CN1751309A - 结合体外测试数据的医学数据分析方法和设备 - Google Patents

结合体外测试数据的医学数据分析方法和设备 Download PDF

Info

Publication number
CN1751309A
CN1751309A CNA2003801098238A CN200380109823A CN1751309A CN 1751309 A CN1751309 A CN 1751309A CN A2003801098238 A CNA2003801098238 A CN A2003801098238A CN 200380109823 A CN200380109823 A CN 200380109823A CN 1751309 A CN1751309 A CN 1751309A
Authority
CN
China
Prior art keywords
data
patient
resource
information
analysis
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
Application number
CNA2003801098238A
Other languages
English (en)
Inventor
G·B·阿维纳什
M·J·沃尔克
J·M·萨波尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Medical Systems Global Technology Co LLC
Original Assignee
GE Medical Systems Global Technology Co LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GE Medical Systems Global Technology Co LLC filed Critical GE Medical Systems Global Technology Co LLC
Publication of CN1751309A publication Critical patent/CN1751309A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • 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
    • 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)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Accommodation For Nursing Or Treatment Tables (AREA)

Abstract

本发明用于处理体外测试样本数据。该体外测试样本数据被访问，并且附加数据可以被访问，例如来自综合知识库(12)，来自多个可控制和可指定的数据资源(40)的数据。可对数据进行分析(440，448)，例如通过自动计算机辅助数据操作算法(22)识别可从或可能从体外测试数据获得的感兴趣特征。根据该分析对数据或体外样本进行处理(446，454，458，460)，处理结果可包括采集(438)另外的测试样本、修改(444，452)测试样本或样本数据的处理过程等。

Description

结合体外测试数据的医学数据分析方法和设备
背景技术
本发明通常涉及医学数据处理、采集和分析领域。更具体而言，本发明涉及利用各种各样可获得的医学数据形成与诊断、治疗、进一步的数据处理、采集和分析有关的决策的技术。
在医学领域有许多不同的工具可以用于了解和治疗患者疾病。通常，医生应对患者进行体格检查，并利用多年学习积累的大量知识去鉴别患者所遇到的问题和感受的症状并确定恰当的治疗方案。支持信息的来源通常包括其他医生、参考书和手册、相对直观的检查结果和分析等等。在过去的几十年中，尤其是在近几年，各种额外的参考材料可以被医生获得，这就大大扩展了可用资源并且加强和改善了患者护理。
医生和其他看管人目前可获得的诊断资源是信息数据库和能够被指定和控制的资源。在某种程度上可以看作是传统引用库的这些数据库可以从许多资源中获得，它们在相当短的时间内为医生提供了关于可能病状的详细信息，关于如何辨认这种病状的信息和病状的治疗。当然，也可以获得类似的鉴别诸如药物相互作用、疾病诱因和医学事件(medical event)等因素的参考资料。在这些参考材料中有一部分是医护人员可以无偿获得的，但同时其它参考材料通常和捐赠或社团会员资格相联系。
也已经知道一些特定的数据采集技术，这些数据采集技术能够被指定和控制以探察潜在的物理状态和医学事件，并准确确定潜在医疗问题的来源。传统的可指定数据源包括简单的血液检测、尿液检测、体格检查的人工记录结果等等。在最近几十年中，出现了包括各种电数据采集的更加精密复杂的技术，这些电数据采集能够检测和记录人体系统的工作以及这种系统在某种程度上对环境和刺激的响应。已经开发出了更加精密复杂的系统，该系统能够提供人体图像，包括在这些系统没有开发出来之前仅能够通过外科手术看到和进行分析的内部特征，和以前用任何一种方式都不能看到的其他特征和功能。所有这些技术已经被添加到可被医生使用的大量资源中，并且明显改善了治疗质量。
虽然医学相关信息的来源有了明显地增加和改善，但是检查和数据的指定与分析、医学事件的诊断和治疗仍然很大程度上依赖于经过训练的医护人员的专业知识。在这种情况下，由人类经验提供的输入和判断不能也不应当被取代。然而，需要对医疗信息的来源进行更深入的改进和整合。尽管已经做出了在半自动模式下提供可靠诊断和分析的尝试，但是这些尝试甚至没有达到在快速和有效护理中最有用的整合和关联的水平。
一个特殊的挑战是从来自各种资源类型和各种模态数据中整合数据。特别是，可以从特定资源，尤其是从医疗诊断成像系统中获得数字化数据。这种数据已经用在诸如远程医疗和远程放射学这样的感兴趣用途中。然而，在体外样品分析的领域中很少出现数字化整合。涉及体外样品的技术通常包括用于诊断和治疗的组织和液体的分析。然而，在任何自动模式中这种步骤通常根本不会由在体外样品或体外样品试验数据的采集、处理或分析中获得的或有用的其它数据提供。因此，需要改进体外试样和采样数据的分析和处理技术，上述采样数据经受得起更灵活和经过改良的处理过程，从而增强测试和数据的效用。
发明内容
本发明提出一种为响应上述需求设计的用于处理体外试样和数据的新颖技术。根据本技术的一个方面，计算机辅助方法包括从多个可控制和可指定的数据源中的至少一个存取数据。接着，通过计算机辅助数据操作算法，分析所存取的数据以鉴别可能从体外试样中获得的感兴趣特征。然后，根据分析结果，推荐体外数据采集步骤。
根据本技术的另一个方面，计算机辅助方法包括从多个可控制和可指定的数据源中的一个存取数据，并且通过计算机辅助数据操作算法分析所存取的数据以鉴别可能从体外试样中获得的感兴趣特征。然后，根据分析结果，执行体外数据的数据操作。
根据本技术的另一个方面，提出一种计算机辅助方法，在该方法中分析体外测试数据，并且存取包括至少一种已知医学疾病预定特征的数据并通过计算机辅助数据操作算法来将其同体外测试数据进行比较。然后，根据比较结果，执行后续的数据操作。
根据本技术的另一个方面，提出一种计算机辅助方法，在该方法中体外测试数据和来自综合知识库的数据被存取，上述综合知识库包括从多个可控制和可指定的数据源导出的数据。通过计算机辅助数据操作算法，体外测试数据和所存取的数据被分析以鉴别体外试样的至少一个感兴趣特征。根据该比较来对体外试样的采集、体外试样的处理或体外试样导出数据的处理进行修改。
提出用于执行上述处理的系统和计算机程序。
本发明提出了一种为提供这种加强护理而设计的用于处理医学数据的新颖技术。本技术可以利用所有可用的医学数据，这些可用的医学数据可以看作是被包括在综合知识库中。综合知识库本身可以被分解成某种数据源以及其它可控制和可指定的资源。数据资源可以包括诸如数据库这样的事物，所述这些数据库针对特定患者、特定人群、特定疾病，或是对包括身体因素、遗传因素、金融和经济因素等在内的许多因素分类。可控制和可指定资源可以包括任何可用的医学数据采集系统，诸如电系统、成像系统、基于患者和组织的人工和机器分析系统等。根据这类数据，由一个计算机系统或由计算机系统网络执行的限定一般处理系统的例程能够鉴别和诊断潜在的医学事件。此外，处理系统可以从可控制和可指定资源中指定另外的数据采集，包括在单个时间周期期间另外的和不同类型的数据，或在延伸的时间周期上相同或不同类型的数据。
对逻辑引擎可获得的医学数据的分析可用于多种目的，首当其冲的就是对医学事件进行诊断和治疗。因此，通过对疾病状态、医学病症、将来病症和事件的趋势等更快和信息更广博的识别，能够改善对患者的护理。而且，根据具有最高优先级或最重要性的诸如医学事件和病症这样的因素，该系统允许更快、信息更广博、更具目标性和更有效的数据采集。然而，该系统实现了其它的用途。例如，根据随时间编程或获得的知识，该系统提供了磨练医师技术的更有用的训练工具。同样，该系统在不能容易地获得护理知识最丰富的护理人员和最合适的信息收集系统的区域或研究机构能够非常方便地提供高质量医学护理。
简而言之，应认为本发明提供了数据资源和本领域当前的可指定和可控制的资源的最高程度的整合。这个系统可以在更为有限的模式下实现，例如只整合某种类型的资源，或只用于某种目的的数据采集和分析。然而，即使在这种情况下，该系统也可以通过包括软件、固件和硬件模块，或通过将另外或不同的数据资源与它们在处理系统执行的分析中与其他数据资源之间的关系一起结合起来而得到进一步的扩展。所得到的系统与现存的乃至将来的医学数据资源结合，为有经验的医师和在识别和治疗医学事件和病症中经验较少的医师提供提供有益而非常有用的连接工具。
附图说明
阅读下文的详细描述并参考附图，本发明的上述和其它优点和特征将变得显而易见，其中：
图1是根据本技术多个方面的计算机辅助医学数据处理系统中某些典型功能组成部分的总体概述和各组成部分间的数据流；
图2是图1所示数据处理系统的某些典型组成部分的图解表示；
图3是某些典型数据资源的图解表示，上述数据资源能够形成在图1所示的系统中使用的知识库的一部分；
图4是某些典型可控制和可指定资源的图解表示，上述资源可以在图1所示的系统中使用；
图5是根据本技术多个方面的可控制和可指定源中典型模式以及能够被包括在数据处理系统中的某些模式的总体图解表示；
图6是某些可指定和可控制数据资源的全部结构的图解表示，说明了在某些类型内和某些周期上的各种模态的资源的可用性；
图7是图6所示的某些数据资源类型之间的信息流和信息被整合到数据处理系统用于分析和指定另外的数据采集、处理或分析的方式的图解表示；
图8是多个典型的可指定和可控制医学数据资源的按类型组织的列表表示，说明了在这些类型内的资源的各种模态；
图9是如图8所示的典型电数据资源的总体图解表示，该数据资源可以包括用于采集电数据的各种通用组成部分或模块，上述电数据反映了身体功能和状态；
图10是医学诊断成像系统的某些功能组成部分的总体图解表示，上述医学诊断成像系统用作如图9所示的一个可指定和可控制资源；
图11是典型X射线成像系统的图解表示，上述X射线成像系统可以根据本技术的某个方面被使用；
图12是在本技术中可以被使用的典型磁共振成像系统的图解表示；
图13是在本技术中使用的典型计算机断层成像系统的图解表示；
图14是在本技术中使用的典型正电子发射断层照相术系统的图解表示；
图15是典型神经网络系统的图解概述，上述神经网络系统可以用于建立和配置根据本技术多个方面的知识库；
图16是同样可以用于规划和配置知识库的专家系统的图解概述；
图17是根据本技术多个方面的系统的某些组成部分的图解概述，说明联合数据库、综合知识库、数据处理系统和非联合(unfederated)接口层之间的相互作用，上述非联合接口层用于从多个临床医生处采集信息并且用于提供输出信息；
图18是一组处理字符串的图解流程图，上述字符串可以按各种方式被初始化以便从资源和由本技术建立的知识库中采集、分析和输出信息；
图19是某些事件和处理的图解流程图，这些事件和处理随时间的流逝发生，以便通过患者交互采集患者信息、执行系统交互功能并向包括患者和临床医生的用户输出信息；
图20是某些组成部分和功能的图解表示，这些组成部分和功能可以用于改进对综合知识库的用户访问，并且用于限定和综合知识库交互的特定用户接口；
图21是在本技术的方面中使用的聚类结构等级的图解表示；
图22所示流程图说明了在图21所示结构的不同等级中执行各种功能；
图23所示流程图说明了患者控制综合记录系统的组成部分和处理；
图24所示流程图说明了预测模型开发系统的典型组成部分和步骤；
图25所示流程图说明了在如图24所示的预测模型开发模块中被执行的功能；
图26所示流程图说明了用于改善或训练计算机辅助算法和医学专业人员的技术；
图27所示流程图说明了用于体外样品处理和分析的处理步骤；
图28是根据本技术多个方面的包括一个或多个CAX算法的CAX系统的图解表示；
图29是图28的CAX算法和被算法使用函数和操作符的图解表示；
图30是并行和/或串行执行CAX算法以估计病情和状况的方案的图解表示；和
图31是计算机辅助评估算法的图解表示，上述算法可以用作一个被执行的CAX算法。
具体实施方式
现在转到附图，并且首先参考图1，图1说明了计算机辅助医学数据交换系统2的概述。如图1中的参考数字所示，系统2被设计成能通过简化医护人员可获得的数据的管理，来向患者4提供高质量的医疗处理。医护人员通常包括主治医生、放射科医师、外科医生、护士、临床医生、各种专科医生等。但是，应当理解尽管在本文中医护人员通常是指临床医生，但医护人员也可以包括职员、保险公司、教师和学生等。
图1说明的系统提供了允许临床医生和数据处理系统10交换数据的接口8。关于系统和临床医生之间能够被交换的信息的类型，以及接口和数据处理系统和它们的功能将被详细描述。如图1所示，数据处理系统10被链接到综合知识库12和联合数据库14。系统10和联合数据库14使用来自大量数据资源的数据，上述数据资源通常用参考数字18表示。联合数据库14可以是基于软件的，并且可以包括从如下所述的各种资源中提取信息、或协调或转换上述信息存取的数据存取工具。通常，联合数据库将原始数据统一成有用形式。在需要的地方，任何合适的形式均可以被使用，而且多种形式可以被使用，这些形式包括超文本标记语言(HTML)、扩展标记语言(XML)、医学数字成像和通信(DICOM)、Health Level Seven(HL7)等。在本文中，认为综合知识库12包括可用医学数据的任一种和所有类型，上述可用医学数据能够被数据处理系统处理，使其为临床医生所用以提供理想的医疗处理。在最简单的实施方式中，资源18可以仅包括单个医学数据源，诸如成像系统或更传统的数据提取技术(例如，由患者或医护人员完成的形式)。然而，资源可以包括更多和各种数据类型，这些数据类型将在下文详细描述。通常，资源和知识库中的数据通过联合数据库和数据处理系统被数字化并被保存，使这些数据可以用于提取和分析。因此，即使在使用更传统数据采集资源的地方，数据也会被安排一种允许数据被识别和处理的形式，在这种形式中数据按照由数据处理系统执行的各种分析类型被识别和处理。
在这里，术语“综合知识库”意旨包括一个或多个广义医学相关数据的资料库，资料库之间的接口和转换器以及对数据执行期望操作的处理能力，上述处理能力包括分析、诊断、报告、显示和其它功能。数据本身可以涉及患者特有特征和非患者的特定信息，关于人、机器、系统等的分级。此外，资料库可以包括保存数据的专用系统或存储设备，上述存储设备是诸如成像系统这样的与专用系统完全不同的系统的一部分。如上所述，通常通过专用或开放网络链路的链接，构成综合知识库的资料库和处理资源是可扩展的，并且可以物理上驻留在许多位置上。此外，综合知识库包含的数据可以包括临床数据(也就是，特别涉及患者健康状况的数据)和非临床数据。非临床数据可以包括表示金融资源、物理资源(如在研究机构或供给者)、人力资源等的数据。
如图1箭头所指，信息流可以包括信息交换的多种类型和传播媒介，下文将对此进行详细描述。通常，通过传统的临床出诊以及远程通过电话、电子邮件、表单等，患者4可以和临床医生6进行交流。通过多个患者数据采集接口16，患者4也可以与资源18的元素进行交互，上述接口16可以包括传统的既往病历表单、用于成像系统以及组织样本和体液采集与分析系统的接口等。通常根据接口的特性，临床医生6和接口8之间的交互可以采取任何合适的形式。因此，通过传统输入设备(诸如键盘、计算机鼠标、触摸屏、便携式或遥控输入和报告设备)，临床医生可以和数据处理系统10进行交互。此外，接口8、数据处理系统10、知识库12、联合数据库14和资源18之间的链接将在下文详细描述，但通常可以包括计算机数据交换互连、网络连接、局域网、广域网、专用网络、虚拟个人网络等。
如图1所示，各种资源、数据库和处理部分的数据处理和互连能够具有多种变化。例如，图1说明了被连接到数据处理系统10和资源18的联合数据库。这种布局方案能够允许联合数据库和其中包含的软件从各种资源中提取和访问信息，同时能够根据需要为数据处理系统10提供信息。在特定实施例中，数据处理系统10可以在资源18中直接提取或保存信息，在资源18中上述信息能够被访问并被解释或转换。同样，数据处理系统10能够被连接到综合知识库12，而且这两部分均能够被连接到接口8。因此，可分解成特定接口类型或部分的接口8可以直接从综合知识库12中存取知识，或是控制数据处理系统10从综合知识库或资源中采集、分析、处理或操纵数据。为了达到说明的目的，数据之间的这种连接在附图中被图解说明。然而，在特定系统中，针对特定患者、特定病状、特定状况等执行特定分析或相关的特定软件模块或程序被高度集成。
在本论述中，资源12被认为是包括资源的两种主要类型。第一，纯数据资源可以由先前已采集、已分析和已保存的各种类型的数据构成。也就是说，数据资源可以被看作是基准资源，上述基准资源可以表示和医学事件、医学病症、病状、金融信息等有关的信息，下文将对此进行详细描述。通常，数据资源不需要直接从患者处采集的信息。而是，这些资源在特性上更为普通，可以通过数据参考库、订阅等获得。包括知识库12的第二类资源由可控制和可指定资源构成。这些资源包括许多直接或间接从患者处采集数据的数据采集装置、机构和步骤。稍后会在本论述中详细描述这些资源，但是，通常它们可以被看作是临床资源，诸如成像系统、电参数检测装置、在全自动或半自动或人工步骤中由临床医生输入的数据等。
图2较为详细地说明了和数据处理系统10有关的组件类型。通常，数据处理系统10可以包括单台计算机，但是为了使执行的功能更有效和更强大，可以包括多个计算和接口资源。参考数字通常为20的上述资源可以包括专用计算装置、通用计算机、服务器、数据存储装置等。上述装置不但可以被安放在单个主要位置上(singleprinciplelocation)，而且可以被安放在广阔的地理区域中并通过广域网、局域网、虚拟个人网络等随心所欲地加以使用。计算资源使用并执行参考数字通常为22的程序，上述程序编码并控制数据提取、分析、编辑、报告和由数据处理系统执行的类似功能。通常来讲，这类程序可以具体化为程序，不过某些程序可以硬布线成特定组件，或者可以构成某些组件内或组件之间的固件。正如下面更详细描述的那样，程序22可以被认为包括某些逻辑引擎组件24，所述逻辑引擎组件驱动由数据处理系统10所执行的分析功能。这类逻辑引擎组件不但可以辅助医学事件和疾病的诊断，而且还可以用于下述的多个其它功能。仅仅提出几种可能的应用，所述功能可以包括可控制和可指定资源的指定和控制、病人护理提案、金融方案和状况的分析、病人护理的分析、教学和介绍。
计算资源20被设计成能通过数据资源接口26使用上述数据资源并与之交互，其中上述数据资源接口可以是联合数据库14(参见图1)的一部分。此外，数据源接口26通常包括存储在计算资源20中的计算机代码和可以存储在这些特定数据资源中的附加代码，以及允许计算资源和数据资源之间通信的代码。因此，上述代码允许信息被搜索、提取、传送和保存以供由计算资源进行处理。此外，数据资源接口26允许数据从计算资源到期望地点的发送，并被保存在数据资源内。必要时，数据资源接口也允许数据从一种形式转换成另一种形式，以便简化它的检索、分析和存储。上述转换可以包括压缩和解压缩技术、文件格式等。
计算资源20也可以通过接口28与可控制和可指定资源进行交互，上述可控制和可指定资源也可以被包括在联合数据库中。同接口26相类似，接口28可以包括上述存储在计算资源中的代码和存储在特定位置或系统中的代码，上述特定位置或系统包括可控制和可指定资源。因此，接口通常包括识别被查找信息类型、允许信息定位和提取、信息转换、在必要的地方进行信息处理和信息存储的代码。诸如为了配置用于执行检查的系统和参数、报告等，上述接口也可以允许信息从计算资源中被载入到可控制和可指定资源。也应当理解某些计算资源实际上可以被载入到、甚至可以与可控制和可指定资源整合起来，所述资源比如是位于成像设备、电数据采集设备或其它资源系统内的计算机系统和控制器。因此，由逻辑引擎组件24执行的某些操作或分析，或更一般地讲由程序22执行的某些操作和分析可以直接在可控制和可指定资源中或在本地被执行。
图2同样说明了通常示为与数据处理系统10连接的网络29。网络29尽管可能包括到数据资源接口、数据资源、可控制和可指定资源等的链接，但是也可以提供到用户、机构、患者等的附加链接。因此，网络29可以向数据处理10的各种组件发送和接收数据通信，从而允许针对更多参与者的数据采集、分析和报告功能。
如图2箭头所示，可以获得用于各种资源和接口之间和之中的通信的大量网络配置。例如，如箭头30所示，计算资源20可以直接(例如，在计算机系统的内部)或通过本地或远程连网使用程序22。因此，计算资源除了执行从专用计算机系统直接获得的程序之外，还可以根据存储的并在需要时能够访问的程序来执行例程。
箭头31和32通常表示允许在不同资源之间进行高速数据交换的各种数据交换通路，诸如可配置的和专用的网络。如图2中的箭头33所示，在数据资源接口和可控制和可指定资源接口之间的类似通信可以得以简化。在配置或操作可控制和可指定资源的过程中，上述交换可以用于使用特定数据源信息。例如，数据资源接口允许提取群体信息、“最优方法”系统配置以及能够被保存在可控制和可指定资源中的内容，如被计算资源执行的分析所示，以简化它们的操作。箭头34通常是指接口26、28和如下所述的知识库组件之间的各种数据链路，所述链路可以包括任何合适的网络连接类型或位于计算机系统内的内部连接。在数据通信30、31、32、33和34的所有情况中，任一种网络或数据传输装置都可以被设计，诸如数据总线、拨号网络、高速宽带数据交换、无线网络、卫星通信系统等。
数据资源
图3说明了可以被包括在图1所述的上述资源的数据源部分中的某些典型组件。如图2所述并且如图3中的箭头35所示，在图3中参考数字通常为38的数据资源被设计用于和数据处理系统10通信。反过来，通过接口8，数据处理系统作为一种资源被临床医生6使用，并且如箭头36所示，数据处理系统可以进一步与可控制和可指定资源40通信。如图3所示，临床医生可以直接访问数据处理系统并且直接与之交互，或通过如直线和折线箭头37所示的远程连布局方案来间接访问数据处理系统10。
除了使用数据源38并与之通信以外，数据处理系统还可以同参考数字为40的可控制和可指定资源进行通信，上述可控制和可指定资源将在下文详细描述。如上所述，数据源通常可以看作是包括能够被数据处理系统10识别、定位、提取和使用的信息和数据。此外，数据处理系统可以在恰当的地方向各种资源写入数据。
如图3所述，数据源38可以包括多个信息类型。例如，许多信息源可以在参考数字为42的医院或机构中获得。本领域技术人员能够理解信息可以被包括在放射部分信息系统44中，诸如扫描仪、控制系统或部门管理系统或服务器。同样，上述信息可以按类似方式被保存在医院信息系统46内部的机构中。许多上述机构进一步包括数据，尤其是图像数据的存档系统，该存档系统通常被称为PACS 48，其采用压缩和解压缩图像数据形式，上述图像数据的导出数据，用于采集图像的系统设置的描述性数据(诸如DICOM或其它图像文件文件头中的数据)等。除了保存在机构中的数据以外，数据可以从参考数字为50的既往病历数据库中获得。再者，这类数据库可以被保存在机构内部的某个资料库中，不过也可以从远程资源中获得这些数据库以提供特定患者的病历数据。在合适的地方，上述既往病历数据库可以对由数据处理系统搜索的且位于各种机构或诊所中的多个资源进行编组。
