平台变化的非结构化数据。消息的内容和格式的不一致性可能阻碍跨设备、设施和平台建立统一的数据接口的努力。这种互操作性的缺乏可能损害各种临床工作流的速度、效率和结果。下游决策，例如涉及工作流统计和战略资源分配的那些下游决策，可能在缺乏来自实验室信息系统的及时、准确和相关信息的情况下遭受损失。
在一些示例实施例中，消息交换可以跨不同的医疗设备、临床设施和自动化平台从各种源接收消息。为了提供统一的数据接口，消息交换可包括包含非结构化数据的一个或多个机器学习模型训练的分类消息。例如，消息交换可以从从事诸如微生物测试、病毒学测定等工作流的实验室信息系统(LIS)接收消息。一个或多个机器学习模型可以被训练以识别可操作的消息并且提取临床意义数据以实现下游任务和决策，诸如工作流统计的收集、资源分配等。
对于微生物测试工作流，机器学习模型可识别指示微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、微生物的抗微生物剂敏感性等的可操作消息。此外，机器学习模型可以从每个可操作消息提取临床意义数据，以实现下游临床动作和决策。例如，机器学习模型的输出可包括培养分离株的鉴定和抗微生物剂敏感性测试(AST)的结果，其可以形成资源分配、治疗等中的下游决策的基础。来自实验室信息系统的及时、准确和相关信息的可用性可以加快提供有效抗微生物治疗所需的临床动作，降低抗微生物剂耐药性风险，并改善患者结果。
图1描绘了示意根据一些示例实施例的临床管理系统100的示例的系统图。参考图1，临床管理系统100可包括消息交换机110、包括资源控制器125的分析引擎120、客户端130和一个或多个数据系统140。如图1所示，消息交换机110、分析引擎120、客户端130和一个或多个数据系统140可以经由网络150通信地耦合。客户端130可以是基于处理器的设备，包括例如智能电话、平板计算机、可穿戴装置、台式计算机、膝上型计算机、工作站等。同时，网络150可以是任何有线和/或无线网络，包括例如公共陆地移动网络(PLMN)、局域网(LAN)、虚拟局域网(VLAN)、广域网(WAN)、因特网等。
消息交换110和分析引擎120可作为基于云的服务(例如，软件即服务(SaaS)等)而由客户端130访问。可替换地，消息交换110和/或分析引擎120可以至少部分地嵌入和/或实现在一个或多个数据系统内，例如在实验室信息系统(LIS)145a、访问控制系统145b、分发系统145c、电子医疗记录(EMR)系统145d等处。也就是说，消息交换110和/或分析引擎120可以至少部分地嵌入和/或实现在诸如分发柜、输液泵、消耗站等医疗设备内。例如，在一些示例实施例中，消息交换110可以是集中式的、基于云的服务，而分析引擎120可以跨数据系统140部署。因此，可以在一个或多个数据系统140处本地访问消息交换机110和/或分析引擎120的至少一些功能。此外，消息交换机110和/或分析引擎120可被更新和/或配置为服务和/或更新相应数据系统140的一部分。
消息交换机110可接收由一个或多个数据系统140生成的消息，数据系统包括例如实验室信息系统145a、访问控制系统145b、分发系统145c、电子医疗记录系统145d等。一些消息可以传送临床意义数据，因此是与附加任务相关联的可操作消息，而诸如过渡状态消息等的其它消息是不可操作消息。此外，这些消息可包括非结构化数据，其格式和/或内容可以跨不同的医疗设备、临床设施和自动化平台变化。为了进一步说明，图5中示出了形成由一个或多个数据系统140生成的消息的非结构化数据的示例。
图5示出了包括可以使用所描述的系统、设备或方法处理的非结构化数据的表。表500可包括多个列。如图5所示，列是“行ID”、“临床部位ID”、“标本ID”、“消息ID”、“内容元素ID”和“内容”。可包括更少的、附加的或替代的列。例如，可包括源系统标识符列，以存储与生成消息的信息系统相关联的指示符。作为另一示例，时间或日期信息可以存储在时间戳列中。
可通过标记消息或消息的部分来注释初始消息集。标签可以被手动地施加于训练消息集。在一些实施方式中，标签可以诸如通过关键字匹配、正则表达式、或使用接受消息内容作为输入并生成一个或多个标签作为输出的机器学习模型来自动施加。标记的实例包括“革兰氏阳性/阴性结果”、“抗生素敏感性”、“不为人知”、“检测到生物体”、“初始进展更新”或“其它”。在一些实施方式中，消息可以与多于一个标签相关联。可用标签可被指定为系统的配置或经由机器学习模型被训练到系统中。
一旦消息与标签相关联，所描述的特征使临床意义基于一个或多个标签的存在。可以应用附加的模型训练以基于标签序列、与特定标签相关联的事件的定时等来评估临床意义。以这种方式，系统可以有效地过滤从源系统接收的消息，以加速任何需要的临床动作。在一些实施方式中，当识别具有临床意义的事件时，系统可以向一个或多个设备发送警报。在一些实施方式中，临床意义对于特定临床需要可为急性的。在此类实施方式中，系统可将控制消息发送到一个或多个临床设备以致使管理临床响应或其它工作流(例如，从输液泵给药、从自动化配药设备配药、经由联网诊断或分析设备执行测定或其它测试)或致使临床设备准备临床响应(例如，调整电力状态、连接到网络、配置操作参数(例如，登录、测定选择、控制变量(例如，泵速、分发位置等)))。在图5所示的示例中，与“行ID”43和44相关联的消息内容可以是与包括来自革兰氏测试结果的与“行ID”1到12相关联的消息内容相比没有临床意义的信息内容。
如本文所使用的，术语“控制”涵盖各种各样的动作。例如，“控制”设备可包括发送一个或多个消息以调整设备的操作状态或功能元件。消息可包括将由设备的处理器执行以表明变化的特定指令。“控制”可包括在存储设备的位置中存储值以供要控制的设备随后检索、经由至少一个有线或无线通信介质将值直接传送到要控制的设备、传送或存储对值的引用等。例如，控制消息可包括用于调整来自受控设备的电源的功率水平的值。作为另一示例，控制消息可以激活或去激活受控设备的结构元件，诸如灯、音频回放、电机、锁、泵、显示器或本文描述的设备的其他部件。“控制”可包括通过调整受控设备所使用的配置值来间接控制设备。例如，控制消息可包括针对设备特性(例如，温度、速率、频率等)的阈值。阈值可以存储在存储器位置中，并且在操作期间由受控设备参考。