其它数据资源可以包括诸如病理学数据库这样的数据库。这类数据库可以被编辑以针对特定患者信息，以及针对患者群体或共享医疗、遗传、人口统计学或其它特点的人群。此外，参考数字通常为54的外部数据库可以被访问。上述外部数据库可以具有很宽的范围，诸如参考材料描述人口特征的数据库，医疗事件和疾病，治疗，诊断和预后特征等。这类外部数据库可以被基于特定预约方式的数据处理系统访问，诸如正在进行的预定方案或按次付费方案。同样，遗传和类似数据库可以被访问。上述遗传数据库可以包括基因序列、特定遗传标记和多态现象，以及这类遗传信息与特定个体或群体之间的关联性。此外，金融、保险和类似数据库58可以被数据处理系统10访问。这类数据库可以包括下列信息，比如患者金融记录、机构金融记录、支付和货品计价记录和方案、公共医疗补助制度或医疗保险制度和记录等。
最后，如参考数字为60所示的其它数据库可以被访问数据处理系统。此外，上述其它数据库对机构、成像或其它可控制或可指定数据采集系统、参考材料等是特有的。如前所述，其它数据库可以是免费获得的或者甚至可以是位于机构或机构家族内部的，而且可以以订阅方式被访问。这类数据库也可以是针对特定患者或特定群体的，以便参与被数据处理系统10执行的分析、处理和其它功能。此外，其它数据库可以包括属于临床和非临床的信息。例如，为了参与金融和资源分配的管理，上述数据库可以包括管理、财产目录、资源、实物产业、人力资源和其它能够被访问和管理以改善病人护理的信息。
如图3数据资源群组38中的多头箭头所示，各种数据源也可以彼此两两之间和多个之间进行通信。因此，某些数据库或数据资源可以提供数据(诸如保存在各种数据库中的完整或补充(compliment)数据)的直接交换。尽管上述数据交换通常可以被看作是经过数据处理系统10，但是从更一般角度的而言，借助使用一个或多个所需资源的直接交换数据的数据处理系统10，资源可以简化机构、数据仓库、计算机系统和类似物之间的直接数据交换。
可控制/可指定资源
图4同样表明了可被数据处理系统10访问的某些典型的可控制和可指定资源。如上所述，经过设计，数据处理系统可以通过适当接口8和临床医生6连接，并且可以和数据资源38连接。
通常，可控制和可指定资源40可以是患者特有的或患者相关的，也就是，可以通过物理或远程(例如，通过计算机)方式从源于患者的直接存取中收集。资源数据也可以是群体特有的，以便允许基于和已知群体特征比较的特定患者风险和状况的分析。应当理解可控制和可指定资源通常可以被看作是生成数据的过程。实际上，尽管下文将要详细描述的许多系统和资源本身就包含数据，但是这些资源是可控制和可指定的，在这个意义上它们能够被用于生成对患者进行适宜的治疗所需的数据。在可控制和可指定资源40中，典型资源是参考数字通常为62的电资源。如下文更详细描述的那样，上述资源可以包括用于检测基于传感信号的患者生理参数的各种数据收集系统。例如，上述电资源可以包括脑电描记法资源(EEG)、心电描记法资源(ECG)、肌电描记法资源(EMG)、电阻抗断层成像资源(EIT)、神经传导检查资源、眼球震颤电流描记法资源(ENG)和上述资源的组合。此外，如参考数字64所示的各种成像资源可以是可控制和可指定的。上述资源的许多形式现在可以获得，诸如X射线成像系统、磁共振(MR)成像系统、计算断层(CT)成像系统、正电子发射断层照相术(PET)系统、荧光成像系统、乳房X线照相术系统、超声描记术系统、红外成像系统、核成像系统、热声(thermoacoustic)系统等。
除了上述电系统和高度自动化的系统外，如参考数字66所示，具有临床和实验室特性的各种可控制和可指定资源是可访问的。上述资源包括血液，尿液，唾液和其它液体分析资源，包括胃肠、生殖和脑脊髓液体分析系统。上述资源可以进一步包括聚合酶链反应(PCR)分析系统、遗传标记分析系统、受体测定系统和上述系统的组合。多少有些类似，可以包括组织资源68，诸如组织分析系统、细胞学和组织分型系统等。其它组织资源可以包括免疫细胞化学和组织病理学分析系统。同样，电子和其它显微镜检查系统、原位杂交系统等可以构成典型的组织资源。药物动力学资源70可以包括诸如治疗药物监测系统、受体特征和测量系统等这样的系统。
除了直接或间接检测生理情况和参数的系统外，可控制和可指定资源可以包括财政资源72，诸如保险和支付资源、补助源和其它可以用于提供高质量病人护理并在该过程的基础上为这种护理报帐的资源。各种其它资源74可以包括大量可以将已收集的数据自动或半自动转换成有用数字形式的数据收集系统。这类资源可以包括体格检查、病史、精神病史、心理病史、行为模式分析、行为测试、人口统计学数据、药物使用数据、食物摄取数据、环境因素信息、宏观病理学信息、和来自非生物模型的各种信息。此外，当上述信息直接从患者处或通过执业临床医生和医学专业人员被人工收集时，通过数据处理系统，数据被数字化或被转换成对存储和访问有用的数字形式。
如图3所述，在图4的可控制和可指定资源40中显示的多头箭头意旨代表可以在两两之间和多个之间直接通信的某些资源。因此，成像系统可以绘制来自其它成像系统的信息，为了信息的直接交换(诸如为了图像数据生成的同步或协调等)电资源可以和成像系统连接。此外，尽管上述数据交换可以被看作是经过数据处理系统10，但是各种可控制和可指定资源间的直接交换也可以被执行。
如上所述，数据资源通常可以被看作是不直接从特定患者处采集数据的信息库。另一方面，可控制和可指定资源通常包括使用自动、半自动、人工技术从患者处采集医学数据的装置。图5通常代表某些功能模块，这些功能模块可以被认为是包括在图4所示的各种可控制和可指定资源类型中。如图5所示，上述资源可以被看作是包括某些通用模块，诸如采集模块76、处理模块78、分析模块80、报告模块82和存档模块84。当然，根据研究中的资源类型，这些各种模块的特性可能有很大的不同。因此，采集模块76可以包括用于采集原始患者数据的各种类型的电传感器、换能器、电路、成像设备等。采集模块76也可以包括更多基于人的系统，诸如问卷、调查、表格、计算机化和其它输入装置等。
处理模块78的特性和操作同样依靠采集模块和全部资源类型的特性。因此，处理模块可以包括数据调理、滤波和放大或衰减电路。然而，处理模块也可以包括诸如电子表格、数据整理软件等这样的应用。在电系统和成像系统中，处理模块也可以包括用于对图像和其它类型数据执行缩放、重建和显示的数据增强电路和软件。
分析模块80可以包括大量半自动或全自动的应用。例如，在电系统和成像系统中，分析模块可以允许用户增强或修改数据和重建图像的显示。分析模块也可以允许对临床医生收集的数据进行一些组织，以评价数据或将数据和参考范围比较等。报表模块82通常为由模块80执行的分析的输出或汇总做准备。报表也可以用于显示收集数据所使用的技术、所执行的数据序列的数目、所执行序列的类型、在上述数据采集期间的患者情况等。最后，存档模块84允许原始、中间和已处理数据被保存到本地采集系统或资源中，或被远程保存，诸如数据库、存储库、存档系统(例如，PACS)等。
包括在可控制和可指定资源内的典型模块可以和参考数字为22的程序连接，以增强各种采集、处理和分析功能的性能。例如，如图5中的图解说明，各种计算机辅助采集例程86可以用于分析先前的采集序列，并用于执行、控制或配置随后的数据采集。同样，根据先前采集数据的处理和分析，计算机辅助处理模块88可以和处理模块78连接，以执行附加或增强处理。最后，诸如计算机辅助数据操作算法(CAX)模块90这样的程序可以用于分析接收到的和已处理的数据，以提供一些可以从数据中获得的可能的诊断提示。
尽管在本论述的后面会更加详细地描述关于可控制和可指定资源类型和模态的各种类型以及模块的各种类型，但是应当理解在图5中这些组件和资源之间的各种连接是可用的，其中上述模块用于帮助完成在上述资源的数据上执行的采集、处理、分析和诊断功能。因此，在典型应用中，根据计算机辅助处理模块88执行的增强处理的结果，计算机辅助采集模块86可以指定、控制或配置数据(诸如图像数据)的后续采集。同样，根据后续数据采集，上述采集指令可以由计算机辅助诊断模块90的输出产生，以便改进做出的潜在诊断。按照类似方式，根据计算机辅助模块86或计算机辅助诊断模块90的输出，计算机辅助处理模块88可以通过处理模块78命令进行增强的、不同的或后续处理过程。然后，依靠资源和程序的各种模块在根据本技术的整个系统中的整合，这些模块允许高度循环和交叉的数据采集、处理和分析。
同样如图5所示，对于典型的可控制和可指定资源，在数据上执行并且用于提供增强采集、处理和分析的程序可以被程序22的逻辑引擎24驱动。如上所述，并且如下文更加详细的讨论，逻辑引擎24可以包括大量链接及整合程序输出的算法，诸如CAX算法，这些算法中的一些在图5中被称为CAA、CAP和CAD模块86、88和90，根据编程的相互关系、推荐等指定或控制后续采集、处理和分析。同样如上所述，程序22被计算资源20访问，并通过该资源执行。计算资源20通常可以通过上述的适当接口28和特殊资源模态的存档模块84相连接。最后，计算资源20和综合知识库12连接。从图5中应当理解知识库也可以包括特定模态的知识库19，该知识库是与资源62-74的特定模态有关的信息库。上述特定模态的知识库数据可以包括下列因素，诸如系统设置、针对特定患者或群体的优选设置、例程和协议、基于特定模态的数据解释算法等。知识库通常可以为临床医生6所用，并且在需要的地方，可以以上述临床医生的输入为基础。因此，在适当时候，为了增强和改进采集、处理、分析或这些过程的多个方面，知识库可以至少部分由专家输入的配置构成，尤其是由与特定资源模态有关的输入构成。
模态(Modality)/类型交互
本技术尤其强大的一面在于在可控制和可指定资源的类型之间、在这些类型的各种模态之间和按时间顺序在各种点做出的采集、处理和诊断之间整合各种资源数据的能力。在图6和图7中对本技术的上述方面进行了图解总结。图6以框图的形式说明了一系列可控制和可指定资源类型98、100和102。通常可以跟踪图4说明的各种规定的这些资源类型和上述资源类型每一个均可以包括一系列模态104、106和108。例如，类型98可以包括在图4中参考数字为62的各种电资源，同时资源100的另一种类型可以包括图4的成像资源64。这些类型中每一个类型的各种模态可以包括针对类型98的系统和步骤，诸如EEG、ECG、EMG等，和针对类型100系统和步骤，诸如X射线、MRI、CT成像系统等。
通常，根据本技术，图6的表示法说明了可以在第一时刻92对患者执行的各种步骤，这些步骤可以包括一个或多个数据采集、处理和诊断功能，这些功能针对任何一个或多个资源类型98、100、102或针对每一个类型内任何一个或多个模态。根据上述采集、处理和诊断的结果，数据采集、处理和诊断的后续会话可以在后续时刻94被执行。如在这两个时间点的方框之间的箭头所示，后续数据采集、处理和分析的控制和命令可以是恰当的。后续操作可以根据给定资源类型内的同一种模态或同一种资源类型的不同模态被执行。同样，系统可以根据完全不同的资源类型控制或指定上述步骤。然后，如图6中的参考数字96所示，后续步骤可以在后续时刻被执行。
本领域的技术人员能够理解本技术提供了一种用于随时间变化控制和指定医学数据处理的强有力的和高度整合的方法。例如，根据电数据在时刻92的采集和分析的结果，附加会话可以为患者规定进度，其中系统通过特定成像系统自动或半自动指定或控制图像的采集。系统也可以指定或控制临床试验数据、组织学数据、药物动力学数据或如上所述的其它杂项数据类型的采集、处理或分析。随时间变化，在各种模态和资源类型之间，然后，连同来自上述其它数据源的数据，分析可以提供关于医学事件、医学病症、病状、治疗、医疗条件和事件诱因等的极具洞察力的反馈。
图7进一步说明了随时间变化的这种信息的整合。如图7所示，按时间顺序在各种点被收集、处理和分析的各种数据和来自参考数字98、100、102所指的各种资源类型的各种数据可以被计算资源20获得并通过程序22由计算资源20处理。如上所述，上述处理可以包括大量在可用数据上执行的操作，诸如通过使用CAX算法用于分析、命令和控制的，已知的某些CAX算法，诸如CAA86、CAP88、CAD90或其它程序模块可以被计算资源20获得的程序模块。如参考数字91所示，其它上述模块可以用作应用或软件集的一部分，或随时间变化被添加。逻辑引擎组件24帮助关联数据，并帮助指定或控制数据的后续采集、处理和分析，上述数据来自一个或多个资源类型的一个或多个模态。最后，计算资源可以使信息作为综合知识库12的一部分被临床医生6获得。
关于图7的图解表示法有几个特点。首先，系统元件间的各种互连通常可以由如上所述的直接或间接通信线路提供。此外，各种资源类型98、100和102之间的互连和数据交换可以被上述组件之间的直接互连简化。这是针对每一种类型的各模态之间和不同类型的各种模态之间的情况。如图6所述，这种情况对随时间变化的上述类型和模态之间的数据交换的互连同样成立。最后，尽管在图7的整个图解表示法中对各种位置处的临床医生6进行了说明，但是应当理解根据所用的模态和类型以及患者的需求，这些可以包括相同或不同的临床医生。也就是，可以为各种资源类型甚至特定模态提供特定的临床医生或专家，同时其它经过训练的人员可以涉及其它资源类型和模态。然而最后，在本文中通常所指的临床医生6被规定为包括所有经过训练的人员，他们可以时常单独或作为一个团队提供医疗状况所需输入和护理。
可控制和可指定资源的各种类型和上述资源类型的模态可以包括任何可用的数据源，这些数据源能够用于执行本技术提供的采集、处理、分析功能。特别是，本技术设计为尽量少地提供单数据资源，比如用于随时间变化的采集、处理和分析的整合，而且在最有用的配置中，可以获得相当多的上述资源。图8列表总结了通常由参考数字110指定的某些典型资源类型和这些类型的每一个类型中的模态112。如上所述，这类可控制和可指定资源通常可以包括电数据源、成像数据源、临床实验数据源、组织学数据源、药物动力学数据源和其它各种各样的医学数据源。尽管关于这些类型和模态的每一个类型和模态的各种参考数据可以被包括在数据资源中，但是在图8的表中所枚举的类型和模态被设计用于采集特定患者的数据和直接或间接从患者身上采集的数据。下面的讨论涉及图8总结的各种类型和模态以更好地理解上述资源和方式的特征，在上述方式中这些类型和模态可以用于评估医学事件和疾病。
电数据源
可控制和可指定类型的电数据源可以被看作是包括如图9所示的某些典型模块或组件。这些组件包括可以放置在患者身上或附近以检测某些感兴趣参数的传感器或换能器114，上述感兴趣参数可以指示医学事件或疾病。因此，传感器可以检测从身体或部分身体中发出的电信号，由某些类型的运动(例如，脉搏、呼吸)产生的压力，或诸如运动、应激性这样的参数。传感器114不但可以被放置在身体的外侧，而且可以被放置在身体的内部，诸如通过导管、注入或吞咽装置，装有发射器的胶囊等。
传感器产生表示被检测参数的信号或数据。上述原始数据被发送给数据采集模块116。数据采集模块可以采集抽样或模拟数据，而且可以执行各种数据初始化操作，诸如滤波、多路转换等。然后，数据被发送给信号调理模块118，在信号调理模块中进一步的处理被执行，诸如附加滤波、模数转换等。然后，处理模块120接收数据并执行处理功能，上述处理功能可以包括数据的简单或详细分析。显示/用户接口122允许数据按用户期望格式被操作、显示和输出，诸如屏幕显示中的迹线、硬拷贝等。处理模块120也可以标记或分析用于标记的数据，以供注释、限定或标记轴或箭头和其它标记可以出现在由接口122产生的输出中。最后，存档模块124用于将数据保存在本地资源中，或保存到远程资源中。存档模块也可以允许数据的重新格式化或重建、数据压缩、数据解压缩等。图9所示各种模块和组件的详细配置当然可以根据所涉及资源和模态的特征变化。最后，如参考数字29所示，通过网络连接，图9所示模块和组件可以被直接或间接连接到外部系统和资源。
下面将更加详细地讨论可以在本技术中使用的某些电数据源。
EEG
脑电描记法(EEG)是一种通过附着在患者头部并和计算机系统相连的传感器或电极记录脑部电活动的方法，这种记录过程通常持续一个到两个小时。所述过程记录由电极检测的脑部放电。计算机系统则将脑部电活动显示成轨迹或线，其发展模式能够被记录并且能够用于分析大脑活动。脑波的若干类型可以在模式中被识别，包括alpha、beta、delta和theta波，每一种波均和一定特征和活动有关。源于大脑活动正常模式的变化能够指示某些脑异常、医学事件、疾病、病状等。
在准备做EEG检查时，因为某些食物和药物能够影响大脑活动和产生异常的检查结果，所以通常要避免这些食物和药物。也可以要求患者采取必要措施避免检查期间的低血糖(低血糖症)，而且因为某些类型的异常大脑活动必须在睡眠期间进行检查，所以如果需要的话，患者可以准备入睡。可以在医院或诊所执行EEG，而且检查通常由EEG技术人员执行。技术人员通常在患者头部的各个位置放置16-25个电极，并使用软膏或细针把电极固定在适当位置上。由医生(通常是由神经病科医生)分析EEG记录。在检查期间，患者被要求完全放松，或各种形式的刺激可以被引入，诸如使患者迅速呼吸(换气过度)或观察频闪观测器以观察大脑对上述刺激的响应。EEG通常被执行以诊断诸如癫痫症这样的特定潜在事件或疾病，或识别患者可能和上述病症一起经受的各种类型的发作。EEG检查也可以用于估计可疑脑瘤、炎症、感染(诸如脑炎)或脑疾病。检查也可以用于估计意识不清或痴呆的特定阶段。检查也可以估计在经历了心搏停止或其它严重创伤后康复时的患者预后，以确认昏迷患者的脑死亡，以研究睡眠疾病，或者当患者在外科手术期间接受全身麻醉时监测大脑活动。
ECG
心电描记法(EKG、ECG)是一种通过附着在患者皮肤上并连接到数据采集系统的电极来记录心脏电活动的方法，通常需要10-15分钟的检查。电极检测电脉冲，而且未向身体施加电流。电极检测导致心搏的身体电系统的活动。通常在患者胸部、手臂、小腿处的皮肤放置电极，通过那里的电极检测电活动。患者可以脱掉腰部以上的衣服并卷起袜子或裤子，以便露出患者的前臂和小腿。通常由专门临床医生执行的检查可以被安排在医院、诊所或实验室中进行。在检查以后，通常由心脏病学医生分析心电描记法记录。在检查期间，通常要求患者平躺在床上或工作台上，尽管其它步骤需要包括身体运动在内的特定类型的活动。在检查期间，可以要求患者在执行检查之前休息一段时间。借助胶粘剂或其它装置，通常可将12个或更多个用于检测电活动的电极放置在预定位置。上述区域可以被清洁并可能被剃去毛发以方便电极的放置和固定。此外，可以使用导电衬垫或软膏以改善电脉冲的传导。
采集系统将由电脉冲表示的电活动转换成轨迹或线。ECG轨迹通常遵循由心脏产生的电脉冲的特征模式。特征模式的各个部分可以被识别和测量，包括通常被称作P波、QRS波群、ST段和T波的波形部分。这些轨迹可以被计算机或心脏病学医生用于分析可以指示医疗事件或疾病的异常。ECG步骤通常用于识别心脏疾病，诸如心扩张、心脏血流不足的体征、心脏新或旧损伤的体征(例如，由心脏病发作引起的体征)、心律失常、由体内的化学不平衡引起的电活动变化、心包炎症的体征等。
EMG
肌电描记法(EMG)是一种用于测量肌肉收缩放电的方法，通常执行1-3个小时。通常，当肌肉收缩时，产生了能够被放置患者身上的传感器检测的电信号。EMG和在下文总结的神经传递研究能够用于帮助检测能够损害肌肉组织或神经的症状和疾病的出现、定位和存在。EMG检查和神经传递研究通常被一起执行以提供更完整的信息。
在准备EMG检查时，通常要求患者在检查前在一定时限(诸如3个小时)内避免某些药物和兴奋剂。在检查前，应记录下诸如流血或稀释血液这样的特定情况和诸如使用心脏刺激器这样的行为。在EMG检查本身中，医院或诊所中的临床医生筛除外来电干扰。神经病科医生或躯体康复专科医生也可以在需要的地方执行检查。在检查期间，通常要求患者采取放松体位，经受检查的肌肉按便于访问它们的方式被放置。待查肌肉的上覆皮肤区域被清洁，而且包括参考电极和记录电极在内的电极被放置在皮肤上。参考电极通常可以包括附着到检查区域附近皮肤上的扁平金属盘，或恰好插入到检查区域附近皮肤下面的针。记录电极通常包括通过导线连接到数据采集装置或记录器的针。记录电极被插入到被检查的肌肉组织中。然后，通常使用逐渐增加的收缩力，通过两个电极记录被检查肌肉在休息时和收缩期间的电活动。记录肌肉不同区域或不同肌肉的活动需要对电极进行重定位。由此，就可以显示出已采集的电活动数据，而且其通常具有棘波的形式。
尽管EMG检查的结果通常和其它数据一起用于诊断疾病，但是它们可以被单独分析。上述其它数据可以包括患者病史，关于特定症状的信息以及从其它检查中获取的信息。EMG检查通常被执行，用于帮助诊断能够损害肌肉组织、神经或神经和肌肉之间连接的疾病，或用于估计虚弱、瘫痪或不随意肌刺激的原因。上述检查也能够用于诊断诸如脊髓灰质炎综合症这样的疾病，以及影响正常肌肉活动的其它疾病。
EIT
电阻抗断层成像(EIT)是一种用于提供关于身体电参数信息的无创处理。特别是，该处理可以绘制出体内电导率和介电常数的模态图。电导率是材料导电性能的度量单位，同时介电常数是当施加电场被引入时材料内的电荷分离的性能的度量单位。高导电率材料允许直流和交流电通过。另一方面，高介电常数材料仅允许交流电通过。通过附着在患者皮肤上的电极向患者身体施加电流，并测量由此引起的电压，可以在典型检查中获得采集体内电导率和介电常数的交变数据。测量结果允许身体组织阻抗的计算，这种测量结果通过重建可以用于创建组织图像。
因为在检查期间提供的电流将沿最小阻抗路径传导，所以通过组织的电流将取决于患者组织的导电率分布。然后，通过各种重建技术，所获取的数据被用于重建组织图像。通常，图像重建处理包括非线性数学计算，而且所得到的图像能够被用于各种诊断和治疗目的。例如，所述过程可以用于检测肺或肺栓子中的血凝块。所述过程也可以用于检测包括肺萎缩和水液停聚的肺部问题。能够被检测的其它疾病包括内出血、黑素瘤、诸如乳腺癌这样的癌瘤以及各种其它的医学事件和状态。
神经传导检查
神经传导研究已经用于测量单个神经能够发送电信号的程度。神经传导研究和EMG研究两者都能够用于帮助检测和定位能够损害组织或神经的疾病。神经传导研究和EMG通常被一起完成以提供用于诊断的更完整信息。如果两种检查被一起执行，那么通常首先完成神经传导研究。
在准备神经传导研究时，通常要求患者避免药物以及诸如烟草和咖啡这样的刺激物。此外，在检查之前，出血或血液低粘稠性的组织和心脏植入物的使用被识别。神经传导研究本身通常由技术人员执行，而且可以在医院或诊所或用于屏蔽电干扰的专用房间中进行。通常由神经病学医生或躯体康复专科医生执行检查。在检查期间，要求患者躺着或坐着，并放松身体的被检查区域。若干扁平金属盘电极被附着在患者皮肤上，并且放电电极被放置在被检查神经上方。记录电极被放置在神经控制的肌肉上方。电脉冲被重复施加到神经上，然后传导速度或获取肌肉响应所需的时间被记录。可以对身体不同侧面的对应肌肉之间的响应时间进行比较。如上所述，神经传导研究可以被执行以检测和估计对外周神经系统的损伤，识别感觉异常的原因，诊断脊髓灰质炎后综合症以及估计其它症状。
ENG
眼震电流描记术(ENG)是指一系列用于估计患者通过眼、内耳和脑的协调输入维持位置和平衡感的检查。例如，ENG检查能够用于判断头晕或眩晕是否是由内耳或脑神经结构的损伤引起的。所述检查使用了附着在面部上且导线连接到用于监测眼球运动的装置上的电极。在EMG检查系列期间，某些不随意眼球运动称为眼球震颤，这通常在头部运动时发生的被测量。自发性或长期眼球震颤可以表现出影响神经或内耳结构或脑结构的某些疾病。
在准备ENG检查系列时，通常要求患者避免某些药物和长时间的刺激物。由于可能在检查期间干扰所用电极，所以应避免使用或应去掉助视和助听器以及面部化妆品。在检查时，一系列电极(通常是5个电极)使用导电胶粘剂被附着在患者面部。患者在暗室中采用坐姿接收检查。在检查期间，仪器被调节用于测量或监测患者如何仅使用眼睛跟踪移动点。然后，当患者闭上眼睛执行精神任务，向正前方和两边凝视，用眼睛跟踪摆锤或其它物体的运动和将头部和身体移动到不同的位置时，读数被获取。此外，在冷热试验期间眼球运动可以被监测，上述冷热试验涉及放置到或吹到患者耳里面的热或冷空气或水。在上述检查期间，电极检测眼球运动，并且监测系统将运动转换成线式记录。使用或不使用电极检测眼球运动，均可以执行冷热试验。检查结果被分析以判断异常不随意眼球运动是否被检测，头部运动是否导致眩晕，和在冷热试验期间眼球运动是否具有正常强度和方向。如果在检查期间有上述异常不随意眼球运动发生，或如果在冷热试验期间有眩晕或异常眼球运动被检测，那么结果可能指示可能存在脑或神经损伤，或耳影响平衡结构的损伤。
组合