消息交换110可以例如在实验室信息系统145a参与诸如微生物测试、病毒学测定等的工作流时从实验室信息系统145a接收消息。对于微生物测试工作流，实验室信息系统145a可生成一个或多个可操作消息，其指示例如微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、微生物的抗微生物剂敏感性等。除了一个或多个可操作消息之外，实验室信息系统145a还可以生成诸如过渡状态消息等的不可操作消息。来自实验室信息系统145a的消息的内容和/或格式可以不同于由其他数据系统140，例如访问控制系统145b、分发系统145c、电子医疗记录(EMR)系统145d等产生的消息的内容和/或格式。如果数据系统140之间没有统一的数据接口，则由一个数据系统，例如实验室信息系统145，产生的关键数据可能不能及时地被其他数据系统获得。数据系统140之间缺乏互操作性可能损害各种临床工作流的速度、效率和结果，这可能依赖于生成在没有所述技术特征的情况下可能无法以可操作方式处理的大量数据(例如，数百或数千消息)的高吞吐量交互或系统。
在一些示例实施例中，为了提供数据系统140之间的统一数据接口，消息交换110可包括机器学习引擎115，机器学习引擎包括被训练以识别可操作消息并提取临床意义数据以实现下游任务和决策的一个或多个机器学习模型。机器学习引擎115可以对来自一个或多个数据系统140的消息进行操作，而不管源自不同医疗设备、临床设施和自动化平台的消息的内容和格式的变化。对于微生物测试工作流，例如，机器学习引擎115识别由实验室信息系统145a生成的一个或多个可操作消息，并且提取临床意义数据，诸如培养分离株的鉴定和抗微生物剂敏感性测试(AST)的结果。从这些可操作消息中提取的临床意义数据可以被发送到例如分析引擎120，以支持各种下游任务和决策，诸如工作流统计的收集、资源分配等。
一些消息可以被识别为可单独操作的。替代地和/或附加地，一些消息可以被认为是作为一组消息或消息序列的一部分可操作的。例如，指示在实验室信息系统145a处遇到的标本缺乏抗生素敏感性的单个消息可能不是其自身可操作的(或者可能构成一种类型的可操作事件)。相反，指示与在实验室信息系统145a处遇到的多个标本相关联的缺乏抗生素敏感性的消息序列(例如，多于阈值数量的消息序列)可以构成可采操作事件(或不同类型的可操作事件)。因此，机器学习引擎115可以被配置为对多个消息进行操作，以便检测跨一组消息、一系列消息等发生的可操作事件。例如，机器学习引擎115可包括被训练成对顺序数据进行操作的机器学习模型。这种机器学习模型的示例可包括循环神经网络(RNN)、隐马尔可夫模型、条件随机场(CRF)模型、门控循环单元(GRU)等。
如上所述，临床意义数据可以从可操作消息中提取，以便实现一个或多个下游任务。例如，分析引擎120可以至少基于与可操作消息相关联的时间戳来识别微生物测试工作流中存在的瓶颈，在该瓶颈中，一个或多个实验室活动(例如，接种、孵化、平板成像、培养物读取、结果报告等)与高于阈值延迟相关联。分析引擎120可以确定一个或多个校正动作以最小化瓶颈，包括例如修改实验室活动的调度、调整与实验室活动相关联的资源的分配等。替代地和/或附加地，当机器学习引擎115的输出指示例如在实验室信息系统145a处遇到的超过阈值量的标本中存在对抗微生物剂敏感的微生物时，分析引擎120处的资源控制器125可确定分配相应量的抗微生物剂(和/或其它资源)。
如上所述，机器学习引擎115可包括被训练以识别可操作消息并提取临床意义数据的一个或多个机器学习模型。机器学习模型的示例包括回归模型、基于实例的模型、正则化模型、决策树、贝叶斯模型、聚类模型、关联模型、神经网络、深度学习模型、降维模型、集成模型等。此外，机器学习引擎115可包括被训练成标识可操作消息以及提取临床意义数据的单个机器学习模型。例如，机器学习模型可被训练以标识和标记临床意义数据，在此情况下，可操作消息可以是其中机器学习模型将超过阈值数量的数据标记为临床意义的消息，而不可操作消息可以是其中机器学习模型不将超过阈值数量的数据标记为临床意义的消息。备选地，机器学习引擎115可包括多个机器学习模型，诸如被训练以识别可操作消息的第一机器学习模型和被训练以提取临床意义数据的第二机器学习模型。因此，被识别为可由第一机器学习模型操作的消息可以被传递到第二机器学习模型以用于临床意义数据的提取。
可以使用训练数据来训练一个或多个机器学习模型，训练数据包括注释消息，注释消息包括例如已被标记为可操作或不可操作的消息、已被标记有临床工作流的对应阶段的消息、其内容已被标记以指示存在于消息中的临床意义数据的消息等。注释消息可以提供用于监督学习过程的基础事实标签和标记，在监督学习过程中，一个或多个机器学习模型被训练以识别可操作消息并提取临床意义数据。
例如，训练机器学习模型可包括最小化机器学习模型的输出中的误差，该误差可对应于机器学习模型分配给注释消息的标签和与注释消息相关联的基础事实标签之间的差异。训练可包括确定与机器学习模型相关联的误差函数(例如，均方误差(MSE)、交叉熵等)的梯度，以及调整由机器学习模型施加的一个或多个权重，直到误差函数的梯度收敛到阈值(例如，局部最小值等)。
在一些示例性实施例中，一个或多个机器学习模型可以被训练以学习与由数据系统140输出的消息相关联的本体，数据系统包括例如实验室信息系统145a、访问控制系统145b、分发系统145c、电子医疗记录(EMR)系统145d等。与消息相关联的本体可以定义例如消息的不同类别、消息的不同类别之间的关系以及可以存在于每个类别中的数据。通过学习本体，一个或多个机器学习模型可以被训练以识别来自临床工作流的不同阶段的消息并且提取可能在临床工作流的每个阶段期间出现的临床意义数据。
在微生物测试工作流的情况下，例如，机器学习模型可以被训练成将来自实验室信息系统145a的消息识别为与微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、微生物的抗微生物剂敏感性等相关联。此外，相同的机器学习模型(或不同的机器学习模型)可以被训练，以从实验室信息系统145a生成的消息中提取临床意义数据，诸如培养分离株的鉴定和抗微生物剂敏感性测试(AST)的结果。因为本体定义了不同消息之间的关系，所以通过学习本体，一个或多个机器学习模型也可以被训练以确定源自实验室信息系统145a的消息的顺序和时序。
在一些示例实施例中，分析引擎120可以至少基于机器学习引擎115的输出来确定各种工作流统计。对于微生物测试工作流，例如，工作流统计可以至少基于来自微生物测试工作流的各个阶段(例如，微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、微生物的抗微生物剂敏感性等)的消息的量和/或时序来确定。临床工作流统计的示例可包括各种度量，诸如周转时间(TAT)，其指示在诸如与实验室信息系统145a相关联的微生物测试工作流的连续阶段之间经过的时间分布。替代地和/或附加地，分析引擎120可以识别趋势和/或建立基准以使得能够在不同的医疗设备、临床设施和自动化平台之间进行比较。这些度量、趋势和/或基准可以使得能够检测跨设备、设施和自动化平台的系统低效和瓶颈，否则在缺少由消息交换机110提供的统一数据接口的情况下这是不可行的。
图2描绘了示意根据一些示例实施例的用于基于机器学习的消息解析过程200的示例的流程图。参考图1-2，过程200可以由消息接口110执行，以解析例如由包括实验室信息系统145a、访问控制系统145b、分发系统145c、电子医疗记录系统145d等的一个或多个数据系统140生成的消息。
在202，消息接口100可从一个或多个数据系统接收消息。在一些示例性实施例中，消息接口100可以接收由包括实验室信息系统145a、访问控制系统145b、分发系统145c、电子医疗记录系统145d等的一个或多个数据系统140生成的消息。一些消息可以传送临床意义数据，因此是与附加任务相关联的可操作消息，而诸如过渡状态消息等的其它消息是不可操作消息。此外，这些消息可包括非结构化数据，其格式和/或内容可以跨不同的医疗设备、临床设施和自动化平台变化。
在204，消息接口100可以应用机器学习模型来确定消息是可操作消息还是不可操作消息。在一些示例实施例中，机器学习引擎115可包括一个或多个机器学习模型，其被训练以在传送与附加任务相关联的临床意义数据的可操作消息和诸如过渡状态消息等的不可操作消息之间进行区分。例如，可以使用注释消息来训练一个或多个机器学习模型，注释消息可包括已经被标记为可操作或不可操作的消息、已经被标记有临床工作流的对应阶段的消息、其内容已经被标记以指示消息中存在的临床意义数据的消息等。这样，一个或多个机器学习模型可以被训练成学习与由数据系统140输出的消息相关联的本体，所述本体定义例如消息的不同类别、消息的不同类别之间的关系以及可以存在于每个类别中的数据。通过学习本体，一个或多个机器学习模型可以被训练以识别来自临床工作流的不同阶段的消息并且提取可能在临床工作流的每个阶段期间出现的临床意义数据。
在206，消息接口110可以应用机器学习模型以从消息中提取临床意义数据。例如，对于微生物测试工作流，一个机器学习模型可以被应用以将来自实验室信息系统145a的消息识别为与微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、微生物的抗微生物剂敏感性等相关联。此外，相同的机器学习模型(或不同的机器学习模型)可以被应用以从由实验室信息系统145a生成的消息中提取临床意义数据，诸如培养分离株的鉴定和抗微生物剂敏感性测试(AST)的结果。
在208，消息接口110可以向分析引擎120发送临床意义数据以实现一个或多个下游任务。在一些示例实施例中，从一个或多个可操作消息中提取的临床意义数据可以实现一个或多个下游任务和/或决策。可以在分析引擎120处执行的下游任务和/或决策的示例可包括工作流统计的收集、资源分配等。
图3A描绘了示意根据一些示例实施例的用于基于机器学习的临床工作流分析的过程300的示例的流程图。参考图1-2和3A，过程300可由分析引擎120执行。
在302，分析引擎120可以从消息接口110接收从由一个或多个数据系统生成的一个或多个消息中提取的临床意义数据。例如，对于与实验室信息系统145a相关联的微生物测试工作流，传送临床意义数据的可操作消息可指示微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、微生物的抗微生物剂敏感性等。
在304，分析引擎120可以基于临床意义数据来识别与一个或多个消息中的每一个相关联的临床工作流的阶段。例如，对于与实验室信息系统145a相关联的微生物测试工作流，工作流的阶段可包括接种、孵化、平板成像、培养物读取、结果报告等。
在306，分析引擎120可以至少基于与一个或多个消息相关联的时间戳来确定临床工作流的两个或更多个连续阶段之间的时间量。在一些示例实施例中，分析引擎120可以确定各种工作流统计。例如，对于微生物测试工作流，工作流统计可以至少基于来自微生物测试工作流的各个阶段的消息的量和/或时序来确定。临床工作流统计的示例可包括各种度量，诸如周转时间(TAT)，其指示在诸如与实验室信息系统145a相关联的微生物测试工作流的连续阶段之间经过的时间分布。分析引擎120还可以识别趋势和/或建立基准以使得能够在不同的医疗设备、临床设施和自动化平台之间进行比较。这些度量、趋势和/或基准可以使得能够检测跨设备、设施和自动化平台的系统低效和瓶颈。
在308，分析引擎120可以响应于临床工作流的两个或更多个连续阶段之间的时间量超过阈值来确定一个或多个校正动作。例如，分析引擎120可以至少基于与可操作消息相关联的时间戳来识别微生物测试工作流中存在的瓶颈和/或系统低效，其中一个或多个实验室活动和/或工作流的阶段与高于阈值延迟相关联。响应于检测到微生物测试工作流中存在的瓶颈和/或系统低效，分析引擎120可以确定一个或多个校正动作，包括例如修改实验室活动的调度、调整与实验室活动相关联的资源的分配等。
图3B描绘了示意根据一些示例实施例的用于基于机器学习的资源分配过程350的另一示例的流程图。参考图1-2和3B，过程350可以由分析引擎120执行。
在352，分析引擎120可以从消息接口110接收从由一个或多个数据系统生成的一个或多个消息中提取的临床意义数据。如上所述，由一个或多个数据系统140输出的可操作消息可传送与附加任务相关联的临床意义数据。例如，对于与实验室信息系统145a相关联的微生物测试工作流，传送临床意义数据的可操作消息可指示微生物的培养过程的开始、微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、微生物的抗微生物剂敏感性等。
在354，分析引擎120可以至少基于临床意义数据来确定一个或多个数据系统处的资源分配。例如，响应于临床意义数据，该临床意义数据表明例如在实验室信息系统145a处遇到的超过阈值量的标本中存在对抗微生物剂敏感的微生物，分析引擎120的资源控制器125可确定分配相应量的抗微生物剂(和/或其它资源)。资源分配还可以基于源自实验室信息系统145a的消息的预测顺序和时序来执行。例如，从可操作消息中提取的临床意义数据还可包括源自实验室信息系统145a的消息的预期顺序和时序。资源控制器125可以至少基于指示微生物的培养过程的开始的消息的时间戳，在适当的时间为微生物测试工作流的后续阶段(例如，微生物的革兰氏阳性或革兰氏阴性鉴定、微生物的物种和/或生物体鉴定、微生物的抗微生物剂敏感性等)调度适当量的实验室资源。