上述方法的各种组合可以一起用于获取更详细或特定信息。尤其是，如上所述，神经传导检查和EMG研究经常被一起完成以相互补充。然而，根据一个或多个上述其它电检查的结果，同一个特征或不同类型的更详细检查可以按顺序完成。分析可以被组合起来或分别考虑以更好地识别潜在异常、物理状态或病状。
成像数据资源
可以得到各种成像资源以用于诊断软、硬组织的医学现象和状况，并用于分析特定解剖结构的功能。而且，可获得能够在外科介入中使用的成像系统，例如辅助引导外科部件通过难以接近和不可视的区域。图10提供了一种典型成像系统的总体视图，并且后面的图给出了特定医学系统主要系统元件的更为详细的说明。
参考图10，成像系统126通常包括某种类型的成像装置128，该成像装置检测信号并将该信号转换为有用的数据。如下面更详细地描述的，该成像装置128可根据各种物理元件进行操作以生成图像数据。可是，通常表示患者感兴趣区域地图像数据由成像装置在传统载体，如胶片上，或在数字媒介上生成。
成像装置在系统控制电路130的控制下工作。该系统控制电路可包括多个电路，例如放射源控制电路、定时电路、使数据采集与患者或病床的移动相配合的电路，控制放射线位置或其它源或检测器的电路等。在成像数据或信号采集后，成像器128可以处理该信号，例如用于将其转换为数字值，并将图像数据传给数据采集电路132。在模拟介质的情况下，例如胶片，该数据采集系统通常包括该胶片的支持件，以及冲洗胶片和产生随后能够数字化的硬拷贝的设备。对于数字系统，该数据采集电路132可以执行多种启动处理功能，例如调整数字动态范围、数据的平滑或锐化，以及在需要时编译数据流和文件。然后，该数据被传递到数据处理电路134，其执行另外的处理和分析功能。对于例如胶片之类的传统媒介，该数据处理系统可以向胶片施加纹理信息，以及将某种注释或患者识别信息粘附在胶片上。对于各种可获得的数字成像系统，数据处理电路执行数据的实质分析，数据排序、锐化、平滑、特征识别等。
最终，图像数据被传递给某种类型的操作接口136以进行观看和分析。虽然在观看之前可以对图像数据执行操作，该操作员接口136在根据收集的图像数据查看重建图像方面是有些用的。应当注意，在用胶片的情况下，通常图像形成在光盒或类似的显示装置上以允许放射学家和主治医生更容易地读取和注释图像序列。该图像也可以存储在短期或长期存储介质中，该目的通常视为包括在接口136中，例如图像存档和传输系统。图像数据也可以通过例如网络29传输到远程位置。应当注意，从通常的观点看，操作员接口136通常通过与系统控制电路130的接口提供了对成像系统的控制。而且，应当注意可以提供不止一个操作员接口136。因此，成像扫描器或工作站可以包括允许调节成像数据采集过程中采集的参数的接口。其中可以提供不同的操作员接口以操作、提供和增强得到的重建图像。
下面是根据图10中的整体系统结构对特定成像模态的具体描述。
X射线
图11通常表示数字X射线系统150。应当注意，虽然在图11中指的是一种数字系统，当然也可以提供传统的X射线系统作为一种在本技术中可控制和可指定的资源。尤其是，传统的X射线系统也可以以胶片的形式和数字化图像数据的形式提供非常有用的工具，所述数字化图像数据通过诸如数字化仪的形式从胶片中提取。
在图11中的系统140包括放射源142，通常是设计为发射放射线束144的X射线管。该射线可以被设定或调节，通常通过调节放射源142的参数进行调节，例如目标类型、输入功率水平和过滤器类型。产生的放射线144通常被引导通过准直器146，该准直器确定射向患者4的射线束的范围的和形状。患者4的一部分位于射线束144的路径上，并且该射线撞击到数字检测器148上。
检测器148通常包括一个象素矩阵，该检测器对射线撞击在该矩阵的各个位置的强度进行编码。闪烁体强高能量的X射线转换为低能量的光子，这些光子由检测器内的光电二极管检测。X射线由患者体内的组织进行衰减，使得该象素确定各种衰减程度，所述衰减程度由形成最终重建图像的基础的各种强度级得到。
提供了控制电路和数据采集电路以用于调节图像采集过程和检测和处理得到的信号。尤其是，在图11的描述中，提供了源控制器150，以用于调节放射源142的操作。当然，也可以提供其他控制电路以控制该系统的可控制部分，例如病床位置，放射源位置等。数据采集电路152与检测器148耦合，并且允许读出光电检测器曝光后的电荷读数。通常，光电检测器上的电荷被撞击的放射线损耗，并且光电检测器随后被充电以测量该损耗。读出电路可包括用于系统地读取对应于图像矩阵象素位置的光电检测器的行和列的电路。然后，得到的信号由数据采集电路152数字化，并传递给数据处理电路154。
数据处理电路154可执行一系列操作，包括数字数据中的偏移、增益等的调节，以及执行各种成像增强功能。然后，得到的数据传递给操作员接口或存储装置用于短期或长期存储。根据该数据重建的图像可以显示在操作员接口上，或可以通过例如网络2 9传递到其他位置以便观看。而且，数字化数据可作为曝光和将重建图像打印到诸如胶片的传统硬拷贝介质上的基础。
MR
图12是表示通常的磁共振成像系统156的图示。该系统包括将患者定位在其中进行图像数据采集的扫描器158，该扫描器158通常包括用于生成影响患者体内旋磁物质的磁场的主磁体，由于所述旋磁物质，通常是水和代谢物，视图与磁场排在一条直线上，梯度线圈产生另外的彼此正交设置的磁场。该梯度磁场有效地选择通过患者的一个组织切片进行成像，并根据在该层中的旋磁物质的旋转相位和频率对该层中的旋磁物质进行编码。扫描器中的射频(RF)线圈产生高频脉冲以激励旋磁物质，并且，当该物质视图重新随着磁场重新排列时，磁共振信号被发射，该信号被射频线圈收集。
扫描器158被耦合到梯度线圈控制电路160上，并被连接到RF线圈控制电路162上。该梯度线圈控制电路允许调节各种脉冲序列，该脉冲序列限定了用于生成图像数据的成像或检查方法。通过梯度线圈控制电路160实现的脉冲序列描述设计为对特定的切片、解剖结构成像，以及允许对移动组织，例如血液，和缓和(defusing)物质进行特定成像。该脉冲序列可顺序地对多切片进行成像，例如用于分析各种器官或功能，以及进行三维图像重建。RF线圈控制电路162允许向RF激励线圈施加脉冲，并用于接收和部分地处理由此检测到的MR信号。还应当注意，对于特定的解剖结构和目的可以使用多种RF线圈结构。另外，可用单独的RF线圈发射RF脉冲，另一个不同的线圈用于接收所得到的信号。
梯度和RF线圈控制电路的功能受系统控制器164的控制。该系统控制器执行定义图像数据采集过程的脉冲序列规程。该系统控制器通常允许通过操作员接口136对检查序列进行一些修改和设置。
数据处理电路166接收检测的MR信号并处理该信号，以获得用于重建的数据。通常该数据处理电路166对接收的数据进行数字化，并对信号进行二维快速傅立叶变换，以对在产生MR信号的选定切片的特定位置进行解码。得到的信息提供了在该切片各个位置或体元(体素)产生的MR信号强度的指示。然后，每个体素可以被转换为用于重建的图像数据中的象素强度。数据处理电路166可以执行多种其他功能，例如用于图像增强，动态范围调整、强度调整、平滑、锐化等。得到的处理后图像数据通常传递到操作员接口进行观察，以及进行短期或长期存储。在前面的成像系统的例子中，MR图像数据可以在扫描位置本地查看，也可以例如通过网络连接29传递到在研究机构内和远离研究机构的远程位置。
CT
图13描述了计算机断层扫描(CT)成像系统的基本组成。该CT成像系统168包括放射源170，其设置为产生扇形束X射线172。准直器174对射线束进行了限定。该射线束172指向由光电检测器和晶体管阵列组成的弯曲的检测器176，所述光电检测器阵列和晶体管阵列允许读出自源170发出的撞击在检测器上的二极管电荷的损耗。该放射源、准直器和检测器按照在旋转台架178上，该旋转台架使得它们能够快速地旋转(例如以每秒旋转两次的速度)。
在检查序列中，当所述源和检测器旋转时，在围绕定位在台架内的患者4的成角度移位的位置生成一系列视图帧。在每次旋转时采集许多视图帧(例如在500和1000之间)，并且进行多次旋转，例如在患者沿着该系统的轴向方向缓慢移动的螺旋模式下。对于每个视图帧，从该检测器的各个象素位置收集数据以产生大量离散数据。源控制器180调节放射源170的操作，而台架/病床控制器182调节台架的旋转和控制患者的运动。
由检测器采集的数据被数字化并传递给数据采集电路184。数据采集电路可以执行数据的初始化过程，例如产生数据文件。该数据文件可以包括其它有用的信息，比如与心动周期、特定时间在系统内的位置等相关的信息。然后，数据处理电路186接收该数据并执行大量数据处理和计算。
通常，来自CT扫描器的数据可以用多种方式进行重建，例如，完全360°旋转的视图帧可用于重建通过患者的一个切片或厚片层的图像。然而，因为通常有一些信息是冗余的(在患者的不同侧面对相同的解剖组织进行成像)，因而可以构建减少的数据集，其包括用于查看在180°角加上旋转扇形角采集的信息。作为选择，可采用多扇区重建，在多扇区重建中可以从绕患者旋转的多个旋转周期部分采集同样数量的视图帧。然后，将数据重建为有用的图像包括计算射线在检测器上的投影和识别在患者特定位置的数据的相对衰减。原始数据、部分处理的数据和完全处理后的数据可被传递用于后处理、存储和图像重建。数据可以直接由操作者获得，例如在操作员接口136获得，并且可通过网络连接29进行远程传输。
PET
图14说明了正电子发射断层摄影(PET)成像系统的基本部分。PET成像系统188包括放射示踪模块190，其有时称作回旋加速器。该回旋加速器适于准备某种标记的或放射标记的物质，例如带有放射标记物质的葡萄糖。然后，该放射物质注射到患者4，如参考数字192所示。然后将患者放置在PET扫描器194中。随着被标记物质的放射性在患者体内的衰减，该扫描器检测从被标记物质放射的物质。尤其是，正电子，有时称作阳电子，当放射性核素水平衰减时由该物质发射出来。所述正电子行程短并最终与电子结合，生成伽马光子对，扫描器中的光电倍增管-闪烁体检测器检测该伽马射线并根据所检测的射线产生信号。
扫描器194在扫描器控制电路196的控制下进行操作，它通过操作员接口136进行调节。在多数PET扫描器中，患者全身被扫描，并且由伽马射线检测的信号被传送给数据采集电路198。该射线特别的强度和位置能够由数据处理电路200识别，并且重建的图像能够用公式表示，并可以在操作员接口136上查看，或者原始的或处理后的数据可以被存储以用于后期的图像增强、分析和查看。该图像或图像数据也可以通过网络连接29传输到远程位置。
PET扫描通常用于检测癌症和检查癌症治疗效果。该扫描也用于确定血流，例如关于心脏的血流，并可以用于评价冠状动脉疾病症状。结合心肌代谢研究，PET扫描可用于从能够由例如血管成形术或冠状动脉旁路手术之类的操作获益的心肌中区分非功能型心肌，以形成足够的血流。脑部的PET扫描也可用于评价患有未确定原因的记忆紊乱的患者，以评价出现脑部肿瘤的可能性，并且分析该疾病发作的潜在原因。在这些不同的过程中，通常根据不同类型组织对标记物质的不同吸收产生PET图像。
荧光X线照相术
荧光检查法或荧光X线照相系统包括连接到摄影和视频照相机上的X线图像增强器。在数字系统中，基本的荧光系统可主要与上面参考图11所描述的系统相似。例如，在简单系统中，带有视频照相机的图像增强器可以将图像显示在视频监视器上，而更复杂的系统可包括高分辨率的荧光X线照相机，以生成静止图像和具有不同分辨率的照相机以生成动态图像。那些用于诸如数字X线系统的数字检测器也用于这种荧光X线照相系统。所收集的数据可以被记录用于以后将其重建为动画图片类型显示。这种技术有时也称为电影荧光X线照相术。这种方法在心脏研究中得到广泛的应用，例如记录活体心脏的运动。而且，可进行该研究便于以后参考，或也可以在实际的实时外科介入中执行。
和在传统X线系统一样，用于荧光X线照相系统的照相机接收视频信号，该信号由视频监视器收集用于立即显示。视频磁带或磁盘记录器可用于存储和以后重放。计算机系统或数据处理电路可以以实时地和顺序地方式对图像数据执行另外的处理和分析。
在荧光X线照相系统中使用的各种技术可称为视频荧光透视法或筛查法，和数字化荧光透视法。后一种技术取代了许多传统的基于光摄影术的方法，并且根据特定的临床应用，有时称为数字斑块成像(DSI)，数字化心脏成像(DCI)和数字化血管成像(DVI)/数字化血管造影(DSA)。诸如激光成像装置这样的硬拷贝装置被用于输出数字图像的硬拷贝。此外，荧光透视技术可用于与传统的X线技术相结合，特别是如上所述使用数字化X线检测器时。也就是，高能量X射线图像可以与荧光图像间隔拍摄，该X线图像提供了具有较高分辨率和清晰度的图像，而荧光图像提供了实时运动的视图。
乳房X线照相术
乳房X线照相术通常指使用低剂量X线系统和高对比度、高分辨率胶片或如上所述的数字化X线系统来检查乳房的特定类型的成像。其他的乳房X线照相系统可使用上面所描述的类型的CT成像系统，收集用于重建有用图像的信息集。典型的乳房X线照相术单元包括X线放射源，例如传统的X射线管，其可适于各种发射水平和滤除射线。X射线膜或数字化检测器可以放置在与放射源相对的位置，并且由设置在这些部件之间的板挤压以增强覆盖并有助于在重建图像中定位可检测的特征或异常。通常，重要特征由于与周围组织相比对X射线的吸收和衰减不同，其在所收集的数据或在曝光的胶片上是可视的，所述重要特征可包括诸如微钙化点，各种体和损伤等解剖特征。乳房X线照相术在早期癌症的检测中起到重要的作用，而癌症在非常早的阶段被检测到就能够得到更好地治疗。
超声波检查法
超声成像技术通常包括超声波扫描术，其使用高频声波而不是电离或其他类型的射线。该系统包括一个探头，该探头与患者皮肤直接相邻，其中在患者皮肤上涂有凝胶以促进声波的传输和接收回波。来自具有不同声学特性的组织平面和结构的声束的反射特性可以被检测和处理。在得到数据的亮度级指示了反射的声波的强度。
超声波扫描术通常以实时方式执行，并连续显示在视频监视器上。冻结帧图像可以被捕获，例如记录在实时研究中显示的视图。在超声系统中，如在传统的放射成像系统中，结构的外形很大程度上取决于它们的组成。例如，充满水的结构(例如囊肿)在得到的重建图像中看上去是黑色的，而含脂肪的结构通常看上去亮些。钙化，比如结石，看上去是亮的并产生特征性的阴影状伪影。
当说明超声研究时，放射学家和临床医生通常使用术语“回波强度”(echogeneity)描述对象的亮度。“低回波”结构在重建图像中表现为暗色，而“高回波”结构表现为亮色。
超声波扫描术表现出比其他成像技术优越的地方，例如没有电离辐射，系统的高度便携性，和系统相对较低的价格。尤其是，超声检查可以通过使用移动系统在病床旁和在急诊室使用，该系统也擅长于区分对象是实体的还是囊性的。配有其他成像设备，超声结果可以直接观察，或可以被存储用于以后观察，发送到远程位置并分析。
红外线
临床热成像，或者已知的红外线成像，是根据对反应人体生理状况正常或异常的皮肤表面温度的细致分析。该过程通常或者通过在身体的一部分上施加液晶板，或者通过复杂的计算机接口链接的超敏感红外照相机来进行。每个过程外推热数据并形成图像，该图像可用于评价可能的疾病或损伤的症状。身体表面温度的差异可指示异常血流增加，例如，由于内部组织的创伤或损伤而产生的血流增加。
核
核医学涉及向患者施加小剂量放射性物质，并随后记录从患者的放射线物质聚焦的位置发出的放射线。核医学在诊断和治疗中有相当广泛的应用。通常，核医学基于采用放射线形式的能量从特定类型原子核的自发发射。放射线通常采用alpha、beta和gamma射线的形式，原子核应用于放射性药物中作为示踪剂，该示踪剂可以被检测以进行成像，或者其射线可用作治疗目的。
示踪剂是一种当放置在人体内能够发射放射线并能够被识别的物质。由于不同组织对示踪剂的吸收不同，当被感觉并适当地放置在身体中，它们的发射可用于对器官和各种内部组织成像。放射性药物通常通过口服或静脉注射给药，并倾向于位于特定器官或组织中。扫描器械检测由放射线物质产生的放射线，并且根据检测的信号可以重建图像。对生物样本的放射性药物分析也可以通过将来自患者的样本，例如血液或尿液与放射线材料组合以测量该样本的各种成分。
在治疗中，由于放射线材料产生的射线在组织中能够被吸收，因此可以使用放射性材料，例如，放射性电离可以被截留在癌组织中，而没有额外的射线包绕健康组织。这种混合物用于各种类型的治疗中，例如用于甲状腺癌，由于碘易于直接进入甲状腺，小剂量的放射性碘被吸收在腺体中用于治疗或诊断目的。为了进行诊断，放射医生可以判断是否吸收的碘过少或过多，这分别提供了一种甲状腺机能减退或甲状腺机能亢进的指示。
在核医学中其他类型的成像可包括使用其他化合物，例如锝，是一种放射性药物物质，其与患者的白细胞结合，并可以用于识别骨中转移性病灶或癌症的转移。在一段时间的固定后，可以进行对特定肢体或整个身体的扫描，以判断是否能诊断转移。锝也可用于识别肝脏或胆囊的异常，例如由于结石导致的阻塞。该物质也可用在放射性核素脑室造影照片中，在这种操作中，来自患者血液的样本被除去(例如近似10cm3)，并且放射性锝通过化学方式附着到红细胞上。然后，该细胞回输给患者并通过心脏的循环被跟踪和成像。
锝在核医学中的其他应用包括诊断阑尾炎，这是由于发生炎症而在器官中出现白细胞。同样，与锝有关的技术可用于诊断异常的炎症和感染。
在放射肿瘤学中，可以确定已知或可能范围的肿瘤，  并且确定用于攻击肿瘤细胞而避免对周围健康组织产生主要损伤的放射线。外部射线治疗包括例如，来自线性加速器的射线、电子回旋加速器或用于消灭已知位置的癌的钴仪器。在短距离放射治疗中，放射源，例如碘、铯或铱组合照射到肿瘤中或沿着肿瘤的边界照射。在另一种肿瘤治疗中，已知的硼中子俘获治疗(MNCT)，由含有硼的非放射线药物生成α粒子，随后的中子束射线使得中子与肿瘤中的硼反应生成有助于消灭肿瘤的α粒子。
放射线核素能够自然地发射或可以在反应堆、回旋加速器、发生器等中产生。对于放射线治疗，肿瘤学或其他在核药物上的应用，放射性药物是人工生产的。该放射性药物具有相对短的半衰期，例如它们可以用于特定的目的，并且对无毒物质衰减相对较快。
热声学
热声学成像系统基于对特定组织施加短脉冲的能量，该能量被产生并施加到患者的组织上，使得部分能量被患者的组织吸收。由于组织的加热，引起该组织的膨胀并因此产生声波。多维图像数据能够获得，其与组织的能量吸收相关。能够可以以短脉冲射频(RF)波被施加。然后，得到的热声学射线被超声检测器(换能器)阵列检测。
热声学扫描器通常包括成像振荡回路、多通道放大器和RF发生器。该发生器和该检测器的其他部分通常设置在RF屏蔽室或屏蔽环境中。数字采集系统与旋转发动机一同提供，以采集热声学发射信号。然后，处理系统过滤该信号，并且以数字形式处理它们以进行图像重建。通常，通过传递给患者的能量确定图像对比度，并且通过声音传播特性和检测器几何学确定图像的空间分辨率。
临床实验室资源
临床实验室资源包括各种分析身体组织的技术。许多资源是以对来自身体不同部分的流体的提取和分析为基础的，并将该流体的可检测的参数与患者个体的标准或患者人群的标准进行比较。临床实验室分析的过程包括对流体或组织进行采样，采样通常在医院或门诊部期间进行。这种组织收集可包括各种采样操作，例如收集血液、唾液、尿液、脑脊液(CSF)等。上述组织被收集并存储在特别准备的容器中并传送到实验室用于检测分析。
存在许多不同的对身体流体和组织进行临床实验室检测的方法。这些技术中的一些技术包括将抗体或抗原与被检测的组织混合。所述抗体主要由免疫系统产生的特殊蛋白质组织，身体产生这种蛋白质以响应某种类型的感染或体内异质的物质或器官。抗原是使免疫系统在体内产生响应的物质，这种抗原包括细菌、病毒、药物或其他组织，在某种环境下包括患者自身的组织。
通常，例如当血液中的抗体要被检测时，抗原通常用于测试和分析。反过来，在要检测抗体的存在时，抗体可能被使用。例如，可根据将一部分引起肢体疾病的细菌——抗原放置到盛放患者血样的容器中以分析是否存在莱姆关节炎(lyme)，如果存在抵抗lyme疾病细菌的抗体，就会与抗原反应并用多种方法检测到。阳性反应将表示可能存在该疾病，而阴性反应表示可能不存在该疾病。
血液
全部血细胞计数(CBC)提供了关于血液中细胞类型和数量的重要信息。通常，血液中含有多种成分，包括红细胞、白细胞和血小板。CBC帮助医生评价症状，例如虚弱、乏力、瘀伤并诊断特定疾病状态和医学事件，例如贫血、感染和许多其他的一般病症。
CBC和其他血液测试可以针对血液成分的特定参数。尤其是，这种测试可用于确定白细胞计数、红细胞计数、血球容量、血色素、各种红细胞指标、血小板技术和其他血液环形测量。然后，得到的指标，通常采用程度或范围的形式，与已知的正常或异常水平和范围相比较，作为健康或可能患病状态的指示。随着时间的推移，这种比较可以根据患者自身正常或异常水平，作为疾病发展或治疗结果或身体本身对感染或其他医学事件的反应的指示。
在血液分析中特定类型的检测可以指示相当多的医学病症。例如，白细胞技术水平增高可指示感染或身体对某种类型治疗的响应，例如癌症治疗。白细胞可以与相互区别，以识别白细胞的主要类型，包括嗜中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞和嗜碱细胞。上述每种类型的细胞在身体响应方面都起到了重要作用，上述每种类型白细胞的数量可提供关于免疫系统和免疫反应的重要信息。因此，白细胞计数水平的水平和改变能够识别感染、过敏性或中毒反应，以及其他特定病症。
分析红细胞可用于许多目的，例如，由于红细胞提供了组织的氧和二氧化碳的交换，它们的相对计数可提供是否向身体提供了足够的氧气的指示，或者如果该值升高，指示是否存在红血球增多的可能性，红血球增多可能导致毛细血管的聚集和堵塞。血球容量计测量红细胞在血液中占的体积。血球容量值通常提供了红细胞在血液中所占的体积百分比。所述血球容量值测试测量了红细胞在血中的相对量，并提供了所述血液携带氧通过全身的能力的指示。其他红细胞指标包括平均血球容积、平均毛细血管血色素和平均毛细血管血色素浓度。这些指标通常在CBC的其他测量中确定，并且提供了红细胞相对大小、细胞的血色素含量和平均血细胞的血色素浓度的指示。例如，这些测量可用于识别不同类型的贫血。
血小板或凝血细胞计数提供了血液中血小板的相对水平，并且可用于指示凝血和出血的异常。
除了前面的分析，可以执行血液涂片检查，其中血液被涂抹和染色以进行人工或自动视觉观察。包含在血中的各种细胞类型和计数可从这种检查中得到确认，包括识别各种异常细胞类型。此外，在血液检测中可以检测大量化学成分，包括白蛋白、碱、磷酸酶、ALT(SGPT)、AST(SGOT)、BUN，血清钙、血清氯化物、二氧化碳、肌氨酸酐、直接胆红素、γ-GT葡萄糖、LDH、血清磷、钾、血清钠、总胆红素、总胆固醇、总蛋白、尿酸等。
血液检测液用于识别肿瘤生物标记物的存在或改变。例如，癌症的出现，例如结肠癌、前列腺癌、肝癌的出现直接与特定生物标记物的升高的血液水平相联系，比如致癌性胚胎抗原(CEA)，前列腺特异性抗原(PSA)，和α胎儿球蛋白(AFP)分别可由酶连接的免疫吸收剂试验(ELISA)测试检测，正如下面详细描述的那样。
尿液
对尿液样本可进行多种分析，这些分析中的某些可基于该样本的整体外观和特性，而其他分析可基于化学和显微镜分析。在根据尿液的肉眼可见的特征的分析中，检测其颜色、透明度、气味、比重和pH。
影响尿液样本颜色的因素包括流体平衡、饮食。药物和疾病状态。颜色可以是，例如指示尿液中出现血，这表示诸如肾炎之类的病症。尿液的相对清澈度(即透明或浑浊)可指示是否出现细菌、血、精子、结晶或粘液。这些反过来可指示异常的生理状况。确定的疾病状态或生理状态也可以导致气味异常，这可以在血液中检测到。比如E.大肠杆菌。尿液的比重提供和指示了溶解在样本中的物质的相对量。通常，较高的比重可以指示溶解在尿液中的较高水平的固体物质，并可以提供肾脏功能和状态的指示。样本的pH值(即样本酸碱度)可作为肾脏功能和状态的一种指标。例如，尿液pH可以通过治疗进行调整，以便避免形成某种类型的肾结石。
可以对样本进行化学分析，以提供对蛋白质、葡萄糖和酮等成分的指示。在血液中出现蛋白质是某种身体病症和状态的指示，例如发烧、正常怀孕，以及疾病，例如肾脏疾病。葡萄糖通常在血液中出现，但一般不出现在尿液中，在尿液样本中出现葡萄糖可能表示糖尿病或某种肾脏损害或疾病。酮，是脂肪新陈代谢的副产品，正常情况下出现在尿中，不过酮水平较高可是一种表明诸如糖尿病酮酸中毒的信号。其他异常状况，比如低糖和淀粉的饮食、饥饿和长期呕吐也可能导致尿液中酮水平的升高。
对尿液样本的显微镜分析可用于检测各种物质的存在，包括红细胞和白细胞、脱落物、结晶、细菌、酵母细胞和寄生虫。这种固体物质通常通过将尿液样本放置到离心机中使这些物质形成沉淀而进行检测。脱落物和结晶可指示肾脏功能异常，而存在细菌、酵母细胞和寄生虫可指示各种类型感染的存在。