图4描绘了示意根据本主题的实施方式的计算系统400的框图。参考图1-2、3A-B和4，计算系统400可用于实现消息交换机110、分析引擎120和/或其中的任何部件。
如图4所示，计算系统400可包括处理器410、存储器420、存储设备430和输入/输出设备440。处理器410、存储器420、存储设备430和输入/输出设备440可以经由系统总线450互连。处理器410能够处理用于在计算系统400内执行的指令。这些执行的指令可以实现例如消息交换机110和/或分析引擎120的一个或多个部件。在一些示例实施例中，处理器410可以是单线程处理器。或者，处理器410可以是多线程处理器。处理器410能够处理存储在存储器420中和/或存储设备430上的指令，以显示经由输入/输出设备440提供的用户界面的图形信息。
存储器420是计算机可读介质，例如易失性或非易失性的，其在计算系统400内存储信息。存储器420可以存储例如表示配置对象数据库的数据结构。存储设备430能够为计算系统400提供持久存储。存储设备430可以是软盘设备、硬盘设备、光盘设备、磁带设备、固态设备和/或任何其它合适的持久性存储装置。输入/输出设备440为计算系统400提供输入/输出操作。在一些示例实施例中，输入/输出设备440包括键盘和/或指示设备。在各种实施方式中，输入/输出设备440包括用于显示图形用户界面的显示单元。
根据一些示例实施例，输入/输出设备440可以为网络设备提供输入/输出操作。例如，输入/输出设备440可包括以太网端口或其他联网端口，以与一个或多个有线和/或无线网络(例如，局域网(LAN)、广域网(WAN)、因特网)通信。
在一些示例实施例中，计算系统400可用于执行各种交互式计算机软件应用，这些交互式计算机软件应用可以用于组织、分析和/或存储各种格式的数据。或者，计算系统400可用于执行任何类型的软件应用。这些应用可以用于执行各种功能，例如规划功能(例如生成、管理、编辑电子表格文档、文字处理文档和/或任何其他对象等)、计算功能、通信功能等。这些应用可包括各种插件功能或可以是独立的计算产品和/或功能。在应用内激活时，这些功能可用于生成经由输入/输出设备440提供的用户接口。用户界面可以由计算系统400生成并呈现给用户(例如，在计算机屏幕监视器上等)。
本文所述主题的一个或多个方面或特征可以在数字电子电路、集成电路、专门设计的ASIC、现场可编程门阵列(FPGA)计算机硬件、固件、软件和/或其组合中实现。这些各个方面或特征可包括在一个或多个计算机程序中的实现，计算机程序在包括至少一个可编程处理器的可编程系统上可执行和/或可解释，可编程处理器可以是专用或通用的，被耦合以从存储系统、至少一个输入设备和至少一个输出设备接收数据和指令，以及向其发送数据和指令。可编程系统或计算系统可包括客户端和服务器。客户端和服务器通常彼此远离，并且通常通过通信网络进行交互。客户端和服务器的关系借助于在相应计算机上运行并且彼此具有客户端-服务器关系的计算机程序而产生。
这些计算机程序也可以被称为程序、软件、软件应用、应用、组件或代码，包括用于可编程处理器的机器指令，并且可以以高级过程和/或面向对象的编程语言和/或汇编/机器语言来实现。如本文所使用的，术语“机器可读介质”是指用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品、装置和/或设备，例如磁盘、光盘、存储器和可编程逻辑器件(PLD)，包括接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”是指用于向可编程处理器提供机器指令和/或数据的任何信号。机器可读介质可以非暂时地存储这样的机器指令，例如，如同非暂时固态存储器或磁硬盘驱动器或任何等效存储介质那样。机器可读介质可以替代地或附加地以暂时方式存储这样的机器指令，例如，如同与一个或多个物理处理器核相关联的处理器高速缓存或其他随机存取存储器那样。
为了提供与用户的交互，本文描述的主题的一个或多个方面或特征可以在计算机上实现，该计算机具有用于向用户显示信息的显示设备，例如阴极射线管(CRT)或液晶显示器(LCD)或发光二极管(LED)监视器，以及用户可以用来向计算机提供输入的键盘和指示设备(例如鼠标或跟踪球)。也可以使用其它类型的设备来提供与用户的交互。例如，提供给用户的反馈可以是任何形式的感觉反馈，例如视觉反馈、听觉反馈或触觉反馈；并且可以以任何形式接收来自用户的输入，包括声音、语音或触觉输入。其它可能的输入设备包括触摸屏或其它触敏设备，诸如单点或多点电阻或电容跟踪板、语音识别硬件和软件、光学扫描仪、光学指针、数字图像捕捉设备和相关联的解释软件等。
在以上描述和权利要求中，诸如“至少一个”或“一个或多个”的短语可以出现，之后是元素或特征的联合列表。术语“和/或”也可以出现在两个或更多个元素或特征的列表中。除非与其所使用的上下文有相反的暗示或明示的矛盾，这样的短语旨在表示单独列出的任何元素或特征，或者与任何其它记载的元素或特征组合的任何所记载的元素或特征。例如，短语“A和B中的至少一个”，“A和B中的一个或多个”，以及“A和/或B”各自意指“单独A、单独B或A和B一起”。类似的解释也旨在用于包括三个或更多项目的列表。例如，短语“A、B和C中的至少一个”，“A、B和C中的一个或多个”，以及“A、B和/或C”各自意指“单独A、单独B、单独C、A和B一起、A和C一起、B和C一起、或A和B和C一起”。上文和权利要求书中的术语“基于”的使用意指“至少部分基于”，使得未记载的特征或元素也是允许的。
如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可包括在没有用户干预的情况下经由硬件元件进行计算、运算、处理、推导、生成、获得、查找(例如，在表、数据库或另一数据结构中查找)、查明等。而且，“确定”可包括在没有用户干预的情况下经由硬件元件接收(例如，接收信息)、访问(例如，访问存储器中的数据)等。“确定”可包括在没有用户干预的情况下经由硬件元件进行解析、选择、挑选、建立等。
如本文所用，术语“提供”涵盖各种各样的动作。例如，“提供”可包括将值存储在存储设备的位置中以用于后续检索，经由至少一个有线或无线通信介质将值直接传输到接收方，传输或存储对值的引用等。“提供”还可包括经由硬件元件进行编码、解码、加密、解密、验证等。