唾液
对唾液的分析可用于许多临床目的。例如，性荷尔蒙检测可通过不同方法进行，包括唾液和血清。性荷尔蒙通常包括雌二醇、雌激素酮、雌三醇、睾丸激素、黄体酮、DHEA、褪黑激素和氢化可的松。在使用唾液检测中，荷尔蒙的自由部分被计算以达到基线值。唾液反映了血流中(与测量总体水平的血液和尿液不同)的类固醇的生物活性(游离)成分。荷尔蒙的游离成分能够容易地通过血液进入唾液腺中，在性类固醇荷尔蒙中的游离部分的降低特别地导致更年期前期(perimenopause)和绝经。可以执行这种测试，例如以用于判断是否荷尔蒙替代治疗可被认为使荷尔蒙水平和平衡从当前水平回到可保护的范围。
唾液测试也用于识别肿瘤标记物水平的存在或改变。例如，在妇女中乳腺癌的出现直接与唾液中c-erbB-2的升高相联系，这可以通过酶连接的免疫吸收剂(ELISA)检测，如下面详细说明的。
同样，基于痰液的测试能够用于诊断疾病状态，例如肺癌。这种诊断基于如下事实：癌细胞可以存在于从患者从气道呼出的流体中。在典型的实施方式中，临床医生将痰液样本作为一种筛查工具，在肺中的非典型细胞转化为癌细胞之前，通过判断该样本是否包括来自肺中的非典型细胞来对痰液样本进行分析。
胃肠的流体
对胃肠流体的分析在检测和诊断某种疾病状态或各种内部器官功能异常中同样重要。例如，肝功能测试(LFT)提供了对源发和继发肝脏疾病的检测，虽然通常这些检测都不是特异性的。这就是说，该结果必须经过人工分析和解释，以提供最大程度的可用信息。实际上，某些常用的检查可以作为功能检测而不是作为疾病的检测。
在一个示例性测试中，胆红素被采样和分析。胆红素来自网状内皮组织细胞的血色素分子的断裂，血色素由血浆携带送入肝脏，在肝脏中它由肝实质细胞提取，与两个葡糖苷酸分子结合形成胆红素二葡糖苷酸并排泄在胆汁中。在血清中胆红素的测量可作为总胆红素测量，包括结合和游离胆红素，并且也可作为直接胆红素，其是结合胆红素。异常症状，例如溶血可导致游离胆红素的组分增加，其可上升到不能由肝脏正确处理的水平。而且，阻塞性黄疸可由结石或癌症引起的肝外常见胆管阻塞导致，其表现为血清胆红素的增加。长期的阻塞可导致继发性肝损伤。由于肝细胞损伤导致的黄疸，例如可以在肝炎或失代偿性的活性肝硬化中发现的黄疸，也可以通过胆红素的升高得到证实。
如又一个例子，对碱性磷酸酶的分析可以提供肝损伤的指示。该酶主要在肝脏和骨中产生，并且对部分或轻度胆阻塞非常敏感。在这种情况下，可能碱性磷酸水平升高，而胆红素正常。虽然在急性肝细胞损伤的轻度病例中会出现碱性磷酸酶几乎或不出现升高，在肝硬化中，碱性磷酸可根据代偿和阻塞的程度而改变。而且，在肝脏和骨中可发现不同的碱性磷酸同工酶，其可用于提供血清碱性磷酸升高的来源的指示。
天冬氨酸转氨酶(AST)是在几种器官中发现的酶，尤其是心脏、骨骼肌肉和肝脏。肝实质细胞的损伤时释放AST，并且在急性肝炎的情况下，AST水平通常会根据在样本被提取的特定时刻肝实质损伤的严重性和程度而升高，在诸如像肝脏的被动充血这样的情况下，可检测各种程度的AST升高，尤其是情况严重和急性时。
同样，丙氨酸转移酶(ALT)是一种最常见的酶，虽然它并不仅在肝脏中出现。在肝脏疾病中，ALT在与AST类似的情况下升高，虽然除了患有更广泛的和严重的急性肝实质损伤，ALT看上去在敏感性上稍逊于concitoin。ALT分析的优点在于它对肝损伤相对来说具有特异性。
胃肠流体的许多其他成分可以提供对异常病症和疾病状态的指示。例如，乳酸脱氢酶，虽然它的敏感性比AST稍差，但也可以提供对肝损伤和肝炎的指示。γ谷氨酰转肽酶是另一种主要在肝脏和肾脏中找到的酶，在相当多的肝脏疾病中该酶升高。血清蛋白，例如白蛋白主要在肝脏中合成，并且至少中等严重程度的急性或慢性损伤性肝脏疾病在电泳试验中表现为血清白蛋白减少。同样，凝结因子在肝脏中合成，这样一些凝结测试(例如凝血素时间或PT)是肝功能的相对敏感的指标，AMM(氨)水平的升高可发生于肝脏功能失调、肝衰竭、胎儿成红细胞增多症、肺心病、肺气肿、emphysma、充血性心力衰竭和锻炼。AMM(氨)水平的降低可发生于肾衰竭、实质或恶性高血压症或使用某种抗生素(例如新霉素，四环素)。此外，肝炎相关抗原(HAA)可辅助诊断A、B、非A，非B型肝炎，肝炎康复的跟踪，以及识别肝炎载体。免疫球蛋白G(1gG)水平可用于诊断和治疗免疫缺乏症、蛋白质损失症、肝脏疾病、慢性感染以及特定疾病，例如多发性脑脊髓硬化症，病毒性腮腺炎、脑(脊)膜炎，而免疫球蛋白M(1gM)水平可用于诊断和治疗免疫缺乏症、蛋白质损失症、瓦尔登斯特伦病(Waldenstrom’s Macroglobinema)，慢性感染和肝脏疾病。其他可分析的成分包括碱性磷酸酶，例如用于区别肝脏和骨疾病，并且用于诊断和治疗甲状旁腺和肠疾病；亮氨酸amiopeptidase，用于诊断肝脏疾病；淀粉酶，用于诊断胰腺炎和影响唾液腺、肝脏、肠、肾脏和女性生殖道疾病；脂肪酶，用于诊断胰腺炎和胰腺癌。
生殖体液
可对生殖体液进行多种测试以评价生殖系统的功能，以及由于包括疾病、损伤和衰老的多种事件和病症引起的疾病状态和异常功能，在许多可使用的测试中，宫颈粘液测试通过预测排卵期和判断是否处于排卵期来测试生殖能量。同样，通常进行精液分析以评价男性生殖力和在输精管切除术通过检测异常体积、密度、运动性，和模态学证明可靠地绝育。帕帕尼科拉乌涂片试验(通常称作巴氏涂片、巴氏试验或癌细胞测试)用于测试宫颈和阴道分泌液的肿瘤细胞，或跟踪某种异常(例如不孕症)。
生殖液的特定测试和分析可以直接对应于特定疾病状态，例如，淋病培养物可用于诊断淋病，而衣原体涂片用于诊断衣原体感染，其表示是否涂片的革兰氏染色表现出了多形核白细胞。
脑脊液
脑脊液通常是脑和脊髓周围清澈、无色液体，通常，分析脑脊液用于检测是否存在各种感染性生物。该液体通常通过腰椎收集，也称为脊椎穿刺。在这一操作中，针插入到脊髓腔中以获得脑脊髓样本。在腰椎穿刺中，测量脑脊液的压力。然后，样本被收集并在稍后进行颜色、血细胞计数、蛋白质、葡萄糖和其他物质的分析。脑脊液样本可用于各种促进传染性生物的生长的培养物，例如细菌或真菌，以检查感染。
PCR
聚合酶连锁反应通常指检测和放大特定DNA或RNA序列的方法。通常，虽然许多完全基因组已经并且继续被排序，以用于研究和临床目的，但在临床应用中某些已知的遗传区域被标定(targeted)。通常，可能是异常病症、疾病状态或特定病症发展倾向的原因的特定基因呈现组成分子的独特序列。此外，传染性生物，包括病毒和细菌，拥有特异性DNA或RNA序列，这些序列对特定种或类的生物是唯一的，这也可以通过这种标定的序列检测。
PCR技术用于在一系列简单的中间温度酶和分析反应中产生大量特异性核酸序列(DNA/RNA)。从遗传物质的一个单个分子开始能够合成超过一百万同样的复制品。通过检测在临床样本中该唯一的序列的存在或缺乏，PCR能够用于许多目的，例如诊断某些病毒感染。PCR也可作为一种对临床样本中的病毒物质进行定量的方法。该技术也可用于法医目的，用于分析父系和血统等。此外，PCR化验可用于各种病毒和病毒性疾病的诊断、定量和研究目的。
基因标记
随着基因测试和染色体序列的发展，基因标记允许对要评价的病症和疾病具有非常高的特异性倾向。人体基因组工程明显地提高了对组成人体基因组的特定基因材料和序列的理解，包括据估计的50,000到100,000基因以及它们之间的空间。所得到的图一旦得到精炼并与表示每个基因和整个基因组功能的数据结合考虑，就可以用于评价患者现存的、过去的和将来可能的病症。
虽然存在几种基因绘制的方法，通常，科学家首先寻找最易识别的基因标记，包括已知位于与已知疾病或症状相联系的基因附近的DNA段，并一致地由那些患有疾病而在亲属中未发现未患有该疾病的人遗传。然后，研究确定改变了的一个或多个基因的精确位置，并试图描述特异性碱基改变的特征。然后，绘制基因标记图，该图描绘了基因和其他DNA标记沿染色体的顺序。
即使在基因突变的精确位置已知之前，探针有时也用作可靠的基因标记。这种探针可由单股DNA长度组成，其连接到放射线分子上并与感兴趣的基因的周围区域相匹配。该探针结合在该区域，然后，来自探针的放射线信号在X线胶片上是可视的，其显示了探针和DNA在那里匹配。
基于探针和标记的预测性基因测试在诊断与基因相联系的疾病和症状中变得越来越重要。预测性的基因测试已经可用于二十多种疾病中，包括危及生命的疾病，例如囊性纤维化和Tay Sachs疾病。基因也被发现与几种类型的癌症相联系，并且用于几种罕见癌症的测试也已经用于临床使用。最近，科学家已经确定与患常见癌症的遗传倾向相联系的基因突变，包括结肠癌和乳腺癌。通常，应当注意，这种基因标记和测试通常不能表明将来可能患有的病症，而是仅仅提供一种表明存在特定的序列或突变的指示(虽然也许有很强的联系)。
放射性免疫测定
放射性免疫测定(RIA)是一种用于检测少量抗体(Ab)或抗原(Ag)，和它们之间的相互作用和反应的技术。所述Ab或Ag被标记有放射性同位素标记，例如碘-125，并且然后通过伽马计数器检测抗体和抗原的存在。在典型操作中，Ab与粘附到过滤器的荷尔蒙结合，血清样本被添加，并且任何荷尔蒙(Ag)允许时间结合到Ab上。为了检测这种结合，放射物标记的荷尔蒙被添加并允许时间结合。所有未结合的物质都被去掉。结合射线的放射性的数量用伽马计数器测量。因为在血清中荷尔蒙的存在抑制了放射标记的荷尔蒙的结合，所以在测试中存在的射线的放射线数量与血清样本中荷尔蒙的数量成反比。使用标准曲线确定样本中的数量，该标准曲线中荷尔蒙的已知浓度逐渐增加。
RIA可用于检测非常少量的Ag或Ab，并且由此用于测量在患者血清中存在的荷尔蒙或药物的数量。RI A也可在溶液中进行而不是在过滤器中进行。在某些情况下，RIA由酶联免疫吸收剂测定(ELISA)或荧光偏振免疫测定(FPIA)。这种测量具有类似的敏感性。FPIA是高度定量的，并且至少能够合适地设计为近似定量的。RIA也能够用于测量对各种变应原具有特异性的血清IgE抗体的数量，在这种情况下，该测定可以被称为放射变应性吸附法测试(RAST)。
ELISA使用酶检测Ag和Ab的结合，酶将称为色原的无色物质转换为有色的产物，该产物表示Ag/Ab的结合。制备协议可根据Ab或Ag是否被检测而不同。通常，Ag和Ab的组合物连接到表面，检测样本被加入并允许被培养。抗球蛋白或以共价键连接到酶上的第二个Ab被加入，并允许培养，并且未结合的抗球蛋白或酶联Ab从表面中冲掉。该酶的无色物质被添加，并且，如果该酶联的物质在表面上，则该酶将转换为一种有色物质用于检测。
ELSA技术的各种变型包括竞争性ELISA，其中样本中的Ab将与Ag结合，然后抑制与Ag反应的酶联Ab与定量的ELISA的结合，其中大致与样本阳性成比例的颜色变化的强度被量化。
层析法
层析法包括多种通过将复杂混合物分离为固相bed或可流动相的方式分离或分析复杂混合物的技术，其中可流动相渗透通过固相bed。在这种技术中，所述成分以不同速率通过层析装置。高于可吸收物质的移动速率提供了理想的分离。通常，分子对固相的亲合力越小，在分离柱中花费的时间就越短。
层析法的作用包括能够对复杂混合物进行高精度地分类，包括对非常相似的成分的分离，例如由单个氨基酸区分蛋白质。因此该技术能够用于净化溶液或挥发性物质，或用于测量目的。层析法也可用于分离产物被分离后得到的差别细微的产物。
层析法分离在层析柱中进行，该柱通常由玻璃或金属制成。该柱或者由填充层形成，或者由管结构形成。填充层柱体包含组成固相的粒子。开放的管状柱体可以与薄膜状的固相排成一列，该柱体的中心是空的。流动相通常是一种溶剂，其流动穿过该盛有待分离的混合物的柱体。该固相通常是一种标记于固体颗粒表面上的粘性液体，所述固体位置填充到该柱体内。虽然固体颗粒也可以被看作固相。将溶液区分为固相和液相便于进行理想的分离。
现在有几种类型的层析法，并且它们可用于医学数据收集目的。通常，这些类型包括吸收层析法、划分层析法、离子交换层析法、分子排除层析法和亲合层析法。
受体测定
神经元根据电现象传递冲动，其中神经纤维顺序地极化和去极化。通常，由于神经元内钾离子浓度和神经元外钠离子浓度，产生跨细胞边界的电位，典型地是80mv左右。当刺激被施加到细胞上时，电位的改变导致离子流去极化，然后神经递质通过突触间隙并传播神经冲动。
设计测试来确定物质是否存在，所述物质包括可以引起神经响应可以激起神经响应的神经递质、毒素等。通常，这种测定用于检测激发特定兴趣的化学物质的存在。例如，软骨藻酸受体结合测定能够用于识别与大脑中的谷氨酸受体结合的物质。
在软骨藻酸受体结合测定的情况下，例如，进行cainic酸的制备，包括放射性标记物，例如3H。通过允许放射性cainic酸附着到包含谷氨酸受体的细胞上，在将cainic酸(其在与谷氨酸作用方式相似)结合到谷氨酸(一种常见的氨基酸神经递质)和软骨藻酸的细胞中存在出的放射性能够被检测。实际上，通常根据额外的已知的软骨藻酸在细胞中的量生成标准曲线，并且该标准曲线然后用于测量在制备样本中测定物质的浓度。
组织的数据资料
组织分析
组织学是对组织的结构和行为进行显微镜研究。根据研究样本的生命状态将它分为两类：无生命和有生命的样本。第一类是对无生命样本的传统研究。在制备研究样本时可使用多种不同的方法，这通常由被研究的组织的类型来确定。一些常用的制备方法是：将薄层切片放在载玻片或金属网格上，将涂片放在载玻片上；组织切片拉伸展开；纤维已经与strand分离。这些方法所使用的一些常见的样本类型包括器官、血液、尿液、粘液、网状结缔组织和肌肉组织。
大多数无生命样本的制备方法是相当直接的，不过用于制备切片的实际方法是非常复杂的。样本首先必须被保存以防止腐烂，保存该细胞结构，并加强以后的染色。该样本通常或者被冷冻，或者嵌入到蜡或塑料中，这样它能够被合适地切开。感兴趣的切片被切下，通常由观察装置指示其厚度，例如光学显微镜为1-150微米，或电子显微镜为30-60纳米。该切片安装在载玻片或金属网格上，然后该切片通常被染色，通过化学染料或试剂分几个阶段染色。如果样本要在光学显微镜下观察，然后，过多的水分和染料被除去，并且在载玻片上的样本将由盖玻片覆盖。最后，该样本将被观察、分析，并且观察到的数据被记录。
对有生命的样本的样本类型和研究方法严格地受到保持样本存活的限制。通常，样本可以在体内或在体外观察到。典型的体外样本是组织培养系统。典型的体内样本也必须在可观察的情况下是可获得的，即耳朵或皮肤组织。因为染色和其他制备方法是不合适的，所以专用的相衬或暗视野显微镜通常用于提供自然结构之间的增强的对比。
细胞学
细胞学是对细胞结构、功能、病理学和生活史的研究。与其他组织学的数据收集技术相比，细胞学的优点包括它能够被执行的速度，它的相对低的花费和它能够产生特异性的诊断这一事实。其缺点包括通常观察的样本大小较小，缺乏关于组织结构的信息，以及要求进行研究的临床医生具有较高水平的技巧。使用的样本收集方法通常取决于要收集的样本类型。这种方法包括精细的针吸，固体组织印压涂片或刮屑，以及液体涂片。抽吸是一种通过吸引进行的样本收集法，由各种方法收集的常用的样本类型包括甲状腺、乳房或前列腺(prostrate)样本，子宫，宫颈或胃组织，和排泄物(尿液或粪便)或分泌物(痰，前列腺分泌物或阴道分泌物)。
细胞学样本制备方法相对直接。该样本首先从被检查区域移除，然后放置在载玻片上，染色并进行研究。当该样本是固体时，另一种称为挤压制备法的方法可能是合适的。在这种操作中，该样本放置在第一载玻片上，用第二载玻片挤压，然后使用第二载玻片沿着第一载玻片展开。
细胞学样本分析通常包括将该样本与正常细胞进行比较确定该样本的解剖学位置。然后，这些细胞被分为正常或异常。异常通常通过存在感染、增生或瘤形成而确定。增生是由于过多细胞的形成导致组织或器官尺寸的增加，它不依赖于身体的自然生长。瘤形成是一种异常生长形式，即肿瘤。异常细胞可以被细分为炎性或非炎性，主要的炎性细胞的类型被确定。炎症可以通过存在高于或大于正常值的白细胞或巨噬细胞加以确定。白细胞根据它们的自然外形分为两组：颗粒状或非颗粒状。颗粒状白细胞的例子是中性粒细胞和嗜酸性粒细胞。非颗粒状白细胞包括淋巴细胞。如果样本细胞是非炎性，那么它们将被进行恶性肿瘤检查。如果这些细胞是恶性的，则恶性组织的类型被确定。
组织分类
组织分类是识别患者的人类白细胞抗原(HLA)模式。该HLA模式位于染色体6的区域，称为主要的组织相容性复合体(MHC)。该HLA系统对抵抗感染是非常重要的，因为它可以为身体的免疫系统区分异质和自身细胞。由此，这种模式也对于组织移植领域非常重要，因为如果供体和受体的HLA模式足够相似的话，则受体的免疫系统就将攻击(“拒绝”)该移植的器官或组织。这里有五组(称为位点)组成HLA模式的抗原：HLA-A，HLA-B，HLA-C，HLA-D，HLA-DR。每种抗原的位点包括许多变型，称为等位基因，如果已知，用数字表示，即HLA-A2。临床识别的等位基因用字母或数字表，即HLA-Cw5。每个人从父母的每个位点遗传一个等位基因。因此，两个同胞具有相同的等位基因的可能性是25％。两个人的亲缘关系越近，他们各自的HLA模式将会越相似。因此，组织分类可用于确定两个人是亲戚的可能性。而且，具有一定HLA模式的父母更易于患某种疾病，然而，这种现象的原因是未知的。通常需要进行组织分类测试的是血样。
用于进行组织分类的两种常用的方法包括血清学和DNA测试。直到最近，只有血清学测试被执行。然而，因为HLA-A，B，Cw和DR位点的氨基酸序列已经确定，所以DNA测试已经称为用于HLA模式的这些位点的最广泛使用的测试方法。血清学测试通常通过在盛有抗血清物质的盘中的血样中培养淋巴细胞，该抗血清物质会破坏或溶解某种血清。然后加入染色剂来看是否出现被溶解的细胞，如果出现，则该测试对这种特异性血清阳性。
免疫细胞化学
免疫细胞化学用于研究组织和细胞的化学构成，其涉及识别和定位不同的化学成分和它们在细胞内的活动性。免疫细胞化学包括许多方法，其中个抗体用于在组织或细胞中定位抗原以进行显微镜检查，存在几种使抗体可视化的方法。
对于发射光显微镜，通常使用酶的显色作用物。抗体能够直接标记该酶。然而，在抗体和酶之间的共价连接导致酶和抗体活性的损失。由于这种原因，形成了多步骤染色操作，其中使用了中间链接(intermediate link)抗体。
立体测量学是一种定量技术，它提供了必要的数学背景，以预测在随机定位的，有规律的放置几何学探头和感兴趣的结构之间相遇的可能性。简单地说，照相机可以安装在显微镜上，该显微镜带有较高精度的机动的镜台和监视运动的指针测微计。照相机耦合于配置成能执行立体测量学软件的计算机连接。所述分析使用具有较大数值孔径的物镜以较高放大倍数进行，这允许组织能够光学地切成薄片，例如厚度为0.5μm。定量分析需要具有均匀和良好的免疫组织化学染色穿透性的较厚的切片(40μm)。
电子显微镜检查术通常也被用在免疫细胞化学中。在典型的样品制备方法中，样品首先被保存。在一种组件类型中，样品被嵌入到环氧树脂中。然后，若干样品被装配到称为层叠型的层状组件中，在组件中容易进行多个样品的同时切片。当层叠型组件无法使用时，另一种称为镶嵌型的组件类型能够被使用。镶嵌型组件包括并排放置若干样品，然后将它们嵌入到环氧树脂中。在层叠型或镶嵌型组件被装配后，接着就可以进行切片和检查了。
组织病理学分析
组织病理学分析涉及借助使用肉眼和显微镜的组织检查做出诊断。组织病理学可以分为3个主要领域：外科病理学、细胞学和尸体解剖。外科病理学包括活组织切片和切除样品的检查。细胞学包括大部分筛查程序(例如，乳腺癌筛查和子宫颈细胞学程序)和患者症状损伤(例如，乳房肿块或头部和颈部肿块)的调查。
电子显微镜检查术
电子显微镜是使用高能电子束以极精密的标度检查物体的科学仪器。电子显微镜有两种常见类型：透射和扫描。此外，样品切片必须在真空中观察，并且样品切片必须切得很薄，以致于它们可以被电子束穿透。
在显微镜检查中使用的两个主要指标是放大倍数和分辨率。放大倍数是(所观察)样品的表观尺寸和真实大小的比值。电子显微镜的样品放大倍数比光学显微镜的样品放大倍数高，最高可以高达200倍。分辨率是能够将两个物体区分开的最小距离。电子显微镜的分辨率大约是0.002μm，比光学显微镜的分辨率高达100倍。
借助电子显微镜的样品检查能够产生关于样品的有用信息，诸如局部解剖学、形态学、组成和结晶信息。样品局部解剖学涉及物体的表面特征。样品的这些特征通常和材料属性(硬度、反射率等)成正比。样品的形态学是指构成样品的微粒的形状和大小。样品微粒的结构通常涉及它的材料属性(延展性、强度、反应性等)。所述组成包括构成样品的元素和化合物以及这些物质的相对数量。样品的组成通常表示它的材料属性(熔点、反应性和硬度等)。结晶信息与样品的原子排列有关。样品的原子排列也涉及它的材料属性(传导性、电特性、强度等)。
原位杂交
原位杂交(ISH)是指在无性系细菌或人工培养真核细胞中使用DNA或RNA探针检测互补DNA序列的出现。真核细胞指示具有被膜包围、结构上不连续的核并且具有其它发达的细胞内细胞器的细胞。真核细胞包括除病毒、细菌和蓝藻以外的所有生物体。ISH的两种常见类型是荧光(FISH)和基于酶(enzyme-based)的类型。
ISH技术允许在形态学固定(morphologica11y preserved)染色体、细胞或组织切片中检测特定核酸序列。结合免疫细胞化学，原位杂交能够将显微拓扑信息同DNA、mRNA和蛋白质水平的基因活性联系起来。而且，带有稳定非放射性标记的预备核酸探针能够清除阻碍ISH一般性应用的主要障碍。此外，这有可能开辟了在一个实验中组合不同标记的新机会。可以用于这种探头的许多灵敏抗体检测系统进一步增强了这种方法的灵活性。
一些不同的荧光或基于酶的系统被用于检测已标记的核酸探针。这些选择为研究人员提供了优化实验系统的灵活性，以获得高灵敏度、避免诸如内源性生物素或酶活性这样的潜在问题、或在单个实验中引入多个标记。当选择最佳探针标记和后续检测系统时，诸如组织固定、内源性生物素或酶活性、期望灵敏度和记录永久性这样的因素均被考虑到。
组合
上述方法完全或部分的任意组合能够用于优化诊断患者疾病，或更一般而言，用于优化诊断患者的身体状况，或健康状况的风险或诱因。
药物动力学数据资源
治疗药物监控
治疗药物监控(TDM)是指药物血清水平的测量以及这种血清水平和血清治疗范围的调整。血清治疗范围是指在大多数人中没有引起毒效应的情况下，药物已经被显示出有效的浓度范围。在商业和学术药学文献中，推荐的治疗范围通常能够被找到。
为了正确解释结果以避免误差，TDM样本必须在服药后的恰当消逝时间处获得。根据药物的稳定状态浓度，治疗范围被建立，其中上述药物稳定状态浓度通常在口服给药开始后的大约5个半衰期时获得。在一些情况下，它可以用于提取峰值和波谷水平。峰值水平在最大药物吸收处获得。波谷水平恰好在下一次服药前获得。TDM所用的样本类型也很重要。对于大多数药物，治疗范围报告的是血清浓度。一些TDM检查方法被证实可以用于血清和血浆。产品通常指示哪些样本是可接受的。
许多药物能够经受TDM。例如，需要治疗监控的普通抗惊厥药物包括苯妥英、卡马西平、丙戊酸、扑痫酮和苯巴比妥。抗惊厥药物通常由免疫检测法测量。免疫检测法通常不受干扰，并且需要的样本量也很少。
作为另一个例子，作用于心脏的药物地高辛是治疗监控的候选药物。不同的口服地高辛制剂的生物利用率相差很大。地高辛药物动力学遵循两室模型，其中肾脏作为排泄的主要途径。对于患有肾病或改变肾功能的患者，由于药物的排泄半衰期将发生变化，因而通常需要对这些患者进行监护。地高辛的治疗范围以在肾功能正常的患者最近一次服药之后的指定时刻(诸如8小时)采集的预定量血液样本为基础。特殊时期也可以被指定作为样本被提取之前确定稳定状态水平的基础。通常在试剂盒中使用的免疫检测法用于表示针对检查的显著干扰或交叉反应度。
作为另一个例子，茶碱是不同个体之间药物动力学差别很大的支气管扩张药。在达到稳定状态浓度之后血清水平被监控，以确保最大的治疗效果并避免毒性。通常使用免疫检测法测量波谷水平，上述免疫检测法是用于监控这种药物的最常见方法。同样，对于用于治疗两极(bipolar)抑郁症的锂化合物，通过离子选择电极技术，血清锂浓度被测量。离子选择电极具有允许感兴趣离子通过且其它离子不能通过的膜。酸度计是响应氢离子浓度的离子选择电极。锂电极响应锂浓度，但不会响应其它的小阳离子，诸如钾。
作为另一个例子，三环抗抑郁药物包括丙咪嗪和它的药理活性代谢物去甲丙咪嗪，阿米替林和它的代谢物去甲阿米替林以及多虑平和它的代谢物去甲多虑平。母体(parent)药物和代谢物两者均可以作为药品使用。这些药物主要用于治疗两极抑郁症。丙咪嗪也可以用于治疗儿童遗尿和难以用利他林医治的严重注意力分散多动症。可能导致心脏中毒是监控这些药物浓度的主要原因。尽管免疫检测方法可以用于测量丙咪嗪和其它三环抗抑郁药，但是通常优选高性能液相色谱法(HPLC)。当测量具有药理活性代谢物的三环抗抑郁药物时，母体药物和代谢物通常被测量。