如这里所使用的，术语“消息”包含用于传送(例如，发送或接收)信息的各种各样的格式。消息可包括机器可读的信息集合，例如XML文档、固定字段消息、逗号分隔的消息等。在一些实施方式中，消息可包括用于发送信息的一个或多个表示的信号。尽管以单数叙述，但将理解，消息可以多个部分来组成、传输、存储、接收等。
如本文所用，术语“选择性地”或“选择性”可涵盖各种各样的动作。例如，“选择性”过程可包括从多个选项中确定一个选项。”选择性“过程可包括以下中的一个或多个：动态确定的输入、预配置的输入或用户发起的输入，以做出确定。在一些实施方式中，可包括n-输入开关以提供选择性功能，其中n是用于进行选择的输入的数量。
如本文所用，术语“对应”涵盖两个或更多个对象、数据集、信息等之间的结构、功能、定量和/或定性相关性或关系，优选地，其中对应性或关系可用于转换两个或更多个对象、数据集、信息等中的一个或多个，以使其看起来相同或相等。可以使用阈值、值范围、模糊逻辑、模式匹配、机器学习评估模型中的一个或多个或其组合来评估对应性。
在任何实施例中，数据可以被转发到“远程设备或位置”，其中“远程”表示除了执行程序所处的位置或设备之外的位置或设备。例如，远程位置可能是同一城市的另一位置(例如，办公室，实验室等)，不同城市的另一位置，不同州的另一位置，不同国家的另一位置等。因此，当一个物品被指示为“远离”另一物品时，意味着两个物品可以在同一房间中但是分开，或者至少在不同的房间或不同的建筑物中，并且可以分开至少一英里、十英里或至少一百英里。“传递”信息是指通过适当的通信信道(例如，专用或公共网络)将表示该信息的数据作为电信号进行传送。“转发”一个项目是指将该项目从一个位置转到下一个位置的任何手段，无论是通过物理地运送该项目还是其它方式(在可能的情况下)，并且至少在数据的情况下包括物理地运送承载数据的介质或传递数据。通信介质的示例包括无线电或红外传输信道以及到另一计算机或联网设备的网络连接、以及因特网，或者包括电子邮件传输和网站上记录的信息等。
所描述的人工智能的一个或多个方面可以整体或部分地由模型来实现。模型可以被实现为机器学习模型。学习可以是监督的、无监督的、加强的或混合学习，由此采用多种学习技术来生成模型。学习可以作为训练的一部分来执行。训练模型可包括获得训练数据集以及调整模型的特性以获得期望的模型输出。例如，三个特性可以与期望的设备状态相关联。在这种情况下，训练可包括接收三个特性作为模型的输入，并调整模型的特性，使得对于每组三个特性，输出设备状态匹配与历史数据相关联的期望设备状态。
在一些实施方式中，训练可以是动态的。例如，系统可以使用一组事件来更新模型。来自事件的可检测属性可以用于调整模型。
该模型可以是方程式、人工神经网络、循环神经网络、卷积神经网络、决策树或其他机器可读的人工智能结构。可用于在训练期间调整的结构的特性可以基于所选择的模型而变化。例如，如果神经网络是所选模型，则特性可包括输入元素、网络层、节点密度、节点激活阈值、节点之间的权重、输入或输出值权重等。如果模型被实现为方程式(例如回归)，则特性可包括输入参数的权重、用于评估输出值的阈值或限制、或用于从方程式集合中进行选择的准则。
一旦模型被训练，可包括再训练以改进或更新模型，从而反映附加数据或特定操作条件。再训练可以基于由本文描述的设备检测的一个或多个信号，或者作为本文描述的方法的一部分。在检测到指定信号时，系统可以激活训练过程以如所描述的那样调整模型。
在Qiu等人在关于信号处理进展(2016)的EURASIP杂志中的“用于大数据处理的机器学习调查”中描述了可包括在上述实施例中的机器学习和建模特征的进一步示例，其通过引用整体并入本文。
如本文所使用的，“用户界面”(也称为交互式用户界面、图形用户界面或UI)可以指基于网络的界面，其包括数据字段和/或其他控制元件，用于接收输入信号或提供电子信息和/或用于响应于任何接收到的输入信号向用户提供信息。控制元件可包括拨号盘、按钮、图标、可选择区域或经由UI呈现的其他可感知标记，当与UI交互(例如，点击、触摸、选择等)时，发起呈现UI的设备的数据交换。UI可以使用诸如超文本标记语言(HTML)、FLASHTM、JAVATM、NETTM、web服务或丰富站点摘要(RSS)之类的技术来整体或部分地实现。在一些实现中，UI可包括在根据所描述的一个或多个方面被配置成通信(例如，发送或接收数据)的独立客户端(例如，厚客户端、胖客户端)中。通信可以是去往或来自与其通信的医疗设备、诊断设备、监测设备或服务器。
取决于期望的配置，本文描述的主题可以体现在系统、装置、方法和/或物品中。在以上描述中阐述的实施方式并不代表与本文描述的主题一致的所有实施方式。相反，它们仅仅是与涉及所描述的主题的各方面一致的一些示例。尽管上面已经详细描述了一些变化，但是其它修改或添加也是可能的。特别地，除了本文所阐述的那些之外，可以提供另外的特征和/或变型。例如，上述实施方式可以涉及所公开的特征的各种组合和子组合和/或以上公开的若干另外的特征的组合和子组合。另外，附图中描绘和/或本文描述的逻辑流程不一定需要所示的特定顺序或连续顺序来实现期望的结果。其它实施方式可以在所附权利要求的范围内。
Claims (42)
1.一种系统，包括：
机器学习模型，被训练成接收一个或多个消息作为至少一个输入值，并且生成指示所述一个或多个消息是否是可操作的至少一个输出值；
至少一个数据处理器；以及
存储指令的至少一个存储器，所述指令在由所述至少一个数据处理器执行时，导致包括以下的操作：
从一个或多个数据系统接收针对患者的消息；
使用所述机器学习模型和所述消息来确定所述消息是可操作的；
从所述消息中提取临床意义数据；以及
至少基于所述临床意义数据来控制与所述患者相关联的至少一个医疗设备以执行一个或多个任务。
2.根据权利要求1所述的系统，其中所述执行一个或多个任务包括
至少基于所述临床意义数据来识别与所述一个或多个消息相关联的临床工作流的阶段，
至少基于与所述一个或多个消息相关联的时间戳来确定所述临床工作流的两个或更多个连续阶段之间的时间量，以及
响应于所述临床工作流的所述两个或更多个连续阶段之间的所述时间量超过阈值，确定用于所述至少一个医疗设备的一个或多个校正配置。
3.根据权利要求2所述的系统，其中所述一个或多个校正动作包括修改与所述临床工作流相关联的一个或多个活动的调度和/或调整与所述一个或多个活动相关联的资源的分配。
4.根据权利要求2至3中任一项所述的系统，其中所述临床工作流包括微生物测试工作流和/或病毒学测定。
5.根据权利要求2至4中任一项所述的系统，其中所述临床工作流的阶段包括微生物的培养过程的开始、所述微生物的革兰氏阳性或革兰氏阴性鉴定、所述微生物的物种和/或生物体鉴定、或所述微生物的抗微生物剂敏感性。
6.根据权利要求1至5中任一项所述的系统，其中，所述执行一个或多个任务包括至少基于所述临床意义数据来确定所述一个或多个数据系统处的资源的分配。
7.根据权利要求6所述的系统，其中，所述资源的分配包括响应于临床工作流的结果与资源相关联来分配所述资源。
8.根据权利要求7所述的系统，其中，至少基于所述临床工作流的结果指示存在对抗微生物剂敏感的微生物，所述资源包括所述抗微生物剂。
9.根据权利要求6至8中任一项所述的系统，其中，所述资源的分配包括
至少基于所述临床意义数据来确定临床工作流的后续阶段和所述临床工作流的所述后续阶段的时间，以及
根据所述临床工作流的所述后续阶段的所述时间来调度所述临床工作流的所述后续阶段所需的资源的量。
10.根据权利要求1至9中任一项所述的系统，其中，所述机器学习模型包括回归模型、基于实例的模型、正则化模型、决策树、贝叶斯模型、聚类模型、关联模型、神经网络、深度学习模型、降维模型和/或集成模型。
11.根据权利要求1至10中任一项所述的系统，其中，所述临床意义数据是通过至少将所述机器学习模型和/或不同的机器学习模型应用于所述消息来提取的。
12.根据权利要求11所述的系统，其中所述机器学习模型被训练以识别和标记包括在所述消息中的所述临床意义数据，并且其中响应于所述消息中的多于阈值量的数据被标记为临床意义，所述消息被确定为是可操作的。
13.根据权利要求1至12中任一项所述的系统，其中，所述机器学习模型还被训练为至少接收包括所述消息的消息序列作为所述至少一个输入值，并且生成所述至少一个输出值以指示所述消息序列是否是可操作的。
14.根据权利要求13所述的系统，其中，所述至少一个输出值指示所述消息与第一可操作事件相关联，并且其中，所述至少一个输出值还指示消息序列与第二可操作事件相关联。
15.根据权利要求13至14中任一项所述的系统，其中，所述机器学习模型将所述消息确定为可作为所述消息序列的一部分操作。
16.根据权利要求13至15中任一项所述的系统，其中，所述机器学习模型包括循环神经网络(RNN)、隐马尔可夫模型、条件随机场(CRF)模型和/或门控循环单元(GRU)。
17.根据权利要求1至16中任一项所述的系统，其中，所述至少一个医疗设备包括诊断设备、输液泵、分发柜和/或消耗站。
18.根据权利要求1至17中任一项所述的系统，其中，所述至少一个医疗设备的控制包括向所述至少一个医疗设备发送一个或多个消息以调整所述至少一个医疗设备的操作状态和/或功能元件。
19.根据权利要求18所述的系统，其中所述一个或多个消息包括一个或多个指令，所述一个或多个指令在由与所述至少一个医疗设备相关联的处理器执行时，调整所述至少一个医疗设备的所述操作状态和/或所述功能元件。
20.根据权利要求18至19中任一项所述的系统，其中所述一个或多个消息包括一个或多个值，所述一个或多个值在被应用于所述至少一个医疗设备处时，调整所述至少一个医疗设备的所述操作状态和/或所述功能元件。
21.一种计算机实现的方法，包括：
从一个或多个数据系统接收针对患者的消息；
使用机器学习模型和所述消息来确定所述消息是可操作的，所述机器学习模型被训练成接收所述消息作为至少一个输入值并且生成指示所述消息是否是可操作的至少一个输出值；
从所述消息中提取临床意义数据；以及
至少基于所述临床意义数据来控制与所述患者相关联的至少一个医疗设备以执行一个或多个任务。
22.根据权利要求21所述的方法，其中所述执行一个或多个任务包括
至少基于所述临床意义数据来识别与一个或多个消息相关联的临床工作流的阶段，
至少基于与所述一个或多个消息相关联的时间戳来确定所述临床工作流的两个或更多个连续阶段之间的时间量，以及
响应于所述临床工作流的所述两个或更多个连续阶段之间的所述时间量超过阈值，确定用于所述至少一个医疗设备的一个或多个校正配置。
23.根据权利要求22所述的方法，其中所述一个或多个校正动作包括修改与所述临床工作流相关联的一个或多个活动的调度和/或调整与所述一个或多个活动相关联的资源的分配。
24.根据权利要求22至23中任一项所述的方法，其中所述临床工作流包括微生物测试工作流和/或病毒学测定。
25.根据权利要求22至24中任一项所述的方法，其中所述临床工作流的阶段包括微生物的培养过程的开始、所述微生物的革兰氏阳性或革兰氏阴性鉴定、所述微生物的物种和/或生物体鉴定、或所述微生物的抗微生物剂敏感性。
26.根据权利要求21至25中任一项所述的方法，其中，所述执行一个或多个任务包括至少基于所述临床意义数据来确定所述一个或多个数据系统处的资源的分配。
27.根据权利要求26所述的方法，其中所述资源的分配包括响应于临床工作流的结果与资源相关联来分配所述资源。
28.根据权利要求27所述的方法，其中，至少基于所述临床工作流的结果指示存在对抗微生物剂敏感的微生物，所述资源包括所述抗微生物剂。
29.根据权利要求26至28中任一项所述的方法，其中，所述资源的分配包括
至少基于所述临床意义数据来确定临床工作流的后续阶段和所述临床工作流的所述后续阶段的时间；以及
根据所述临床工作流的所述后续阶段的所述时间，调度所述临床工作流的所述后续阶段所需的资源的量。
30.根据权利要求21至29中任一项所述的方法，其中所述机器学习模型包括回归模型、基于实例的模型、正则化模型、决策树、贝叶斯模型、聚类模型、关联模型、神经网络、深度学习模型、降维模型和/或集成模型。
31.根据权利要求21至30中任一项所述的方法，其中所述临床意义数据是通过至少将所述机器学习模型和/或不同的机器学习模型应用于所述消息来提取的。
32.根据权利要求31所述的方法，其中所述机器学习模型被训练以识别和标记包括在所述消息中的所述临床意义数据，并且其中响应于所述消息中超过阈值量的数据被标记为临床意义，所述消息被确定为是可操作的。
33.根据权利要求21至32中任一项所述的方法，其中，所述机器学习模型还被训练为至少接收包括所述消息的消息序列作为所述至少一个输入值，并且生成所述至少一个输出值以指示所述消息序列是否是可操作的。
34.根据权利要求33所述的方法，其中，所述至少一个输出值指示所述消息与第一可操作事件相关联，并且其中所述至少一个输出值还指示消息序列与第二可操作事件相关联。
35.根据权利要求33至34中任一项所述的方法，其中所述机器学习将所述消息确定为可作为所述消息序列的一部分操作。
36.根据权利要求33至35中任一项所述的方法，其中，所述机器学习模型包括循环神经网络(RNN)、隐马尔可夫模型、条件随机场(CRF)模型和/或门控循环单元(GRU)。