受体特征和测量
传统上受体特征使用若干方法中的一种被执行。这些方法全部和部分包括直接放射性配体结合测定(direct radioligand bindingassays)、放射性受体测定和激动剂与拮抗剂的相互作用。放射性配体是指能够和受体、传送器、酶或任何感兴趣蛋白结合的放射性标记药物。结合比率和程度的测量提供了关于结合物体数目及其亲和性和药理学特征的信息。
三种经常使用的实验方案包括饱和结合实验、动力学实验和竞争性结合实验。饱和结合方案用于测量放射性配体浓度不同时的结合程度。根据结合和配体浓度之间的关系分析，包括结合位置数目、结合亲和性在内的参数能够被确定。在动力学方案中，在结合达到平衡之前，允许饱和和竞争性实验处于准备状态。动力学方案测量结合和分离的时间过程，以确定放射性配体结合和分离的比率常数。同时，这些值也允许KD的计算。在竞争性结合方案中，在未标记竞争者的不同浓度下放射性配体的单一浓度的结合被测量。这些方案允许测量针对竞争者的受体的亲和性。
由于费用和技术上的困难，直接放射性配体结合测定法通常用竞争性结合测定法替代。后一种技术也允许药物的放射性同位素示踪，以增进对受体属性的理解。基于组合化学的药物设计和开发经常使用放射性受体测定法。放射性受体测定技术基于下述事实：在不需要平衡透析的情况下，只要配体-受体对能够从自由配体中分离，就可以测量对大分子目标具有高亲和性的配体的结合。通过使用恰当的放射性物质标记配体，配体-受体对能够被测量。上述测定不但速度快而且灵敏度高。拮抗作用是指阻止或防止由激动剂引起的受体响应的过程。产生上述作用的因子被称为拮抗剂。选择性拮抗剂的可用性为竞争性结合方案提供了重要组成部分。
各种资源
身体检查
全面的身体检查为医护人员提供了获得关于患者的基本信息以便将来使用的机会。通常在临床环境中出现的检查提供了收集患者既往症和提供有关诊断和保健医疗信息的机会。身体检查可以是覆盖身体许多部位或整个身体的彻底检查，也可以只针对患者特有症状的检查。
在典型的身体检查中，检查者观察患者外表、总体健康状况、行为，并进行一些关键测量。测量通常包括身高、体重、生命体征(例如，脉搏、呼吸频率、体温和血压)。然后，这种信息通常被记录在患者病案的纸件中。根据本技术的多个方面，许多信息能够被数字化以包括在资源中，用于编辑综合知识库并向患者提供改善护理。典型的患者数据采集技术以及它们与知识库和其它资源的联系将在后面详细讨论。
在全面的身体检查中，通常诸如通过体位的调整，检查患者身体的各种系统。这些包括裸露的皮肤区域，在上述区域中任何可见损伤的大小和形状将被记录。然后进行包括检查头发、头皮、颅骨和面部区域在内的头部检查。眼睛的检查包括通过检眼镜观察眼睛的外部结构和内部结构。同样，耳朵的检查包括通过耳镜检查耳朵的外部结构和内部结构。鼻子和鼻窦的检查包括检查外鼻结构和通过鼻镜检查鼻粘膜和内部结构。同样，口腔和咽的检查包括检查嘴唇、牙龈、牙齿、上颚、舌和咽喉。接着，通常执行包括检查颈部两侧淋巴结和甲状腺在内的颈部和背部检查。对于背部，通常是对脊柱和背部肌肉进行轻柔地触诊和检查，对上背的左右两侧进行触诊。患者呼吸也被研究和记录。然后，检查胸部和腋窝，包括检查女性手臂处于放松和抬起位置时的乳房损伤体征。男性和女性均需要做的检查是在手、臂、肩、颈和颌关节运动时检查腋窝淋巴结。
接着，通常是在患者平躺的情况下，触诊和检查胸部以检查肿块。使用触诊和叩诊检查胸腔和肺的前部，同时记录内部呼吸音。然后，通过听诊器检查心率和心律，并观察和触诊颈部血管。
此外，还需要进行包括腹部轻度和深部触诊的下体检查，以检查诸如肝、脾、肾和主动脉这样的内脏器官。可以通过指诊检查直肠和肛门，可以通过触诊检查前列腺。生殖器和可能存在疝的区域也需要被检查。对于男性需要触诊阴囊，而对于女性则通常使用窥镜和巴氏试验执行骨盆检查。检查下肢是否存在膝、大腿和足部的肿胀和搏动。触诊腹股沟区域以检查是否出现淋巴结，并观察关节和肌肉。检查肌骨骼系统，诸如记录脊柱的平直度以及腿和脚的直线关系。观察血管以检查是否出现了常在下肢出现的异常扩大的静脉。
典型的身体检查也包括患者敏捷性和心智能力的评估。神经系统也可以通过神经病学筛选(诸如让患者执行类似于跨步或单脚跳这样的简单身体活动)进行检查，而且足部和膝部反射能够被检查。正如一般肌紧张性和协调功能可以被记录一样，某些反射功能也可以被记录，诸如眼、脸、颌肌等的反射功能。
病史
病史信息通常通过问卷调查收集，上述问卷调查根据患者向医学设备的输入完成。如下所述，根据本技术的多个方面，上述信息可以在患者就诊之前被数字化，而且在患者就诊之前或就诊期间进一步的信息可以被获得。这种信息通常包括涉及保险公司和已经看过或护理过患者的重要或新医师的姓名、地址或电话号码的数据，上述医师包括最初保健护理医生和专科医生等。通常关心的是当前的医学病症，包括患者经受的症状和病态或事件。尤其关心的是诸如糖尿病、高血压、慢性或急性病这样的病症。此外，还记录了当前的药物治疗，包括姓名、剂量、服药时间、开药医生姓名、副作用等。最后，记录了患者知道的当前过敏症，包括对天然和人造物质的过敏症。
病史信息也包括既往病史(甚至是延续到患者儿童时期的医疗信息)、免疫记录、怀孕、重要的短暂疾病、长期疾病和类似情况。同样，患者的家族史也被记录，以提供医学情况和事件潜在诱因的一般性指示。因为大、小外科均会伴随涉及麻醉和特殊有创手术的信息，所以包括患者住院部治疗和急诊室就诊的住院也被记录。
病史数据也可以包括来自其它医生和资料来源的数据，诸如为患者所经历的状况提供一般性背景的重要或近期的血液检查。类似的信息诸如以胶片图像的形式也可以用于提供这种类型的背景信息。
患者提供的信息也可以包括涉及患者一般社会史和生活方式的某些信息。这些可以包括日常习惯，诸如烟酒消耗量、饮食、锻炼、运动和嗜好以及类似情况。包括目前或最近就业或所在职业所从事工作的工作史也是被关注的信息之一，尤其是涉及危险、冒险或有压力工作的信息。
精神病史、心理史和行为测试
患者精神病史可以被关注，尤其被关注的是可治疗或可识别精神病学疾病的症状或诱因。尤其是，精神病医生能够提供控制一大类精神病症状的药物治疗。大多数精神病医生也向患者，以及在恰当的地方向夫妻、群体和家庭提供心理治疗和咨询服务。此外，精神病医生能够控制电休克疗法(ECT)。精神病医生比心理医生更适合治疗患有一些精神疾病的个人，而且更适合在临床环境中在患者住院的基础上对患者进行治疗。通常可以通过就诊之前或就诊期间的问卷调查探寻精神病史，或是通过更详尽的询问或检查确定精神病史。
和精神病史完全相反，心理史可以依靠患者寻求帮助的特别兴趣。尤其是，当某些心理医生向个人、群体、夫妻和家庭提供心理治疗和咨询时，心理医生所提供的服务通常由他们的训练而定。心理医生也通常在控制、评分和解释心理测试等方面进行训练。上述测试能够估计各种心理因素，包括智力、人格特质(例如，通过诸如Keirsey气质分类、Meyers-Briggs类型指示这样的测试)、亲属关系因素、脑机能障碍和心理病理学。神经心理学医生也可以对脑损伤患者进行认知再训练。
行为测试和心理测试多少有些相似，并且可以识别认知行为疾病或简单行为模式。上述测试可以和精神病学或心理学评估一起提供，以确定患者一定观测行为的精神病学、心理学或生理学的根本原因。在恰当的地方，治疗可以包括咨询或药物管理。
人口统计数据
从患者中收集的一定数据可以用于将患者和已知特征的群体或人群联系起来。人口的统计学研究通常包括上述人口数据，尤其是参考具有特殊特征的人群的大小和密度、分布和人口统计。通常可以被记录的人口统计变量是性别、年龄、种族、民族、宗教信仰、婚姻状况、家庭人口、母语、国籍、职业、预期寿命、出生率、死亡率、教育水平、收入、人口、供水系统和卫生设施、住房供给、文盲率、失业率、疾病流行和保健风险因素。如下所述，根据本技术的多个方面，患者特有或适合患者的反馈或咨询可以在自动化的基础上由至少根据上述人口数据的本技术提供。
药物使用
涉及药物使用的信息和在检查期间收集的一般性信息类似，药物使用信息通常尤为值得关注。上述信息可以包括合法和非法药物、处方药、不需要处方却可以合法出售的药物的使用。而且，在上述分类下，特定物质甚至通常未被患者看作是药物的物质也可以被记录，包括维生素、食物添加剂、酒精、烟草等。
食物摄取
除了通常从患者处收集的有关饮食和药物的信息外，根据患者状况，特定的食物摄取信息可以被关注。上述信息可以用于提供针对患者特定状况或一般健康状态的特定营养建议。食物摄取信息通常也包括关于患者身体活动、种族或文化背景以及家庭生活和膳食结构的信息。关于患者对食物和生食的食欲和态度的特定信息也可以被记录，并可以和患者进行讨论。针对患者经历的已知和未知症状，特定的过敏症、不耐性和食物禁忌尤为值得关注。同样，在对患者的食物摄取或类似问题进行建议时，应当注意牙齿和口腔预防保健、肠胃问题和慢性病的问题。食物摄取信息也可以提出患者已知的特定药物或认识到的饮食或营养问题。而且还应当特别注意涉及以前和最近体重明显变改变的信息。
根据从患者处收集或检测的信息，涉及食物摄取的某些评估可以被做出。上述估计可以包括人体测量数据、生物化学评估、身体质量索引数据和热量需求。同样，为了进一步的建议和诊断需要，可以从患者人体测量数据中计算出理想体重和常见体重信息。
环境因素
在估计患者情况和某些情况的诱因时，各种环境因素尤为值得关注。和人口信息类似，环境因素可以帮助估计更加难以捉摸和难以识别的潜在情况。通常典型的环境因素可以包括生活时间、锻炼等。此外，有关特定患者或患者生活条件的信息可以被记录，包括空气污染、臭氧耗竭、杀虫剂、气候、电磁辐射水平、紫外线暴露、化学暴露、石棉、铅、氡、或其它特定暴露等。上述信息可以和人口信息或已知的相关数据有关，诸如和氟有关的牙齿和骨的问题、和挥发性有机物(例如，苯、碳、四氯化物等)有关的潜在致癌物、肠胃疾病以及和细菌和病毒(例如，大肠杆菌、肠兰伯式鞭毛虫等)有关的其它问题和涉及无机物(例如，石棉、水银、硝酸盐等)的癌、肝损伤、肾损伤和神经系统损伤的程度。
宏观病理学
通常宏观病理学涉及关于基本人体系统的结构和功能的信息。上述系统包括骨骼系统、内分泌系统、生殖系统、神经系统、肌肉系统、泌尿系统、消化系统和呼吸系统。上述宏观病理学信息可以在特殊问诊或检查中收集，或者可以和其它一般性问诊(诸如身体检查)或上述既往病史数据收集过程一起被收集。此外，宏观解剖学信息的某些方面可以从参考正文、尸体解剖、拟人数据库(诸如可视人计划)中收集。
来自非生物模型的信息
在估计和诊断患者情况时，也应当特别关注来自非生物模型的信息。在患者护理的整个管理中，也应当特别关注这种信息。包括在这种一般性资源分类中的信息包括健康保险信息和保健财政信息。此外，对于医疗机构，大量信息需要及时提供恰当的患者护理，包括管理、工作流程和人力资源的精细控制。在为患者提供生活安排的机构中，数据必须包括诸如饮食服务、医院财政信息和患者财政信息这样的条目。许多患者特有的信息可以被机构累积在通用患者记录中。
对于帮助进行整个管理的机构，其它特有信息可以包括独自一个机构或其它相关机构涉及商业方面的信息。这种信息可以包括表示医院地理位置、诊所类型、诊所规模、诊所或科室或医生专长等数据。在这种分类中，患者培训材料也尤为值得关注，而且患者培训材料可能特别适合于下面详细描述的个体患者。最后，在这种资源分类中，涉及和医生关系的信息也尤为值得关注，这种信息包括医生的治疗安排和医生的要求和偏好。
处理和分析
根据作为处理基础的数据、期望的分析类型和数据输出的目的，由数据处理系统10执行的上述处理和分析功能可以采用许多形式。然而，尤其是，优选地结合综合数据库12来对源自于各种资源的大量数据进行处理和分析。在资源的各种模态和类型中，为了执行处理和分析可以设想一些情况。这些情况包括根据单模医疗系统或资源、单型多模组合和多型多模配置被执行的分析。此外，如上所述，针对一个或多个模态和类型的情况，各种计算机辅助处理、采集和分析模块可以被使用。下面描述了基于模态、基于类型和基于计算机辅助处理的方法的某一个典型实现，其中上述方法使用了由本系统收集和保存的数据。
模态和类型
在单模医疗系统中，临床医生启动一连串针对患者数据的事件。事件被分解成各种模块，诸如上述采集模块、处理模块、分析模块、报告模块和存档模块。在传统方法中，报告返回给提交它的临床医生。
在本技术中，计算机处理可以被引入以执行一些数据操作任务。通常，在本讨论中，执行上述操作的算法被称作数据操作算法或CAX算法。尽管关于当前考虑的CAX算法及其交互和整合有更多的内容将被说明，但是在这一点上某些上述算法通常指的是计算机辅助采集算法(CAA)、计算机辅助处理算法(CAP)、计算机辅助检测算法(CAD)。所实施的软件也用于管理整个工作流程，优化每一个阶段的参数，和/或在当前或以前的时刻来自其它模块的数据，上述每一个阶段的参数当前或以前的时刻来自同一个模块的知识。此外，如图1所示，使用新数据创建/更新了知识库12，而且基本上驱动了各种计算机辅助模块。因此，知识库12的创建和更新和计算机辅助方法相联系，以实现单模单元。下面详细描述了包括CAA、CAP、CAD模块86、88、90(参见图5)的CAX模块的细节和知识库12。此外，应当理解这些模块中的每一个模块均可以针对给定的临床问题被专门研究。因此，例如，如果同一个临床问题需要在不同的时间点多次采集或多次处理和多次分析，那么该技术能够被一般化以适应数据的时间方面的要求。
在本文中，单型多模医疗系统可以由图8中的任一列组成。在图7中，考虑到在N个不同时间点的M个模态，用图示法说明了具有时间属性的单型多模系统。当然，单一模态的所有属性也可以应用到多模背景中的任何一个模态，在这里示意图仅突出显示了多个模态之间的交互。在图6和7中，每一个类型内的交互也很明显，诸如用于优化数据的采集、处理和分析。在上下文中，医学事件的时间方面也可以被考虑，诸如用于修改以数据时间属性为基础的采集、处理和分析模块。如下所述，逻辑引擎24(参见图5)，或更一般而言，处理系统10可以使用知识库12利用规则优化模态之间的数据采集、处理和分析。
多型多模医疗系统基本上可以涵盖全部的可用资源，包括图8总结的类型和模态。在图6中，考虑到不同的时间点，用图示法说明了具有时间属性的多型多模系统。如前所述，单型多模系统的所有属性可以应用到任一种类型中，而且示意图突出显示了多个类型和多个模态之间的交互。在多型多模环境中，不同类型的模态间的交互能够被用于优化数据的采集、处理和分析。此外在这里，源自多个类型的医学事件的时间方面可以被考虑，并且可以被用于修改以数据的时间属性为基础的采集、处理和分析模块。逻辑引擎24，从更一般的角度上讲是处理系统10可以使用知识库利用规则优化模态之间的数据采集、处理和分析。系统10使用源自工具或模块和源自知识库12的数据，然后建立能够成为知识库12一部分的关联，上述模块包括诸如CAX模块或所示的特定上述模块CAA、CAP、CAD模块86、88、90。
尽管任何合适的处理算法和程序可以被使用以得益于本技术的综合知识库方法，但是为了实现这种目的，可以对可用程序的类型的进行某些修改和集成。如上所述，用于分析相关医学数据的典型计算机辅助数据操作算法和模块包括计算机辅助诊断模块、计算机辅助采集模块和计算机辅助处理模块。由于提供了高水平的集成，因此本技术大大增强了开发、提炼和实现上述算法的能力。下面详细提供了有关算法的特性和操作，以及它们根据本技术多个方面的交互和接口。
综合知识库
如上所述，在本技术中使用的综合知识库能够是一种高度综合的资源，这种资源包括位于一个或多个位置的一个或多个存储设备，通过任何可用的网络连接这些存储设备彼此连接起来。综合知识库可以进一步包括位于客户组件中的存储设备，诸如资源本身，这在某些成像系统中是十分常见的情况。在有限的实施方式中，综合知识库可以具有很少的上述资源。在更大的实施方式中，或当实现随时间推移被扩展时，提供了数据和资源之间的进一步整合和相互联系。如本讨论所述，任何和全部资源不仅可以作为数据的使用者，而且可以在需要的地方提供数据。
当前设想的综合知识库可以包括原始数据以及中间数据、经过处理的数据、报告、列表数据、标记数据等。在最小的实施方式中，综合知识库可以包括原始数据或原始数据基的一个子集。然而，在更优选的实施方式中，综合知识库是上述原始数据库的超集，并且进一步包括经过筛选、经过处理或降维数据，诸如涉及临床事件规则的专家意见信息，诸如根据症状或其它输入和疾病或治疗理由或其它输出、关系、相互连接、趋势等的预测模型。而且如本讨论所述，综合知识库的内容可以被验证和核实，并且可以在各种提供或利用知识库知识的存储设备之间实现同步。
通常，如当前设想的综合知识库能够使基于证据的医学被无缝整合到医学的普通医疗机构和整个保健事业中。也就是说，综合知识库用于增加大量的领域知识和经验，这些知识和经验由临床医生或用户以及在各种被实现的算法程序中提供数据并利用数据的有关临床和非临床团体人工维护。而且如本讨论所述，实际上综合知识库可以被分发和联合，以便提供原始数据库、数据源和可控制和可指定源。
针对知识库创建的当前实践是将收集特殊临床事件的代表性数据，建立研究数据的领域专家小组，通过专家将数据分成不同的有效分组，并且用一些参考标准技术证实专家的结论。例如，为了从射线照相术图像中创建肺部结核检测的图像知识库，专家小组可以根据结核的细小程度来对图像进行分类，并用活组织检查证实放射线学结论。在本技术中，针对临床相关性的给定数据，上述方法学可以充当最初的基本步骤。然而，根据领域专家提供的属性和附属方法，分类处理可以被自动完成。在一个实施例中，任何临床数据均可以被自动分类并添加索引，以致于对于各种预计的用途一经请求它就能够被检索到。
逻辑引擎
逻辑引擎基本上由规则构成，这些规则协调被系统执行的各种功能。上述协调包括在知识库中访问和保存数据，以及各种计算机辅助数据操作算法(诸如用于特征检测、诊断、采集、处理和判定支持)的执行。逻辑引擎能够是基于规则的，并且可以包括有监督学习或无监督学习系统。作为举例，由逻辑引擎执行的功能包括数据传输控制、处理初始化、连接资源、连通度、处理的协调(例如，先后顺序)和某些活动的协调，诸如访问控制、组件的“握手协议”、接口定义等。
时间(temporal)处理模块
根据本技术的一个方面，只涉及在单模态数据上执行时间变化分析。通过并排显示时间变化数据和当前数据，或将时间结果融合到当前数据中以突出显示时间变化，结果能够被呈现给用户。另一种方法是使用至少一个模态的数据和来自另一个模态的它的时间配对物，以执行时间变化分析。还有一种方法涉及在多类型数据上执行时间分析，以便充分描述正被讨论的医学情况的特征。
时间处理通常包括下列通用模块：采集/存储模块、分割模块、配准模块、比较模块和报告模块。
采集/存储模块包含被采集的医学数据。对于时间变化分析，用于从和早先时间点对应的存储器中访问数据的装置可以被提供。即使通用方法能够针对采集和时间序列中的任意类型的医学数据进行扩展，但为了简化后面讨论中的符号，我们仅描述两个时间点t1和t2。分割模块提供分离特征、体积、区域、线和/或感兴趣点的自动或手动装置。在许多具有实际意义的情况下，全部数据能够是分割模块的输出。配准模块提供不同医学数据的配准方法。一些例子可以用于说明这点。
在单模态医学图像的情况下，如果时间变化分析的感兴趣区域很小，包括平移、旋转、放大和剪切的刚体配准变换完全可以胜任来自t1和t2的一对图像的配准。然而，如果感兴趣区域很大，比如几乎包括整个图像，则可以应用反卷(warped)、弹性变换。实现反卷配准的一种实现方式是使用多标度、多区域、金字塔形方法。在这种方法中，突出变化的不同代价函数可以在每一种标度处被优化。对于给定标度(scale)，图像被重新取样，然后被分解成多个区域。分离移位向量在不同的区域被计算。移位向量被内插以产生平滑的平移变换，这种变换被用于反卷图像。在下一个更高标度处，图像被重新取样而且反卷配准处理被重复，直到达到预定的最终标度。
在多模态医学图像的情况下，最大化互信息能够执行刚体和反卷配准。在某些医学数据中，根本不需要执行任何空间配准。在这种情况中，数据能够是单标度值或向量。
比较模块提供了比较不同医学数据的方法。例如，配准图像的比较能够以多种方式被执行。一种方法涉及两幅图像相减以产生差值图像。作为另一种选择，可以使用增强除法比较两幅图像s(t1)和s(t2)，这种方法可以用公式[s(t1)*s(t2)]/[s(t2)*s(t2)+Φ]描述，其中标量常数Φ＞0。在单标量值的情况下，医学事件的时间趋势能够和正常和异常情况的已知趋势进行比较。
报告模块为用户提供了显示和量化能力，以可视化和/或量化时间比较的结果。实际上，为了分析任何人均可以使用所有的可用数据。在医学图像的情况下，能够使用几种不同的可视化方法。使用基于一些预定标准的逻辑运算符，时间比较的结果能够被同时显示或彼此覆盖。对于量化比较，彩色检查表能够被使用。结果数据也能够和自动模式识别技术结合，以进一步执行结果的定性和/或人工/自动定量分析。
人工神经网络
图15显示了人工神经网络的一般性图解表示，并用参考数字202表示。人工神经网络由许多单元和它们之间的连接组成，人工神经网络能够由硬件和/或软件实现。如图15所示，根据它们的功能，神经网络的单元通常可以被分成三种不同类型的组(层)。第一层为输入层204，用于接收一组表示输入模式的数据，第二层为输出层208，用于提供一组表示输出模式的数据，并且具有任意层数的中间层为隐藏层206，它将输入模式转换成输出模式。因为每一层中的单元数目可以被任意确定，所以输入层和输出层可以包括足够的单元数以分别表示待解决问题的输入模式和输出模式。神经网络已经被用于实现学习区别对象或事件分类的计算方法。网络首先由与对象或事件分类有关的已知数据表示加以训练，然后被用于区别未知对象或事件分类。
简言之，神经网络202的原理能够用下述方式说明。可以用从0到1的数字表示的归一化输入数据210被提供给神经网络的输入单元。接着，在隐藏层和输出层208、210中通过两次连续的非线性计算(在具有一个隐藏层206的情况下)，输出数据212从输出单元输出。除输入单元以外，在层的每一个单元中进行的计算可以包括所有输入数字的加权总和、某些偏移项的相加和通常使用S形函数将数字转换到0到1范围内的变换。尤其是，如图16的图解表示，可以标记为O1到On的单元214表示输入或隐藏单元，W1到Wn表示从这些输入或隐藏单元中分配给每一个输出的加权因子216，而且T表示输出和各自加权因子相乘的总和。通过使用S形函数220，输出218或O被计算，其中假定θ表示T的偏移量。典型的S形函数由下述表达式给出：1/[1+exp(-T+θ)]。加权因子和偏移量是神经网络202的内部参数，它们由给定的输入和输出数据集来确定。
在神经网络202中涉及两个不同的基本过程，即训练过程和测试过程。使用训练输入数据和期望输出数据对，神经网络由反向传播(BP)算法训练。神经网络的内部参数被调整，以最小化神经网络的真实输出和期望输出之间的差距。对于同一个输入和输出数据集合，通过按随机顺序反复执行上述步骤，神经网络能够学习训练输入数据和期望输出数据之间的关系。一旦经过充分训练，神经网络能够根据它的学习经验区别不同的输入数据。
专家系统
在人工智能(AI)领域中的一种研究结果已经发展成为允许在更高抽象水平上进行信息建模的技术。这些技术被具体化成语言或工具，这些技术允许被建立的程序在它们的实现中酷似人类逻辑，因而使得程序更易于开发和维护。这些在明确的问题领域中模仿人类专业知识的程序通常被称作专家系统。
使用知识解决问题的专家系统组件被称为推理引擎。推理引擎通常可以包括四种基本控制组件，即匹配(比较当前规则和给定模式)、选择(选择最恰当的规则)、实现(最佳规则的实现)和执行(执行结果动作)。
为了建立在特定领域解决问题的专家系统，知识工程师，即AI语言和表达方面的专家，通过阅读相关领域的文献开始熟悉问题和术语。然后以此为基础，知识工程师和一个或多个领域专家保持广泛的交流以“获取”他们的知识。最后，知识工程师组织这些交流的结果，并将它们转换成计算机能够使用的软件。交流通常占用了任一个阶段的大部分时间和精力。
在开发专家系统时，基于规则的程序设计是一种最常用的技术。其它技术包括模糊专家系统，这种专家系统使用模糊成员函数和规则的集合而不是布尔逻辑推断数据之间的关系。在基于规则的程序设计范例中，规则被用于表示直观推断或“经验法则”，这些规则明确说明了针对给定情况应被执行的一组动作。规则通常由“if”部分和“then”部分组成。规则的“if”部分是一系列模式，这些模式明确说明导致规则被应用的事实(或数据)。将事实和模式进行匹配的过程通常被称为模式匹配。专家系统工具提供了推理引擎，所述推理引擎可以自动匹配事实和模式并选择最恰当的规则。规则的“if”部分实际上能够被看作是规则的“whenever”部分，因为每当事实发生变化时模式匹配均会出现。规则的“then”部分是当规则适用时被执行的一组动作。当命令推理引擎开始执行时，适用规则的动作被执行。推理引擎选择规则，然后被选择规则的动作被执行(通过添加或删除事实，上述动作可以影响适用规则的列表)。推理引擎然后选择另一个规则并执行它的动作。这种过程一直持续到没有适用规则可用为止。