37.根据权利要求21至36中任一项所述的方法，其中所述至少一个医疗设备包括诊断设备、输液泵、分发柜和/或消耗站。
38.根据权利要求21至37中任一项所述的方法，其中，所述至少一个医疗设备的控制包括向所述至少一个医疗设备发送一个或多个消息以调整所述至少一个医疗设备的操作状态和/或功能元件。
39.根据权利要求38所述的方法，其中所述一个或多个消息包括一个或多个指令，所述一个或多个指令在由与所述至少一个医疗设备相关联的处理器执行时，调整所述至少一个医疗设备的所述操作状态和/或所述功能元件。
40.根据权利要求38至39中任一项所述的方法，其中所述一个或多个消息包括一个或多个值，所述一个或多个值在被应用于所述至少一个医疗设备处时，调整所述至少一个医疗设备的所述操作状态和/或所述功能元件。
41.一种存储指令的非暂时性计算机可读介质，所述指令在由至少一个数据处理器执行时，导致包括以下的操作：
从一个或多个数据系统接收针对患者的消息；
使用机器学习模型和所述消息来确定所述消息是可操作的，所述机器学习模型被训练成接收所述消息作为至少一个输入值并且生成指示所述消息是否是可操作的至少一个输出值；
从所述消息中提取临床意义数据；以及
至少基于所述临床意义数据来控制与所述患者相关联的至少一个医疗设备以执行一个或多个任务。
42.根据权利要求41所述的非暂态计算机可读介质，还存储在由所述至少一个数据处理器执行时导致包括根据权利要求22-40中任一项所述的方法的操作的指令。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163152318P | 2021-02-22 | 2021-02-22 | |
| US63/152,318 | 2021-02-22 | ||
| PCT/US2022/013932 WO2022177714A1 (en) | 2021-02-22 | 2022-01-26 | Machine learning based clinical resource controller |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117043869A true CN117043869A (zh) | 2023-11-10 |
Family
ID=80446728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280023577.7A Pending CN117043869A (zh) | 2021-02-22 | 2022-01-26 | 基于机器学习的临床资源控制器 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20230402182A1 (zh) |
| EP (1) | EP4295370A1 (zh) |
| CN (1) | CN117043869A (zh) |
| AU (1) | AU2022223385A1 (zh) |
| CA (1) | CA3208875A1 (zh) |
| WO (1) | WO2022177714A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102023135247A1 (de) * | 2022-12-15 | 2024-06-20 | Carefusion 303, Inc. | Extraktion von unstrukturierten klinischen daten ermöglicht durch maschinelles lernen |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9536052B2 (en) * | 2011-10-28 | 2017-01-03 | Parkland Center For Clinical Innovation | Clinical predictive and monitoring system and method |
| 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 |
| US10935561B2 (en) * | 2018-06-01 | 2021-03-02 | Genmark Diagnostics, Inc. | Integrated diagnostic instrument |
| US11158418B2 (en) * | 2018-08-21 | 2021-10-26 | 4medica, Inc. | Systems and methods for integrating communications in a healthcare network |
-
2022
- 2022-01-26 AU AU2022223385A patent/AU2022223385A1/en active Pending
- 2022-01-26 CN CN202280023577.7A patent/CN117043869A/zh active Pending
- 2022-01-26 CA CA3208875A patent/CA3208875A1/en active Pending
- 2022-01-26 EP EP22704182.9A patent/EP4295370A1/en active Pending
- 2022-01-26 WO PCT/US2022/013932 patent/WO2022177714A1/en active Application Filing
-
2023
- 2023-08-21 US US18/236,374 patent/US20230402182A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CA3208875A1 (en) | 2022-08-25 |
| WO2022177714A1 (en) | 2022-08-25 |
| US20230402182A1 (en) | 2023-12-14 |
| EP4295370A1 (en) | 2023-12-27 |
| AU2022223385A1 (en) | 2023-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11657043B2 (en) | Computerized tools to develop and manage data-driven projects collaboratively via a networked computing platform and collaborative datasets | |
| US11068847B2 (en) | Computerized tools to facilitate data project development via data access layering logic in a networked computing platform including collaborative datasets | |
| US11693895B1 (en) | Graphical user interface with chart for event inference into tasks | |
| US10942946B2 (en) | Automatic triage model execution in machine data driven monitoring automation apparatus | |
| El Aboudi et al. | Big data management for healthcare systems: architecture, requirements, and implementation | |
| US20190065569A1 (en) | Dynamic composite data dictionary to facilitate data operations via computerized tools configured to access collaborative datasets in a networked computing platform | |
| US20190121807A1 (en) | Computerized tools to develop and manage data-driven projects collaboratively via a networked computing platform and collaborative datasets | |
| US20190095478A1 (en) | Information technology networked entity monitoring with automatic reliability scoring | |
| US11625602B2 (en) | Detection of machine learning model degradation | |
| EP3475885A1 (en) | System and method for dynamic, incremental recommendations within real-time visual simulation | |
| US11804295B2 (en) | Machine learning based safety controller | |
| WO2016054605A2 (en) | Systems and methods involving diagnostic monitoring, aggregation, classification, analysis and visual insights | |
| US20230070209A1 (en) | Monitoring system | |
| US20230402182A1 (en) | Machine learning based clinical resource controller | |
| Fatahi et al. | Copula-based bivariate ZIP control chart for monitoring rare events | |
| WO2022072908A1 (en) | Systems and methods for data objects for asynchronou workflows | |
| US20240202057A1 (en) | Methods and systems for determining stopping point | |
| US20240145054A1 (en) | Ontological Standards Based Approach To Charting Utilizing A Generic Concept Content Based Framework Across Multiple Localized Proprietary Domains | |
| de Assis Vilela et al. | A non-intrusive and reactive architecture to support real-time ETL processes in data warehousing environments | |
| US20090319469A1 (en) | Automatic selection and retrieval of metrics for display on user interfaces | |
| US20240202595A1 (en) | Machine learning enabled extraction of unstructured clinical data | |
| Abinaya et al. | Big Data in Real Time to Detect Anomalies | |
| US20240256920A1 (en) | Systems and methods for feature engineering | |
| US11699132B1 (en) | Methods and systems for facilitating family-based review | |
| Covioli | Generation of synthetic data from digital health records |
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 |