处理函数和字符串的初始化
这里使用的术语“处理字符串”用于广义地与基于计算机的活动相关，所述活动用于在综合知识的范围内或通过综合知识执行采集、分析、操纵、提高、生成或修改或导出数据。所述处理可以包括但不限于：分析患者特定的临床数据。处理字符串可以根据这些数据进行工作，或者完全根据非临床数据进行工作，但通常是根据这两者进行工作。这样，处理字符串可以包括如下行为：数据采集(即用于开始采集和终止采集，并且用于设置采集设置和协议，或通知需要和不需要这种采集消息)。
例如，用户初始化的处理字符串可包括启动计算机辅助检测子程序在心脏CT数据中识别可能可视的钙化。而且，虽然这种处理字符串继续进行，根据请求的子程序和从其他来源得到的数据，该系统能够自动地启动一个处理字符串，其读取由综合知识库得到的胆固醇测试结果，以分析请求的数据分析与胆固醇测试结果之间的关系。反过来，当请求或启动对胆固醇测试结果的分析，该系统能够检测在执行成像中的效用，所述成像在评价或诊断相关病症时起辅助作用，并通知用户(或不同的用户)需要或希望确定形成完整评价基础的图像的采集时间。
应当注意，能够启动处理字符串的用户可包括对于原始数据和处理后的数据具有不同需要和用途的各种人。这些人可能包括：例如，请求图像中或从图像中导出的数据的放射医生，请求与保险索赔相关或支持性的信息的保险工作者，需要患者的病史信息的护士，访问处方数据的药剂师等。用户也可以包括患者自己，访问诊断信息或他们自己的记录。基于数据状态改变的启动能够依靠实际数据本身，但也可以依赖于数据在新工作区的来回运动、数据的上传或下载等。最后，系统启动处理字符串可以依赖于简单的定时(以周期的间隔)或可以依赖如参数或资料的相关程度等因素。当可以获得新协议或子程序时，系统启动处理字符串也可以被装入，以便在已有数据中进行检索，确定最近获得的处理能否用于辅助识别尚未识别的病症。
如上所述，数据处理系统10，综合知识库12和联合数据库14都能够彼此通信，以从各个可获得的资源中提供对各种类型的数据的获取、转换、分析和处理。图17再次说明了本发明的这一特征，其强调向用户提供的接口8，所述用户如临床医生和内科医生。接口8虽然允许访问系统的各种资源，包括数据处理系统、综合知识库和联合数据库，但通常考虑到各种接口类型和系统。尤其是，如图17中的附图标记222表示的，包括接口8的“非联合”接口层可包括多种各不相同的单指令的接口元件，或在地理上相隔很远各种不同指令。此外，该接口的基本操作系统不需要是相同的，并且本技术考虑了各种类型的接口可以统一并单独地设置在非联合的接口层中，不过能够与一个或多个数据处理系统、综合知识库和联合数据库通信。尤其是，在提供综合知识库和联合数据库的地方，将在该层中提供各种类型的接口，例如上述的通过使用包括如HTML、XML等标准协议。接口层也可以允许自动地或用户主动查询综合知识库、数据处理系统或联合数据库。尤其是，在适当情况下，用户可能不会意识到程序在工作站上执行的查询，例如通过对客户数据的输入或输出，填写索赔单，指定数据采集序列、开药等。
接口层，以及这里和数据处理系统中包括的编程可以允许根据一系列触发事件执行各种处理函数。这些事件可能与用户请求一起启动和执行，或可以以各种其他的方式发启。图18用图示的方式说明了可以以这种方式执行的发启和处理函数。
如图18所示，各种启动源224可以被认为对来自上述资源和知识库的数据启动数据采集、处理和分析。根据存储在一个或多个数据处理系统中的子程序，结合知识库和联合数据库，或更进一步在所述资源内，包括可控制的可指定资源和数据资源，发启源224开始处理过程，如图18中的参考数字226所示。如上所述，特定的处理过程可以被存储，单独的计算机系统包括在数据处理系统中，或分散在各种计算机中，这些计算机系统彼此配合以执行数据处理和分析。在处理过程的初始化中，处理字符串可以包括各种处理和分析函数，通常设计为向护理者提供对病人护理更深入的了解，处理病人护理所需的数据，增强提供护理的机构的功能，检测患者数据的趋势或关系，并进行一般性发现，并研究其关系以便将来使用。
本发明设计为多个发启源224能够根据该系统执行的子程序开始执行处理和分析功能。尤其是，对于在图18中所述的发启源，包括用户发启源230，事件或患者发启源232，数据状态改变源234，和系统或自动发启源236。当用户，例如临床医生、内科医生，保险公司、临床或医院工作者，管理或工作人员等启动一个利用综合知识库或上述各种综合资源的请求时，处理字符串开始对已经存储在综合知识库中的信息，或者通过定位、访问能够获取的信息，以及在一个或多个各种资源中的处理数据进行调用。在典型的设置中，用户可以在执行查询或其他功能的工作站中开始上述过程。如上所述，查询对于用户来说是很明显的，或者可以是在工作站上执行的固有的功能。
另一种发启源是事件或患者，如图18中的参考数字238所示。通常，许多医学相互作用以特异性的症状或医学事件开始，所述医学事件的触发与医学机构或医务工作者相联系。一旦已经通过患者或负责该患者的医务工作者记录了这种事件，处理字符串就开始执行，其包括多个交互式步骤，例如进入患者的记录，更新患者记录，采集与症状相关的详细数据的采集等，下面会对其进行更详细的说明。患者开始处理字符串的事件虽然在当前情况下用于执行不可获得和高度综合的处理，但通常类似于驱动当前医学服务的事件。
数据处理系统10通常监视多种数据参数，包括数据状态(静止或变化的)，以检测何时能够获得新的数据。新的数据可通过更新患者记录、访问新信息、从各种可控制的和可指定的资源和数据资源上传或下载数据等途径获得。在需要时，由数据处理系统执行的程序可根据数据状态的改变开始进行处理。例如，通过检测患者记录已经由最近一次的患者的接触或获得的临床或非临床数据进行了更新，处理字符串可确定是否随后的行为、消息、报告或检查一切正常。同样，由数据处理系统执行的程序可自动地开始某种处理，如图18中的参考数字236所示。这种系统初始的处理程序可以在常规基础上进行，例如在预定的时间间隔下或在各种系统参数的触发下，所述系统参数例如库存量，最新获得的数据或数据间的相互关系的识别等。
本技术的高度整合方法的特别强大的方面在于，无论该处理过程的发启源如何，都可以得到各种处理字符串。通常如图18所描述的，例如，处理字符串228虽然在图中通常与各种发启源一致，但它可由其他发启源和执行程序得到。例如，用户或环境字符串238可包括获取和返回处理后信息以精确地响应用户初始化地处理事件的处理过程，或与用户访问系统地特定环境相结合。可是，这种处理字符串也可以来自事件或患者初始处理过程，数据状态改变，系统初始化处理。而且，应当注意，几种类型的特定字符串可以遵循各种类型中。例如，用户或环境字符串238可包括基于查询的特定处理过程，如参考数字240所表示，用于识别和返回响应用户提出的特定查询的数据。作为选择，用户或基于环境的字符串242可产生哪些获取和返回的数据是用户指定和环境指定的。这种处理字符串的例子可包括获取和处理数据，用于分析特定用户感兴趣的内容，所述特定用户例如特定类型的临床医生或内科医生，金融机构和保险公司。
各种处理字符串的进一步的例子可由发启源处理过程得到，事件字符串244可包括处理过程，其对于患者执行的医学事件和过去和将来可能执行的事件具有特异性。因此，事件字符串244可以由用户初始化、事件或患者初始化、数据状态改变初始化，或系统初始化得到。在典型的环境中，事件字符串可以简单地遵循医学事件或患者的症状，以获取信息。处理该信息，并根据该处理提供建议或诊断。如上所述，建议可包括执行另外的处理或分析，采集额外的信息，以及自动地和手工辅助的采集其他信息等。
常用的检测字符串246也可以由各种发启源发启。在本发明的环境中，通常的检测字符串246可包括设计为识别相关数据和关系的处理，所述相关数据或关系不是特定地由用户、事件、患者、数据状态变化来进行请求或通过系统进行请求。这种通常的检测字符串可以根据由数据处理系统或综合知识库识别的关系与新数据相关联。因此，即使患者或用户没有特别请求检测相同关系或潜在的关联，然而由数据处理系统10执行的程序可使用常用的检测字符串进行比较和分组，以识别风险性、潜在的治疗方法和经济管理选择等。
最后，在图18中设计为系统字符串248的处理字符串甚至在本质上更普通。该系统字符串可以被处理，其目的在于发现从各种资源获得的数据之间的关系。这些新的关系可以作为诊断或治疗患者的新方法的指示，例如根据可识别的趋势或关系，成功或失败率分析，患者监护结果的统计分析等。在前面的例子中，该系统字符串可以以各种方式启动，包括系统的自动启动，但也可以随着数据状态上改变、根据最新检测的医学事件或通过患者的发启，或通过用户的特定请求进行发启。
计算机辅助患者数据捕获和处理
根据本技术的一个方面，通过用存储在综合知识库12中的数据协调数据采集和处理过程，提高了处理患者数据的能力。对于该目的，应当记住综合知识库12可被视为在各种资源自身中包括各种信息，或通过分析这些原始数据得到的处理后信息。此外，在本环境中，综合知识库被认为包括可能存储在一个研究机构中的多个位置，和位于单一位置或位于多个分散位置的各种研究机构的数据。因此，综合数据库可以包括各种坐标数据集和知识库站点。图19中描述了示例性的逻辑操作类和时间帧，以及相关的示范操作。
参考图19，包括在综合知识库中的患者信息可能来自上述一种或多种类型的医疗设备，更一般来讲，是来自各种资源类型。此外，如上所述，患者信息可能来自结合数据资源中其他通常可获得的数据分析这种类型的数据，上述数据资源例如不同的图形信息、属性或通常可访问的数据库，调配法数据库，数字化参考资料等。然而，当该信息与患者一致时，例如去通过内科医生诊断或器械检查。在图19的图示中，显著不同的操作类别，通常用参考数字250表示，可以在逻辑上分组，例如患者交互操作、系统交互操作、报告或教育类操作。通常，这些操作类可能进一步被视为整个系统的输入、处理和输出。此外，操作可被认为通过参考患者接触发生，例如在原位置访问。在这种意义上讲，通常可以像那些在访问或接触之前被分类的操作那样被分类，如参考数字25所描述的，以及接触后操作，如参考数字256所表示的。
已经发现，在本技术中，通过在交互操作的各个阶段采集一定的患者信息，来自综合知识库的信息可能在提供增强的诊断、分析、病人护理和病人指导中非常有用。尤其是，在病人接触和就地访问前可以设想采集和处理数据的几种典型情况。
作为在患者接触之前信息类型的例子，可以执行操作子类，如图19的参考数字258所述。作为举例，在病人访问之前，病人接触或医学状况(例如访问原因)的记录可以被捕荻，以开始新的或连续的记录。这种发启可以通过病人要求、在网站输入信息或其他接口，短信，聊天室信息、电子信息、通过网络摄像机的信息输入等。与该记录相关的数据可以或者通过人工接口或者通过自动驱动，或者甚至通过自由的调查问卷。在这种调查问卷中，通过声音、文字或图形接口，患者可以被提示输入主要的疾病或症状、医学事件等。例如，在一个示范性实施例中，患者也可以响应人体的图形化描述，例如选择身体的症状区域。
在患者接触之前可以收集其他信息，例如生物统计信息。在数据输入患者记录之前，这种信息可用于病人识别和/或病人鉴别。而且，如果能够访问，远程重要病征诊断可以通过患者输入或通过远程监视获取。在数据通过声音记录收集时，语音识别软件或类似软件引擎可识别关键医学术语以进行以后的分析。此外，当需要时，尤其是在紧急情况下，居住的或商业地址，移动电话位置，计算机终点位置等也能够用于识别患者的物理位置。而且，通过患者的能够使这些信息已知或可获得的输入查询患者保险信息。
根据患者交互操作258，在患者访问或接触之前，可以进行各种系统交互式操作260。尤其是，当患者指定数据被获取时，数据由综合知识库获取(包括各种资源)以分析患者信息。这样，数据可以被相互关联或分析以检测是否访问约见状况良好。如果已经预约了，并且这种约见可根据资源和设备的可获得性、患者偏好和位置等可以制订时间。而且，这种预约的紧急程度可以根据患者输入的信息被评估。
在根据该分析进行的各种推荐中，访问前成像、实验室检查等可以被推荐，并且确定日程以在患者访问期间和其后提供有效诊断和反馈可能需要的最相关的信息。这种推荐可能需要上述一种或多种类型的资源，以及每种资源中的一种或多种医疗设备。各种信息也可以与综合知识库中的信息相关以提供潜在的诊断或相关问题的指示，以及能够在患者访问时收集的相关信息。然后，整组数据能够被上传到综合知识库以在综合知识库中产生或补充患者病史数据库。
为了将数据上传到综合数据库中，可以存储各种类型的结构数据用于以后的访问和处理。例如，最相关的被捕获的患者数据可以以结构化的形式存储，比如通过能够检索的类或字段存储，并在医学访问之前，访问期间或访问之后用于评价潜在的推荐。数据可以被使用，然后用于对患者病症的变化进行时间分析，识别趋势，评价由患者识别的症状，以及甚至不可能被患者识别的和没有被患者特别地诉说的一般症状的评价。数据也可以包括，并且被处理，以识别潜在相关的基于证据的数据，人口统计学风险评估，以及用于医学事件和病症存在或诱因的假设的比较和分析。
随着系统的交互作用，以及由于系统的交互作用，系统可以执行各种输出类型的函数。例如，如图19的参考数字262所示，在患者接触之前，患者特异性的评价可传递给患者，这些评价可包括约定接触或进行其他检查或分析，与这些过程相关的教育性信息、在这些操作过程之前的遵循的协议(例如，饮食推荐，开药、访问定时和持续时间)。而且，患者信息可以被特别地缩短或使其适合该患者。依照本技术的一个方面，例如，根据在综合知识库可获得的文本信息和病历中的优选语言，教育信息可以用特定的优选语言传递给患者。这种指导可以进一步包括详细数据，例如驱动或公共运输方向，接触信息(电话和传真号码，网址等)。如上所述，操作可以包括定制和安排测试和数据采集。
在访问之前当时由系统采取的进一步的输出操作可包括向临床医生和内科医生报告或推荐。尤其是，根据患者的指征和症状指示，患者的病历信息收集等，该报告可包括输出。该报告也可以包括电子版的图像、计算机辅助处理(例如增强的)图像等。此外，这种内科医生报告还可以包括推荐或优选信息或检查清单，该信息或检查应当在访问期间执行以提炼或排除特定的诊断。
图19中总结的处理过程继续包括在接触期间，例如现场访问由患者在与医生的接触中得到的交互式信息，如参考数字264指示的。在本例子中，在接触时收集的信息可以首先是生物统计信息，该信息又能够用于患者识别和鉴别。因此，该访问可以首先确认处理，在该处理中患者或者就地注册或者在访问前远距离先注册。在该时间期间可以进行协作系统的交互作用，例如自动访问在就诊前阶段建立的病历。然后，将额外信息输入病历，该额外信息类似于就诊前收集的信息或为就诊前收集的信息作准备。在该会谈过程中，患者会话和输入可以手工或自动记录，为临床或内科医生检查作准备。如前所述，在收集声音数据时，语音识别引擎可以识别关键医学术语或与在综合知识库中的信息相联系的症状，以进一步提高诊断或治疗。视频数据可以同样地被收集以评价患者交互作用，精神或身体状态等。全部注册过程可以部分或全部自动地进行以在临床医生、护士或内科医生检查之前最佳地使用学术资源。
然后，通过临床医生或护士和患者会晤继续现场访问，患者会谈或交互作用又可以以语音或视频格式与患者主诉、症状或输入的其他关键数据一起被记录到综合知识库中，例如用于对症状或情况的进展的趋势识别和时间分析。再者，同样，重要的病征信息可以被更新，并且更新的患者记录可以被评价用于趋势识别和可能的诊断，以及或者推荐另外的医学操作，如上所述。
通常在内科医生或临床医生检查之后进行现场访问。如上所述，在现场访问本身，对综合知识库中信息的可以进行分析和对比，在检查时报告或推荐被提供给内科医生。再者，该报告可提供推荐，例如进行潜在诊断的分级的建议，操作或能够直接从患者得到用于增强诊断和治疗的简单信息。再者，检查本身可能完整地或部分地被记录下来，并且关键医学术语能够被识别并存储在患者记录中以便以后使用。此外，在现场访问期间，还可以为患者或患者护理提供生成报告，推荐、教育材料等。这些信息又可以为患者和患者病情进行定制，包括检查结果说明、随后操作(如果有)的表示等。该材料还可以包括根据患者记录的一般健康推荐，在接触期间的交互，和来自综合知识库的信息，包括一般的参考材料。提供给患者的材料可包括但不限于：文本、图像、动画、图形和其他参考材料，原始的或处理后的，问题和答案的结构化的视频和/或音频记录，有关背景、诊断、医学制度、风险、治疗安排等的一般数据。这类输出的形式可以适合任何需要的格式，包括硬拷贝输出、压缩磁盘输出、便携式存储介质、加密电子信息等。如前所述，该交流也可以特别适合于优选语言的患者。该输出也可以包括有关财务安排的信息，包括保险日期、索赔日期等。
该技术还允许接触后数据收集和分析。例如，在患者访问后，可以设计各种患者交互，通常如图19中的参考数字266所示。这种交互通常可包括下面的问题、症状更新、远程重要病征的捕获等。通常与在接触之前收集的信息类似。此外，接触后的患者交互作用可包括患者对研究机构或护理人员的定级，在申请或处理保险索赔的辅助，货品计价等。此外，根据这种输入，数据被评价，这可以是患者特定的，或本质上更通常的，来自综合知识库以允许该信息与患者记录和所有其他可获得的数据协调，以促进后面的行动，并且为患者和护理人员生成报告和反馈。
综合知识库接口
如上所述，用于综合知识库的和更通常的用于处理系统的“非联合”接口可以特别地适合于各种用户、环境、功能等。图20总体上描述了接口处理系统，其促进与综合知识库的交互作用。该系统通常包括一系列输入参数或资料270，其可以在特性，位置和实用性上广泛的变化。根据来自这种资源的输入，通常是上述数据处理系统10的一部分的逻辑分析程序272识别接口，并且一方面在用户、硬件和系统另一方面在用户工作站之间访问接口，以及访问综合知识库。然后，通常用参考数字274表示的接口和访问输出功能用于根据分析程序接收的输入提供定制的接口和访问综合知识库。
如图20所概括的，输入参数和源270通常可包括关于用户的参数，所述用户包括患者4和临床医生6，以及关于该系统的其他用户，例如金融或保险公司，研究人员，和具有访问数据权利的任何其他人员和机构。对于用户发启的事件，或任何涉及用户的与综合知识库接触的事件，各种访问级、功能、外形、环境等可以被认为自定义用户接口和访问综合知识库数据的程度以及处理能力。举例来说，放射医生在观察工作站观看一副或多幅图像，操作CT扫描仪的技术人员或制定约见或输入帐单信息的管理人员都可以是本系统的用户。如注意到的，可由逻辑解析器272考虑的用户的参数或特征可以变化非常大。在本示范性的实施例中，这种特征包括由用户执行的功能，如参考数字276所表示的，以及如参考数字278所示的用户的个人简档。在适当的时候，与该功能相关的信息和个人简档可以被人工覆盖。而且，所有由特定用户进行的访问可以通过各种类型的鉴别进行过滤，如参考数字282所指示的。
在典型的情况下，如图20所述，用户可例如在工作站304上输入鉴别模块，以使得能够安全地访问该系统。当由用户执行的功能是进行接口和访问的一个关键考虑时，用户可被提示输入当前功能，或者该功能可以被识别用于各个用户简档。在这种情况下，同样的用户在该系统中可具有多种功能，例如在医院中的胸部放射学家作为介入人员(interventionalist)，在其他期间具有另外的功能作为乳腺X线照像人员，在某些期间作为管理者等。作为另一个例子，一般的实习护士可在某个时间作为临床医生，例如输入医学病历信息，在其他时间作为约会日程安排者，并在其他时间作为财务人员来输入帐单、记录数据或保险数据。每个个体或机构都可以自定义一个或多个包含个人偏好的简档或这些功能的信息。该简档可以是包含用于不同数据访问模式或功能的有关用户的某些数据，以及描述用户界面偏好的信息(如果有的话)。
同样，某些硬件或医疗设备系统可直接访问综合知识库，例如用于上传或下载在系统执行的分析、处理或数据采集功能中有用的信息。如图20所述，通常由参考数字284表示的这种硬件可包括成像系统、患者输入站、通过网站连接的通用计算机等。该硬件可按照与上面用户类似的方式、通过一个或多个函数286来与解析器相接口连接。同样，可以考虑诸如硬件环境之类的参数，如参考数字288所述。这种环境可以提供这样一种指示，例如系统在何处、何时使用的指示，以便将在急诊室使用的成像系统的特定功能与在其他临床应用、移动环境等的功能进行区分。如本领域技术人员所熟知的，这种功能和环境信息可以影响能够从综合知识库访问或上传到综合知识库中的数据的类型和数量，并且可以例如具有优先级，或根据治疗等的紧急性处理来自综合知识库中的信息。
图20中也描述了通用的系统输入290，其可以由逻辑解析器实现。通用系统信息可以与各个接口系统相关，包括一个系统，用户或硬件在该系统上与知识库连接。例如，用户用于与知识库进行接口连接的系统可以自动地或通过用户干预提供与特定硬件装置相关的信息、参数、系统性能、设备功能、装置安装或使用的环境等。例如，这种信息可以指示装置用作图像浏览工作站，这样在X线读图室和重症监护室可以使用不同的缺省界面特征。这种界面特征可提供独特的优点，例如同样数据的不同表现模式、自定义分辨率和使用的带宽等。
根据逻辑解析器272提供的信息，解析器确定合适的用户接口定义，以及访问综合知识库的定义。在由逻辑解析器272进行的判定中，可允许的数据状态可能会改变，所述数据状态可以由用户、硬件或系统启动，以允许数据输入、输出的方法和字段、已定义的图形化和其他表现模式等。为了提供这种定义，逻辑解析器可以利用特定水平或分类的访问，以及利用特定预定义的图形接口或其他字段，这在制定接口时使用。尤其是，除了这种预定义的访问和接口设置之外，对于给定的知识库请求，逻辑解析器272可以使用嵌入在知识库接口软件中的算法、来自接口管理器的预定义指令组，或自学习算法。在允许用户人工覆盖特征数据或设置的位置，逻辑解析器可以自定义接口或给定的应用或功能。例如，单独的用户可以使用重症监护室的浏览工作站304以查看外伤病例，但可以通过忽略重症监护室而使用缺省急诊室设置。还可以设想许多其他定义的功能和忽略，所有这些都允许预综合知识库的标准和自定义的接口和访问级。
在逻辑解析器定义的功能中有些功能是用于定义用户接口的，其他功能用于定义对综合知识库的访问。如图20所述，这些功能可包括定义允许的输入字段，如参考数字292所示。取决于上面所讨论的因素，在图形用户接口环境中，这些字段是可显示或不可显示的，或在特定用户界面中是变灰的。另外，如参考数字294所表示的，可以定义允许的输入模式，也允许各种类型的输入，例如通过特定输入页的显示或非显示，交互式网页等。同样，如参考数字296所示，可以通过逻辑解析器定义特定的图形接口。应当注意，各种接口字段、模式和由逻辑解析器根据输入信息识别的表示可以存储在远程，例如，在处理系统中或系统数据资料库，或存储在本地的管理系统或在工作站304中。
逻辑解析器也可以定义特定的交互式水平和在用户、系统和硬件以及交互式知识库之间的访问。这种访问控制可以访问来自知识库的信息和将信息存储在知识库中。访问控制也可以通过数据处理系统定义与知识库相联系的允许的处理功能。在图20所述的例子中，这类功能可包括定义允许读取访问的数据，如参考数字298所示，定义允许读写访问的数据，如参考数字300所示，以及定义允许写访问的数据，如参考数字302所示。
如上所述，接口处理系统268允许执行各种类型的鉴别，尤其是对于试图访问综合知识库的用户。这种鉴别功能可以通过多种方式完成，包括通过密码比较、语音识别、生物统计、包含在接口装置中的脚本和文件(例如“cookie”)或密码文件等。因为在综合知识库中可包括各种数据，鉴别和安全发布可以是特定软件和装置的焦点以谨慎地保护访问并避免干预或未授权的访问。因此，处理使用标准用户鉴定协议，可以使用与知识库交流的数据加密技术，以及在接口的输入端和输出端可提供相关的基础结构。
通常，用户可以承担对由用户管理或生成的数据设置安全或访问级，或其他参与者可以承担这种安全和访问控制。因此，如上所述，该系统能够被编程以实现不同类型用户或用户功能的缺省访问级，而且，不同专用访问级可以由用户设置以用于不同环境和其他用户。具体来讲，患者或主治医生可以在最佳的位置根据他们的需要来设置对他(或她)的医学数据的访问，使得特定的内科医生或机构组能够访问该信息。访问也可以被拓宽到包括其他外科医生和机构，例如在意外情况下或患者无能力的情况下。而且，访问级能够按照个人、情况、机构等排序。特别是访问级能够在特定环境中实现，比如在紧急情况下，用于临床访问者，将控制或监视传递给另一个在假期中的内科医生等。
通常，鉴别和安全操作可以通过软件实现，该软件根据响应对患者提供并执行缺省设置。因此，患者可以被提示对个人、保险公司、主要监护医生和专家、亲属等分类，以及对向每类提供什么样的访问进行指示。然后，在此之后对信息进行分析和访问，以及对界面进行自定义。
上述接口系统具有一定的内在优点，例如，各个患者能够根据患者的需要和目的有效地成为允许访问信息的数据或病例管理者。这种机制可以自定义，并易于改变，以与地方、州和联邦或其他法律法规相一致，尤其是那些与访问患者数据相关的法律法规。这些法规也可以与访问议案和财务信息相关，由雇员访问失效信息，访问和用于保险索赔。医学护理和公共医疗补助信息等。而且，根据用户或访问方法，该技术提供自动的医学信息系统数据访问规定，或易于改变为与医学信息系统数据访问规定相一致，使得数据能够被标记以确保隐私不受侵犯。最后，该技术通过诸如患者或内科医生通过例如类别、功能、环境等为大范围的患者提供隐私级别的快速和常规设置。
多级系统结构
通常如上所述，本技术提供对不同用户和对不同需要以不同级别输入、分析、处理、输出和访问数据。尤其是，该系统具有提供各种级别的数据访问和处理的性能，通常，所有这些不同级别被视为有益于、保持或使用上述的部分综合知识库和功能。各种来自患者或用户级可包括工作站、输入装置、部分数据处理系统等，其提供需要的数据并为在相应级执行的功能提取需要的数据。当系统结构的级别能够满足用户需要时，例如在特定机构、保险公司、部门、区域等，数据的共享和管理可以在这些级别单独进行。不过，在这里还需要额外的功能，该系统结构在必要时提供用于链接较低的和任何中间级以适应这些功能。
图21和22通常说明了根据这种多级结构执行的示范性结构和管理功能。图21说明了本数据交换系统2，其包括许多综合级以及输入和输出站或用户集群。用户处于基本的或本地级306，所述用户通常是患者4或临床医生6(包括放射医生、护士、内科医生、管理人员、保险公司、研究机构等)。如上所述，在这种本地级可执行各种功能，包括修理数据输入和输出功能、访问控制、接口自定义等。然后，在本地群组和群集级308中，这些用户可彼此进行通信，并和上面描述的类型的系统部件进行通信。也就是说，每个本地群组或集群级308都可包括上述讨论的各种资源中的任何一个或全部，包括数据资源和可控制和可描述的资源。例如，在实际实施方式中，本地群组或集群级308可包括：在特定机构中的部门，以某种方式附属的机构，位于特定地理区域的机构、利用实习区域或专业联系的机构等。然后，用户和在这种本地群组或集群级的连接可允许执行特定的功能，在可能的程度上，完全本地的并无需访问远程数据源或其他本地群组或集群。
然后，可以链接相似的远程群组或集群，并它们可以是同样或大体同样的内部结构，如图21的参考数字310、312、314所示。然而，应当注意的是，根据在该组或类中的用户的需要和功能，每个这样的类可以在尺寸、特征甚至在它自身的网络结构上变化非常大，然后，各种本地群组和集群级可以通过一个和多个中心集群链接，通常如参考数字318所示。
虽然通常图21中描述了“集中化/分散化”系统结构，也应当记住由本发明技术方面提供的多级系统的功能可以采用多种分析形式，即，任何或所有可获得的网络结构，包括集中化体系结构、环状结构、层级结构、分散化结构、集中化结构以及这些结构的组合可以处于整个系统的各种级中。而且，在需要时，各种远程群组或集群可以以可替换的方式彼此链接而不需要通过中心群组或集群。因此，可以提供在特定机构或医师之间的优选的链接，使得“虚拟集群”被定义以供进行数据交换和处理数据。这种链接可以在这些用户之间执行特定关系和重复操作时特别有用。
上面描述的功能，包括数据采集、处理分析和其他功能，都可以在图21的结构中的特定工作站中执行，在本地群组和集群，或通过使用更广泛的资源，所述更广泛的资源包括一个或多个远程群组或集群。根据多级体系结构的场合，这些功能中的某些功能通常在图2 2中描述。如图22所述，某些功能可以在本地群组或集群级308执行，通常同样的功能以较高级318执行。而且，应当注意同样的或类似的功能甚至可以在各个终点或工作站执行，并且在该结构中可以提供另外的级。
如图22所述，用户4，6可以链接到该系统，并且通过安全/访问控制模块320来对输入和访问进行过滤。如上所述，这种模块可以使用各种形式的安全/访问控制，例如根据密码、语音识别、生物统计和更多复杂的技术。通常，模块320保持理想的保证级，那些链接到网络的保证级有权将特定的数据上传、下载和处理。模块320允许用户访问本地知识库322，从一般的观点看，该知识库被视为是上述知识库的一部分。也应当注意，本地知识库322也可以包括上述联合数据库的特征，其中某些数据可以通过编程函数被预处理和进行说明，以便使用。
通常，确认或数据管理模块324可以以某种形式被提供以控制本地知识库322中数据和来自整个系统的其他部分的数据的访问和质量。也就是说，确定的数据，尤其是在本地级使用的数据，可以优选地被存储在本地知识库322中。然而，在需要整体系统功能时，这些数据可以被上传到较高级别，或插入(piers)到其他本地群组或集群中。同样，数据可以从其他远程源那里下载或处理。为了保持这些数据的有效性和质量，有效性和数据管理模块324可以执行特定的功能，通常时双向的，如图22所示。上述功能可以包括如参考数字326所示的调节模块。该模块可以调节和确认确定的数据，例如根据输入时间、数据来源和其他确认标准。在不可获得这种调节或确认时，例如由于不一致的更新或输入，这种情况可以被作出标记以便进行调节。同样，同步模块328提供在本地知识库322和远程资源之间的同步记录。最后，链接上传/下载模块330提供从其他存储器或资料库定位、访问或存储或下载来自本地知识库中的数据。
然后，通常可以在其他级或在其他关系中执行同样的功能，通常如图22的318所示。因此，就如在本地群组或集群之间一样，安全和访问控制模块332可以与模块320相结合，以提供对来自其他用户、群组、集群或级别的安全访问。而且，集群知识库334可以被保持，其推荐或甚至复制一些本地知识数据库。就像具有本地知识库322一样，集群知识库334通常可以被认为是全部综合知识库中的一部分。其他功能也可以以较高的级别执行。因此，如参考数字336所示，有效性和数据管理模块可以被执行，该模块又与在本地级的类似模块324的功能相兼容。这种模块又可以包括一致模块338，同步模块340和链接/上传/下载模块342，其便于群组或集群之间的数据交换。
上面描述的多级设计提供了明显的优点和功能。首先，数据可以通过组或类的特定部件使用特别修改的访问控制程序方便地被访问。也就是说，对如保险帐单、临床分析等这样的功能，可在特定组或类中提供降低的安全级别。然后，通过在其他群组或集群的其他用户访问数据可以被更好地调节，例如通过应用不同的安全或访问控制机制。而且，某些功能可以以非常基础的级别提供，例如在患者或临床工作站，需要时还链接有附加数据访问和处理性能。
此外，应当注意在本发明设计的实施例中，整个网络拓扑学倾向于借鉴基础数据结构，其本身借鉴和促进下述的计算机辅助数据操作算法。也就是说，当由特定关系、处理需要、访问需要、确认需要等使功能或数据被相关起来，群组或集群的建立可以遵循同样的结构。即，如上所述，“典型的”访问、使用、需要和功能可以在更紧密或不太紧密的结点或类中，更远的或稀疏的机构或功能可以更分散些。
各种群组或集群的链接也允许执行迄今为止在现存的系统中不能获得的功能。例如，在不同组或类级的数据之间的趋势、关系等的分析可以促进那些能够辅助识别传统的不可获得的信息。例如，在特定机构、机构的部门或地理区域的疾病状态的特定流行程度，现存的系统倾向于不识别或延期识别在这种事件和在其他位置的类似事件之间的任何关系。另一方面，本系统允许这种数据被操作、考虑、分析和相联系，以便容易地、快速地识别各个位置的发展趋势和各种数据的相互关系，例如护理质量等。因此，可获得对同样信息的协调访问和分析，以在整个人群中识别这种疾病状态。
同样，通过本技术提供的多级机构可以提高资源管理。尤其是，根据在上述各个级的数据的可获得性和资源处理，问卷中使用的过去的和预期的趋势、保险索赔、人力资源需要等也可以被识别。
面向患者的医学数据管理
本技术还提供了进一步的优点，患者能够被通知并甚至管理能够他们各自的医学护理。如上所述，该系统能够以下述方式整合：在医学接触(例如办公室会面)之前收集患者数据，当需要时，该系统也可以用于请求额外的信息，以用于此类交互。而且，该系统能够适于允许保持特定的个人患者记录，该记录可以由各个患者和患者管理者控制。图23一般表示用于产生和管理综合患者记录而设计的技术方面。
如图23所示，通常功能和模块的机构可以称为患者管理知识库系统344，其至少部分地包括综合知识库特征和上面描述的其他技术。患者4提供了患者数据，通常如图23中的参考数据346所示。患者数据可以以任何合适的方式提供，例如通过硬拷贝、组织样本分析、在研究机构或门诊部的输入装置或用于患者的输入装置。例如，这种输入装置可以包括例如，用于包裹、植入或由患者在家或工作场所直接完成。因此，患者数据346可以通过移动取样器(例如用于血液分析)提供，用于生理数据的传感系统(例如血压、心率等)。患者数据可以存储在本地，例如存储在传感装置或患者计算机或工作站中。同样，患者数据也可以在提示患者时由患者提供，或者通过系统提示来提供，例如通过可访问的因特网网页。而且，患者数据可以从外部资源提取，包括下面详细描述的综合知识库资源。因此，在实现时，可以以双向方式交换患者数据，从而使得患者可以向记录提供数据并从记录访问数据。同样，患者可以管理从外部资源向记录输入数据，以及管理向外部资源输出记录。
患者数据可以通过患者网络接口348来与系统的其他元件进行交换。患者网络接口可以像网页浏览器一样简单，或者可包括多种用于控制访问、确认和在患者和外部资源直接交换数据的复杂管理工具。患者网络接口可以与各种其他部件相通信，例如直接与参考数字350指示的护理提供者相通信。这种护理提供者可包括最初护理医生。但也包括存储患者临床数据的机构和办公室，以及存储非临床数据的机构，例如保险索赔、经济资源数据等。患者网络接口348还可以进一步与参考数据资料库352相通信，这种参考数据资料库已在前面参考综合知识库进行了说明。资料库352可以是同样的或其他的资料库，并可以由患者网络接口进行有效地使用，以由所述接口执行一定的处理功能。例如，将患者数据和已知范围或统计学信息相比较、综合与疾病状态、护理、诊断和预测等有关的背景和特定信息的显示患者情况的界面页。当需要时，患者网络接口348还可以与一般用参考数字354表示的解释器或处理模块相通信。解释器或处理模块可以完全地或部分地将访问地已存取的数据或患者数据以供进行分析和存储。再者，解释器或处理功能可以是双向的，以便它们能够解释和处理那些来自患者的数据和从外部资源传递给患者的数据。
综合患者记录模块356通常设计为产生综合患者记录，一般用图23的参考数字362表示。如在本发明环境中所使用的，综合患者记录可包括相当多的信息，这些信息是直接从患者身上获取的以及从向患者提供护理的机构那里获取的。该记录也可包括从这些数据衍生的数据，例如在适当的时候由自动技术和通过患者护理提供者分析原始患者数据、图像数据等得到的数据。同样，该综合患者记录可包括来自参考数据资料库352的信息。综合患者记录模块优选地将一些或所有综合患者记录362存储在一个或多个数据资料库358中。
如上所述，系统344允许产生一个综合患者记录362，其可包括相当多的患者数据。在实践中，综合患者记录，或部分患者记录可以存储在各个位置，例如在邻近患者数据块346的患者位置，在所指示的邻近块350的各个护理提供者的位置(例如用最初护理医生)，或在由综合患者记录模块356访问的数据资料库358中。也应当注意，对患者而言，由患者网络接口348、解释和处理模块354和综合患者记录模块356提供的一些或全部功能可以本地或远程的。即，用于执行生成和保持患者记录的软件可以直接存储在患者终端，或可以完全或部分地在远程提供，例如通过调配服务。同样地，患者记录资料库358可以在患者本地或远程。
综合患者记录模块356也可以优选地设计为能通过综合知识库接口360来与综合知识库12进行通信。接口360可以与上述的为适应患者需要和使用的访问、确认、修改等一般功能相一致。综合知识库接口360允许从资源18中提取信息，该资源18可以在如图23所示的特定机构的内部。该接口也可以允许来自患者的数据被上传到该资源和机构。如在图23所述，综合患者记录356能够完全地或部分地存储在综合知识库12中以便于由例如护理提供者访问。该记录也可以存储在各个机构中，例如存储在医院或能够提供专业患者护理的临床机构。
图23描述的系统功能提供了明显的优点。例如，如上所述，访问特定信息和生成记录可以由患者更直接地控制。即，该系统作为一种能够使患者主动管理医学记录的使能器。这种交互可采用患者可控制地访问向专业护理提供者提供的部分患者记录的形式。同样，该系统提供能够提高患者关于专业临床和非临床问题的一般性问题的教育水平的能力。该系统还提供用于访问患者数据、包括原始数据、处理后数据、链接、上传等的有力工具，其可由护理提供者使用以识别和跟踪患者状况、制定患者护理访问等。这种功能也可以通过“推(push)”或“拉(pull)”的交换技术加以提供，例如基于时间的或通过通知、电子消息、无线消息等技术。因此，与患者的直接交互可包括上传患者数据、下载患者数据、开药提醒、办公室会见提醒、筛选通信等。此外，将患者数据与来自其他资源的功能和数据结合，以允许综合患者记录定期地生成和存储，或在患者或机构提出的特殊需要之前生成和存储，或在特定查询时通过链接和访问数据以响应查询进行编译。
预测建模
本技术利用了上述数据存储、访问和处理功能的高度集成，提供了开发临床和非临床特性的预测模型的有力工具。尤其是，能够从综合知识库或联合数据库中的各种资源提取数据，处理数据并分析数据以利用预测模型的开发改进患者的护理。这种预测模型的开发能够完全地或部分地自动进行，并且这种建模可以用于适应上述类型地计算机辅助功能。
图24和25通常说明了可以根据本发明的技术实现的预测模型开发的方面，图2 4表示一个预测建模系统364，其可以基于或补充(compliment)上述的综合知识库和网络功能。预测建模系统364利用资源18，所述资源包括数据资源和可控制和可指定的资源，以及利用任何在系统中提供的联合数据库14，以及利用本质上可以集中和分布的综合知识库12。该系统364依据图24中标出的软件作为数据挖掘和分析模块366，所述数据挖掘和分析模块被设计为能从各种资源、知识库和数据库中提取数据，并且识别开发可预测模块中有用的数据之间的关系。由数据挖掘和分析模块366执行的分析功能可以以任何合适的方式启动，如图24中的启动程序块368表示，其包括任何或所有上面描述的参考图18的启动事件。只要处理过程被启动，该模块检索和识别可以链接到特定疾病状态、医学事件或未识别或尚未认出的疾病状态或医学事件。此外，该模块还可以同样寻找非临床数据以开发同样的模型，例如预测资源需求、资源分配、保险费率、财务计划等。应当注意，由模块366执行的数据采集和分析功能可以对来自资源和数据库的“原始”数据进行操作(临床和非临床的)，以及对过滤后的、确认的、维数减少的和来自这些资源中的任意一个的处理后的数据进行操作。此外，这种处理的启动，或数据的确认可以由专家提供，例如由图24的参考数字6表示的临床医生提供。
根据模块366执行的挖掘和分析，预测模型开发模块370还用于将数据转换和分析成可用于诊断、计划和其他目的的代表性模型。在临床环境中，可开发大范围的模型类型，尤其是用于提炼上述计算机辅助处理。如上所述，这些处理，在这里称为CAX处理，允许强有力的计算机辅助工作流程，例如用于采集、处理、分析、诊断等。预测模型开发模块370使用的方法可以根据应用、可获得的数据和需要的输出进行改变。在本发明的实施例中，例如，该处理可基于回归分析，决策树、聚类算法、神经网络结构、专家系统等。此外，预测模型开发模块还可以以特定的疾病状态或医学状况或事件为目标，或者可以是非状态指定的。例如，在已知数据与特定医学状态相关时，该模块可以在于根据所有由资源和知识库中可获得的信息提炼用于识别这种状况发生可能性的规则和方法。然而，更一般的，数据挖掘和分析功能结合模型开发算法可以用于识别疾病状态和这些疾病状态和以前未识别的可获得的数据之间的关系。
在预测模型开发模块370被修改以改进计算机辅助处理CAX的应用中，该模块可以识别或提炼执行这种处理中有用的参数。因此，该模块370的输出可以由视为与特定病症、事件或诊断相关的一个或多个参数组成。来自预测模型开发模块370的输出(通常采用数据关系的形式)可以进一步被提炼或映射到图24所描述的CAX处理85所获得和使用的参数上。因此，在本实施例中，提供了参数提炼函数372，其中在CAX处理85中所使用的参数被识别，如参考数字374所表示的。并且“最好”或最优化的值或该值的范围被识别，或如参考数字376所示。然后，参数和它们的值或范围被提供给CAX处理算法以进一步用于特定处理中。作为一种一般规则，CAX处理产生一些输出，如参考数字378所表示的。
应当注意，上面描述的预测建模系统364中的各种功能可以在一个或多个处理系统并根据各种输入数据执行。因此，如上所述，综合知识库和由此用于预测模型开发的数据本质上是可扩展的，使得在可获得改进的或额外的信息时，该模型可以用不同方式开发或改进。也应当注意，图24所描述的该系统的各个部分提供了高度交互式的模型开发。即，各种模块和功能可以彼此影响以进一步改进模块开发。
例如，根据特定的数据挖掘，在由模块370开发的预测模型处，该模型开发模块可以识别另外的或补充数据也在改进CAX处理的功能上非常有用。然后，该模型开发模块可以基于这种洞察影响数据挖掘和分析功能。同样，在参数提炼过程中进行的参数识别和参数优化过程能够影响预测模型开发模块。而且，CAX处理85能够同样的影响预测模型开发模块，例如用于开发或提炼其他CAX处理。
在图24说明的所述部件和功能之间的交互作用的稍后的可能性非常有利。尤其是，应当识别预测模型开发模块370其本身在某些方面可以作为CAX处理85，例如用于识别可获得的数据之间的关系，以及将这种关系与潜在的疾病状态、事件、资源需求、经济上的考虑等相匹配。然而，该过程不仅限于任何特别的CAX过程。而是，虽然模型开发可以集中在疾病状态的诊断上，例如，CAX处理的输出(例如计算机辅助诊断或检测)可以导致识别需要处理的数据的处理和模型化方面的改进。同样，CAX处理在处理中的结果可以导致识别在用于计算机辅助数据采集(CAA)模型中的改进。其他计算机辅助处理，包括健康或经济状态、预后、开药、治疗的计算机辅助评估(CAAx)和其他决策可以同样地受到预测模型开发模块和来自改进的其他处理反馈的影响。
如图24所述，在临床和非临床预测模型开发中涉及的特定步骤可以受到确认或由系统元件或专家进行输入。因此，CAX输出378通常由专家6进行查看。同样，可能影响预测模型开发模块370的CAX输出优选地被确认，如图24中地块380所示。这种确认可以由该系统自身执行(例如通过相互校验数据或算法输出，或通过一个或多个专家)。然后，该经过确认的输出可以链接到资源，包括初始资源本身18和综合知识库12。例如，链接或预处理一定数据或对在由开发模型中执行的CAX处理中使用的特定数据进行标记可能是有用的。
在使用时，开发或改进的模型通常可用于远程处理，或可以下载到系统，包括计算机系统、医学诊断成像装置等，这些系统使用该模型改进数据采集、处理、诊断、决策支持或由CAX处理执行的其他任何功能。
在预测模型开发模块370中，可存在几种功能并且它们可以或在常规的基础上执行，或用户或由系统进行专业编程或启动。图25说明了由模型开发模块执行的某种这种处理的例子。如图25所示，根据所挖掘和分析的数据(即由资源采集或提取的数据)，该模型通常识别如图25的块282可获得的数据之间的关系。这种关系可以基于数据间已知的相互关系，或基于上述的识别算法(例如回归分析，决策树，聚类算法、神经网络、专家输入等)。而且，应当注意这种关系识别可以基于任何可获得的数据。即，这些数据在被认为与它的类型、模式、实行区域等分离时可能是在系统使用中最有用的。例如，临床数据可以从成像系统中使用，并且与特定患者的人口统计学的信息结合，并且与组织学信息结合。数据也可以包括非患者特异性(例如一般人群)数据，该数据可进一步指示特定疾病状态等的危险或可能性。依据所识别出的关系，如块384所示，规则识别被执行。这种规则可以包括在所识别出的关系中用于链接各种数据项或输入的比较、布尔关系、回归方程等。
块386表示执行的输入改进步骤。其中这种关系与各种从所述资源或数据库或知识库中可获得的各种数据输入相联系。如图25所述，这种输入388可以是非参数的，即，涉及不是特别地受CAX处理的设置或参数的影响的原始的数据或处理后的数据。如框图390所表示，其他输入识别用于参数输入，其能够受CAX处理的改变的影响。根据上述输入识别、规则识别和关系识别，能够使模型一致并得到改进，如框图390所示。此外，这种一致和改进又可包括添加或删除某些输入，其中包括数据的某些条件和包含物、一些输入的加权等。这种一致和改进可以由该系统执行，或通过专家的输入执行，如图25中的参考数字6所示。接着，整个过程可能进行某些重复，如图25的返回箭头所示。这样该一致和改进过程可能进一步影响对相互关系、规则和输入的识别。
借助上述技术可以开发许多模型。例如在临床环境中，上述不同类型的数据可以由CAX算法访问，诸如图像数据、人口数据和非患者特定数据。例如，对于特定年龄段的女性，她们患有乳腺癌的风险会升高，模型可以被开发用于诊断特定年龄段的在国家特定地区居住的女性乳腺癌。被认为可用的另一种因素是从患者完成的问卷调查中获得的既往症(例如，烟瘾、饮食习惯等)。
作为另一个例子，说明了各种处理之间的相互作用，采集数据或处理数据的模型可以被计算机辅助诊断(CADx)算法影响。例如在一个例子中，根据计算机辅助诊断，在突出从扫描数据中导出的异常图像的同时，治疗算法的输出可以被改变。因此，图像数据可以在下腹部以较薄的层片被采集或处理，在那里治疗算法被称为阑尾切除术。其余数据可以按正常方式以较厚的层片被处理。因此，不仅在预测模型的开发和改进中不同焦点的CAX算法能够彼此影响，而且不同类型和来自不同模态的数据能够被用于改善诊断和治疗疾病以及非临床用途的模型。
算法和专业训练
如上所述，许多计算机辅助算法可以在本技术中被实现。在这里通常被称为CAX算法的这类算法可以包括多种数据的处理和分析，诸如医学诊断图像数据。本技术提供用于改进上述处理的增强工具，并且通过学习或训练过程改进上述处理以增强检测、分段、分类和其它被上述处理执行的功能。本技术也提供了在各种水平为医学专业人员提供反馈(诸如训练目的)的可能，这些医学人员包括放射科医生、内科医生、技术人员、临床医生、护士等。图26说明了在上述训练过程中针对算法和医学专业人员的典型步骤。
参考图26，图解说明了算法和专业人员训练过程394。处理过程可以包括彼此分开却又相互依赖的模式，诸如专业人员训练模式396和算法训练模式398。通常，这两种模式可以在一个或多个操作环境中被编程和运行，并根据用户当前如何执行上述处理过程改变所执行的实际功能。
通常，处理过程考虑到了计算机辅助算法(诸如CAD算法)之间的交互和由医学专业人员执行的功能。处理过程在这里根据CAD程序的前后关系被解释，其中CAD程序用于对医学诊断图像数据的特性进行检测和分类。然而，应当理解的是，对于其它CAX算法和不同类型的医学诊断数据(包括来自不同模态和资源类型的数据)，类似的处理过程能够被实现。
处理过程394可以认为是从步骤400开始，在该步骤中专家或医学专业人员执行特征检测和分类。正如本领域技术人员所熟知的，上述功能通常作为诊断图像读出过程的一部分被执行，并且通常从重建图像或按检查顺序排列的一组图像开始。专家通常从综合知识库12中或从各种资源18中提取数据，并利用来自上述资源的补充数据支持特征检测和分类的“读出”过程。然后，专家产生标记为D1的数据集，数据集D1在图26中用参考数字406标记，该数据集可以是在特殊应用中附有注解的医学诊断图像。任何合适的技术均可以用于产生数据集，诸如传统注释、指令、交互式标记和类似技术。
同专家特征检测和分类功能并行，算法(例如CAD算法)在步骤404中执行类似的特征检测和分类功能。如上所述，各种程序可以用于上述功能，通常是利用原始或已处理图像数据，并根据参数设置识别分割和分类鉴别特征。上述设置包括由数学或逻辑限定的特征识别步骤，基于亮度或颜色的特征检测、自动或半自动特征分割和基于鉴别或分割特征和鉴别病理学已知特征比较的分类。作为步骤404的结果，在图26中参考数字为406的第二数据集D2被生成，为了显示该数据集同样可以被注释。
由专家产生的数据集402在步骤408中经受相同或不同计算机算法的验证。当系统工作在算法训练模式时，由于该步骤的任选特性，算法验证步骤408在图26中用虚线说明。也就是说，如下所述，在反馈被提供给专家的地方优选专家读出的算法验证。作为选择，算法验证步骤可以在所有情况下被实现，以致于后续被处理数据集包括通过专家和通过算法的读出，和在算法验证步骤产生的专家识别和分类特征的筛选。通常，算法验证步骤用于消除由专家产生的假肯定读出。应当理解在步骤408中的特殊算法和/或被算法使用的参数设置可以不同于在步骤404中使用的算法和参数设置。也就是说，算法验证步骤可以由不同的算法执行或使用不同的参数设置，以致于和步骤404中使用的算法特征检测和分类相比，在步骤408提供了不同精确程度的过滤器。步骤408形成了另一个精确数据集D3，在图26中参考数字为410的数据集D3可以形成重建图像，该图像被添加注释以便在需要的地方指出专家特征检测和分类结果以及由算法验证引起的上述结果的改变。
同样，由算法特征检测和分类产生的数据集406在步骤402经受专家验证。和步骤408的情况一样，步骤412可以是任选步骤，特别是在系统按专业人员训练模式运行的地方。也就是说，在计划将反馈提供给医学专业人员或专家的地方，步骤可以被删除，以便提供算法特征检测和分类和由医学专业人员产生的特征检测和分类的比较。应当理解在步骤412中的特殊专家和/或被专家使用的判定阈值可以不同于在步骤400中使用的专家和判定阈值。当数据代表图像时，在图26中参考数字为414的结果数据集D4可以被重建，并且数据集D4可以被注释以指出由算法识别的特征和由专家或医学专业人员对上述识别或分类做出的改变。
在本实施方式中，数据集410和414被加入到共用数据集416中，共用数据集416可以包括一个或多个图像，这些图像显示了被检测和被分类的特殊特征的起源以及在验证期间由算法或专家做出的改变。图26中的块418代表可以是医学专业人员(和执行特征检测和分类或验证是否相同的医学专业人员)的协调单元，或者协调单元可以包括自动或半自动处理。协调单元418的用途是解决由算法和专家执行的检测和分类之间的冲突和可能由修改产生的冲突，上述修改是指在步骤408和412的验证之后的修改。
一旦协调单元已经在算法训练模式398中对图26中参考数字为416的数据集DS起作用，由步骤412中的专家验证和协调单元418做出的改变在步骤420中被分析。分析可以由比较所做的改变和确定为什么改变是必需的组成。本领域技术人员可以理解CAX处理通常包括各种设置，这些设置能够被变更以改变可能已经被执行的特征识别、检测、分割和分类。然后，在步骤420中执行的分析能够专注于确定有多少参数输入能够被修改以允许验证和协调的结果一致。然而，应当理解在步骤420中执行的分析不一定非要表明期望算法中存在改变。也就是说，为了增强算法功能的“第二读出器”或“独立第一读出器”特性，在某些情况下算法没有生成和专家完全一样的结果是合乎需要的。然后，在步骤422中，诸如通过专家或专家团队，检查任何可能的算法改变的有效性。在有效性步骤形成“算法改变状态良好”结论的地方，上述修改可以在步骤424中实现。尽管在本处理过程中涉及的是上述算法的参数修改，但是也应当理解上述修改可以包括其它输入(诸如可以从综合知识库12获得的输入，如图24所述)的识别和研究。
当工作在专业人员训练模式396时，可以在图26的步骤426中完成数据集416的类似分析。上述分析可以用于确定为什么由验证408中的算法做出了专家读出的改变，并确定上述性能如何能够达到一致。根据上述分析，在步骤428中结果可以被报告，而且指令可以提供给医学专业人员。应当理解上述报告和指令可以向医学专业人员只提供反馈，以便指出算法验证已经对数据集402做出的改变。然而，报告或治疗也可以提供有用的教导性输入，涉及教学材料、例子、基于图像的数据检索等，以便医学专业人员获悉性能改善的相关考虑。
在数据集416创建之后，结果可以在步骤430中以传统方式被报告和显示。此外，作为可选步骤，其它处理过程可以在结果数据基础上被执行，上述结果数据同样可以在改进CAX算法或教导医学专业人员上提供帮助。图26的参考数字432和434说明了上述处理过程。
应当理解在需要的地方上述处理过程能够按正常的操作程序被执行。也就是说，连同补充(complimentary)算法和专家验证过程以及协调单元的使用，补充算法和专家读出过程可以用于诊断和其它用途数据的正规处理。但是，在专业人员训练模式中，相对“重的(heavy)”过滤器可以在算法验证步骤中使用，以便将更多的阳性读数识别成潜在的假阳性读数，以达到训练目的。不同的或“轻的(lighter)”过滤器可以在正常操作期间使用，并且可以用于在步骤404中形成的算法特征检测分类。此外，在步骤420或426中执行的分类可以进一步依靠综合数据库以识别以患者特有数据、非患者特有数据、患者特有和非患者特有特征的时间数据等为基础的趋势、预测等。如上所述，也应当理解作为训练操作的结果能够对CAX算法做出各种改变。上述改变可以包括处理过程的改变，而且可以是“患者特有的”，同时为了进一步分析涉及同一个患者的数据，上述改变被保存起来。也就是说，例如针对涉及患者某些解剖特征(例如，体重、骨质量、大小、植入物、假肢等)的图像数据，通过改变参数设置，算法可以对患者特别适合，从而增强算法进一步应用的实用性，并根据算法所做的决定对专家读出做出进一步的校正或建议。此外，根据学习模式的输出，也能够对综合知识库本身做出改变，以便调节保存在知识库中的数据的“正常范围”。
体外特征识别
如上所述，在本技术可以获得的许多资源和资源类型中，某些资源将产生可以经受体外数据采集和分析的数据或样本。出于多种原因，本技术在上述数据和样本的处理过程中提供了一种特别有用的工具。首先，根据多种资源类型的数据输入，样本可以被分析，包括数据采集、基于内容的信息检索、检索和/或采集数据的分析、特征识别和基于识别特征的数据分类在内的各种计算机辅助处理可以被实现。此外，当体外样本的特征涉及先前已识别的特征时，通过使用诸如来自于综合知识库的已知数据，时间分析可以被执行以分析体外样本的特征。信息检索过程可以进一步以体外样本的特定属性为基础，诸如空间属性(例如，特定组件或特征的大小)、时间属性(例如，特征随时间的变化)、或谱特性(例如，能级、亮度、颜色等)。可以在可能的地方从综合知识库保存的信息中识别出上述内容，这些内容可以包括生物标志物、图像、关系表、标准化矩阵等。因此，通过参考可用的数据，尤其是综合知识库中的信息，多种属性可以被用于增强体外样本的采集、处理和分析。
图27通常表示根据上述改进技术的体外样本处理过程的步骤。在图27中通常用参考数字436表示的体外特征识别过程从步骤438开始，在步骤438中体外诊断样本被采集。如上所述，任何合适的技术均能够用于采集样本，这些样本通常可以包括体液、组织等。在步骤440中，对采集样本进行分析。如方框442所示，由来自综合知识库的输入激活分析。输入可以包括涉及其它模态、资源类型的数据，或涉及患者类型样本的时间数据。在步骤440中执行的分析可以包括上述数据的特定比较，而且这种分析实际上是初步分析。因此，在没有从整个处理过程的采集步骤出发的情况下，样本采集可以适应步骤444所示处理的需求。这种调整可以包括其它样本的采集、特定条件下的样本采集(例如，就诊期间的后半段时间、在患者活动或休息期间、来自身体的其它部分等)。因此，体外诊断样本采集的处理过程可以被影响样本自身采集的计算机分析改进。
在样本采样之后，可以在步骤446中执行样本的处理。在步骤446中执行的处理通常是样本处理，而不是数据处理，以使样本能够适应手动或在半自动或全自动过程中的数据提取。在步骤446的处理之后，处理结果在步骤448中被分析。如上所述，在步骤448中执行的分析可以包括来自综合知识库的数据的研究，上述数据包括来自其它模态、资源类型和时间的数据。和步骤440所执行的分析一样，步骤448中的分析实际上是初步分析，或进一步的分析可以被步骤452所示的调整处理执行。因此，在体外诊断样本的最终分析之前，附加处理可以处于工作状态，诸如载玻片准备、针对存在的各种化学药品、组织、病原体的分析等。
在步骤454中，分析结果和诸如来自综合知识库的已知简档进行比较以确定可能的诊断。如上所述，在步骤454所做的比较可以基于来自不同模态、资源类型和时间的数据。如步骤458所示，比较可以导致用于表示病状、医学事件等的特定数据的分类。比较和分类可以进一步表示特定患者(或患者群体)正在经受用于表明了潜在诊断、预测等的特定趋势。在步骤458做出的分类结果可以在步骤460中诸如由医学专业人员进行有效性检查。
通常，针对当前的用途，在特殊疾病的生物样品特征中或在病状或情况的诱因中，量化标记、症状和/或分析物(例如，化学药品、组织等)可以被称为疾病或情况的“生物标志物”。尽管参考通常在此处做出分析和比较，但是上述生物标志物可以包括许多特征，不仅可以包括上述的空间、时间和谱属性，而且可以包括遗传标记(例如，特定基因的出现或缺失)等。
例如，在典型应用中，患者组织可以被采样并被送到实验室中进行分析。实验室人员在计算机的辅助下使用恰当的检测器(诸如显微镜、荧光探针、微阵列等)采集数据。诸如生物标志物、图像信号等的数据内容被处理和分析。如上所述，采集和处理步骤自身可以被诸如来自综合知识库的其它数据影响。因此，上述数据可以从知识库中获取用于参与采集、分析、比较和分类步骤。
在处理过程中所做的比较实际上可以是参数或非参数比较。也就是说，如上所述，参数比较可以基于被测量和参数，在那里特征在参数空间被添加索引或被引用，并且根据一个数据集和另一个数据集关于特定索引的相对相似性(诸如在两组特征向量之间的欧基里德距离测量)执行比较。例如对于显微镜，上述索引可以包括典型细胞结构、颜色、试剂、索引等。其它例子可以包括基因组成、特定基因或基因序列的出现或缺失等。
非参数比较包括在没有涉及索引的情况下所做的比较，诸如针对经历了一段时间的特殊患者。这种比较可以以一个数据集的数据内容为基础进行，该数据集可以同另一个数据集的数据内容进行特征的相似性比较。本领域技术人员能够理解这种比较中的一个或两个可以被执行，而且在特定情况下一个比较可以优于另一个比较。当在给定样品和特征已知的不同样品(诸如根据来自综合知识库的信息)之间进行比较时，通常使用参数方法。例如，除了在组织病理学图像中获得细胞的结构和形状模式以外，参数还可以从人口数据、电诊断数据、图像诊断数据、生物流体中的生物标志物浓度或这些数据的组合中导出。因此，如上所述，比较能够根据来自不同模态和不同资源类型的数据被做出。非参数比较通常可以用于时间比较用途。例如，可以展示出特定例子浓度动态变化和数据属性(例如，值、值的比率等)时间变化的样品可以被分析以得出最终的临床决策。
计算机辅助数据操作算法
如上所述，本技术为计算机辅助数据操作算法中的操作的高度综合做准备。如上所述，某些上述算法已经被开发，但在各种领域中的用途相当有限，诸如用于疾病的计算机辅助检测或诊断、数据的计算机辅助处理或采集等。但是，在本技术中，通过算法之间的交互提供了更高层次的综合和互操作性，上述算法之间的交互在算法的开发(如上所述关于模型的开发)中以及在算法的使用中均会发生。此外，上述算法可以在临床和非临床应用中使用。临床应用包括数据分析、处理、采集和下面将要进一步讨论的其它技术，而非临床应用可以包括各种类型的资源管理、财政分析、保险索赔处理等。
图28提供了上述算法之间互操作性的概述，在本文中上述算法通常被称为计算机辅助数据操作算法或CAX。如上所述，本文中的CAX算法可以根据当前使用的算法被建立，或根据附加数据源、上述数据源的综合、或算法中的上述数据源之间和本文讨论的算法之间的互操作性，CAX算法可以被修改或被完全重建。例如，在图28的概述中举例说明了整个CAX系统462，CAX系统包括许多步骤、处理过程或可以被包括在全综合系统中的模块。如上所述，还可以设想到更多有限的实施方式，其中一些或仅有几个上述处理过程、功能或模块被提出。此外，在当前预期的实施方案中，上述CAX系统在综合知识库的基础上被实现，以便信息能够被收集以允许算法自身和算法操控数据的修改和最优化。如上所述，通过这里描述的模型开发模块上述开发和最优化可以被执行，而且单个CAX算法的多个方面可以被修改，包括规则或在算法中的实现过程以及各种设置。下面将详细说明关于图29的CAX算法的上述方面。
如图28所述，通常CAX算法从步骤464开始，在步骤464中数据被采集。如本讨论所述，数据采集可以采用多种形式，尤其是根据提供数据的资源类型和资源模态。因此，数据可以被人工输入，诸如通过表格或传统终端，或者数据可以通过实验室报告技术、成像系统、自动或人工生理学参数采集系统等被采集。数据通常被保存在如上所述的一个或多个存储设备中，一些存储设备可以被合并到数据采集系统中，诸如成像系统、图片存档系统等。
在步骤466中，感兴趣数据或被CAX算法执行的功能的实用工具被访问。然后，根据被访问数据，参考数字通常为468的一系列操作可以被执行。通过上述处理，实际上在步骤466中综合知识库12可以被全部或部分访问以便在CAX算法运行期间提取数据、检查数据有效性、同步数据、下载数据或上传数据。
尽管许多上述计算机辅助数据操作算法可以被设计，但是当前有十种这样的算法被预计用于执行临床和非临床的特定功能。因此，在图28中总结的是计算机辅助特征检测(CAD)算法和计算机辅助医学情况诊断(CADx)算法的步骤。此外，计算机辅助临床决策算法(CADs)被执行，其中根据分析和处理，临床决策被自动做出。同样，通过另外的例程(CATx)，治疗或疗法决策可以被执行。在上面详细描述的特定计算机辅助采集(CAA)和计算机辅助处理(CAP)算法可以被执行。此外，如下所述，计算机辅助分析(CAAn)算法可以被执行。和处方确认、建议或处理算法(CARx)一样，计算机辅助预测或预后(CAPx)算法也可以在医学背景中被设计。最后，计算机辅助评估算法(CAAx)可以在临床和非临床的多种情况下被设计。
详细地考虑在图28中总结的数据操作步骤，在步骤470中被访问数据通常被处理，诸如进行数字滤波、数据调理、动态范围调整、数据关联等。本领域技术人员能够理解在步骤470中执行的特殊处理依靠在分析或被执行功能类型中被分析的数据类型。但是，应当理解来自上述任何一种资源的数据均可以被处理，而且毫无疑问来自多个模态或资源类型的数据也可以被处理，诸如用于存在风险的复杂分析或医学情况的治疗等。同样，在步骤472中数据分析可以被执行。此外，上述分析取决于数据特性和执行分析的算法特性。
在上述处理和分析之后，在步骤474中感兴趣特征按照常规方式被分割或被限定。此外，在图像数据中上述特性分割可以识别解剖学或病理学等的范围。然而，一般而言，在步骤474中执行的分割可以仅能用于辨别任何一种特征类型的范围，这些特征包括数据之间的各种关系、相关程度等。在上述分割之后，如步骤476所述，特征可以在数据中被识别。尽管上述特征识别可以在图像数据的基础上被完成以识别特定解剖学结构或病理学表现，但是应当理解在步骤476中执行的特征识别实际上可以具有更宽广的范围。也就是说，由于许多数据可以被整合到本发明系统中，所以特征识别可以包括数据关联，诸如来自模态所有类型的临床数据、非临床数据、人口数据等。通常，特征识别可以包括数据之间相互关系的识别，上述数据是指在由CAX算法执行的处理中感兴趣的数据。在步骤478上述特征被分类。上述分类通常包括已分割特征的简档和已知情况的已知简档的比较。分类通常可以由参数设置、值等产生，在研究中它们将数据集已知群体的上述简档和一个数据集进行匹配。但是，分类也可以基于非参数简档匹配，诸如通过针对特殊患者或患者群体的随时间变化的趋势分析。
根据算法所执行的处理，可以作出许多种决策。如步骤462所述，上述决策可以包括：临床决策480、治疗决策482、数据采集决策484、数据处理决策486、数据分析决策488、情况预测或预后决策490、处方建议或确认决策492和情况评估决策494。如上所述，出于如图28所述的非患者特有原因和患者特有原因，由本技术提供的处理操作的高度综合和来自多种资源的数据综合可以允许CAX算法所执行功能的任一种分类被修改或被优化。因此，作为任一个算法所做决策的结果，在相同或不同CAX算法中的修改可以包括选择不同的算法类型、修改、添加或删除一种或多种由算法执行的功能、或在执行功能中被算法使用的参数和设置的修改。因此，在图28的流程图中，反馈可以是任何一个上述步骤，包括数据采集、处理、分析、特征识别、特征分割、特征分类或在CAX算法中执行的任何其它功能。通常，如步骤498所述，算法结果的报告或显示的一些形式将被提供。
通常，在本文中，每一个决策子模块均由与之相关的任务(例如，采集)和用途(例如，癌症检测)。根据任务和预期用途，决策规则被建立。在一个实现中，领域专家能够确定用于指定任务和用途的规则。在另一个实现方式中，涉及所有可能任务和用途的规则库能够由专家小组确定并被子模块使用。在另一个实现方式中，规则库能够从综合知识库中被访问。在另一个实现方式中，新规则可以被保存在综合知识库中，而且新规则可以从以前保存在综合知识库中的其它方法中导出。在典型实现方式中，当前数据和规则的组合被用于形成针对数据假设决策选择的摘要信息。这些选择可以导致若干结果，在这些结果中一些是希望得到的，一些是不希望得到的。为了获得最佳结果，度量标准被建立以提供每一个结果的分数。然后结果被评估，而且被选择(例如，最佳)的结果确定在决策框中提供的功能。
如上所述，各种CAX算法可以被单独使用或一定程度上的联合使用。此外，在本技术中算法可以没有修改的情况下被使用，或者通过另外的数据源的整合和本系统的处理，一定程度或高度的适应性可以被提供。上述修改可以被实时执行或在数据采集事件之后或之前执行。此外，如上所述，CAX算法的执行或适应的触发可以通过任何一种起始因素被启动，诸如预定时间、操作人员的干预、数据状态的改变等。通常，CAX系统或特定CAX算法的许多方面可以被修改。如图29所述，本技术提供了一种全新的不同方法以编辑、分析和修改上述提供适应和最优化的CAX算法。
参考图29，参考数字通常为500的整个CAX公式可以用分离功能性或参数[i][j][k]表示。在本公式中，CAX算法的这些方面首先代表由算法执行的功能的基本类型(如图29中的列表502所示)，被算法执行的功能(如图29中的参考数字504所示)和算法中使用的特定数据属性506。尽管本领域技术人员能够理解诸如通过子例程、子模块等不只一个上述功能性能够被使用，但是算法设计502可以遵循针对算法功能性的一般规定。算法中功能性的[j]层可以包括多个在各种算法中被执行的整合或模块功能，一些功能可以被不同的算法共享。尤其应当注意在图29中功能是指数据访问、特征识别、分析、分割、分类、决策、比较、预测、有效性检查和协调。当然，其它功能也可以被使用。通常，在本文中上述功能性作为算法子模块被实现，而且上述功能通常可以作为“工具开发包”、专家系统、神经网络和上述其它系统被实现，其中上述工具开发包被算法访问并被编程开发。
CAX算法的[k]层通常代表被CAX使用用于执行[j]层特定功能的变量或输入。例如，在本实施方案中，位于[k]层的项目可以包括参数、设置、值、范围、特定患者数据、特定器官数据、特定情况数据、时间数据等。上述参数和设置可以在上述方式中被修改，诸如针对特定患者的CAX算法的实现或关于患者群体、机构等的更大范围的改变。应当理解在如上所述关于建模的方面在CAX算法中做出的改变可以包括在修改之前未被考虑的数据的研究。也就是说，和新数据或新关系被识别一样，CAX算法可以被修改以适应新数据的研究。本领域技术人员应当理解本技术高度的综合允许新的有用关系在来自多个资源的数据之间被识别，而且上述知识被整合到CAX算法中以增强它的应用。在可以获得的地方，然后当数据被CAX算法访问时，数据可以从综合知识库中或一部分知识库中被提取以执行功能。
应当注意的是，虽然可以根据本技术实现单独的CAX算法，但各种CAX算法可以并行地和串行地实现以用于针对相当多的病症。例如，如图30所总结的，多个CAX工具580可包括第一类型算法510，其可以是上面总结的任一算法。此外，所选择的算法类型可以并行实现，例如多个不同的或补充功能可以被执行。这种算法的每一个通常都包括基本操作，如参考数字512所示。这种操作通常类似于那些CAD算法的操作，例如包括特征分割514、特征识别516和特征分类518这样的操作。根据这些步骤，可以制定决策，例如对将来行动的特定推荐。如上所述，根据这些操作可以修改算法，如步骤522所示。然后通过返回到系统或用于产生或处理数据的系统实现这种修改，如步骤524所示。如上所述，修改可以在该算法的不同级进行，例如上述的级[j]和[k]。
如图30所总结的，多个不同类型的CAX算法(即CAX[i])可以并行执行，以便识别不同类型的感兴趣特征，或者来自不同类型或模态的数据的特征。由参考数字526和528指示的这种额外的算法可包括上述的任何一种类型的算法。同样，相同或不同类型的CAX算法可以串行执行，如图30的参考数字530和532所示。事实上，可以根据前面执行的算法的结果执行这种算法。
虽然上面讨论的所有CAX算法可以在多个临床和非临床情况中应用，但是对它们中间的某些的更完整的描述对于理解由这些模块或其中的子模块执行的数据操作类型非常有用。
计算机辅助诊断(CADX)：
计算机辅助诊断模块有助于识别和诊断特定病症，其典型地用于医学成像领域。然而，根据本发明的技术，这种模块可包括相当多的数据，其来自成像类型和模态，以及来自资源的各种和模态。下面是对典型的计算机辅助诊断模块的一般说明。如在图28所显示的和上面描述的，CADx由计算机辅助检测(CAD)模块和特征分类块组成。
如上所述，医务工作者从各种源得到关于医学病症的信息。本技术提供了从来自多模和多维投影中访问这些源以对在临床相关区域的多个医学病症进行检测和分类的计算机辅助算法和技术，所述相关区域包括(但不限于)肿瘤学、放射线、病理学、神经学、心脏病学、整形外科学和外科协。所述病症识别可以采用使用体液分析和单独检测(例如确定怀疑的测试对象是否存在损伤)的筛查方式或采用诊断的方式(例如，用于将被测试的损伤分类为良性和恶性)。为了简明起见，将对本实施例中的一个将在CADx模块诊断良性或恶性损伤方面进行说明。
在本发明环境中，CADx模块具有多个部分，例如数据源，最佳特征选择和分类、训练和显示结果。如上所述，数据源通常包括图像采集系统信息、诊断图像数据集、电子诊断数据和患者人口统计/症状/病史，例如吸烟史，性别、年龄、临床症状。
特征选择本身可包括多种类型的分析和处理，例如分割和特征提取。在这些数据中，感兴趣区可能被定义以计算特征。可通过几种方式定义感兴趣区，例如通过“按照原样”使用整个数据，或通过使用一部分数据，例如在肺野顶部区域的候选结节区域。感兴趣区的分割可以人工或自动进行。人工分割包括显示数据并勾画该区域，例如通过用户与系统的接口利用计算机鼠标。自动分割算法能够使用现有知识(例如结节的形状和尺寸)自动勾画感兴趣区。也可以使用组合上述两种方法的半自动方法。
特征提取过程包括对数据源进行计算。例如，对于基于图像的数据和感兴趣区，能够计算诸如形状、尺寸、密度、曲率这样的统计结果。对于基于采集和基于患者的数据。一旦这些特征被计算，预训练分类算法能够用于将感兴趣区分为良性或恶性结节。贝叶斯分类器、神经网络、基于规则的方法、模糊逻辑或其他合适的技术能够用于进行分类。这里应当注意，一旦从所有数据合并了特征，CADx操作可以被执行，或者能够以并行方式执行。并行操作包括对数据集单独执行CADx操作并将一些或所有CADx操作结果组合起来(例如通过AND、OR操作或它们的组合)。另外，用于检测多种疾病状态或医学病症或事件的CADx操作能够以串行或并行方式执行。
在该例子中，使用了CAD算法对诸如结节进行分类之前，可以执行训练该模块的先验知识。该训练阶段可包括对已知良性或恶性结节样本计算几种候选特征。然后，使用特征选择算法按照候选特征进行排序并仅选择有用的特征，除去那些没有提供信息或提供冗余信息的特征。这种决策根据用不同候选特征的组合的分类结果。特征选择算法也用于从实用的角度减少数据维数。因此在乳房质量分析的例子中，能够最佳地区分良性结节和恶性结节的特征组被导出。这种最佳特征组在CAD模块的感兴趣区域被提取，优化特征选择能够使用公知的距离测量技术执行，这种技术包括分散测量、Bhattacharya距离、Mahalanobis距离等。
已经提出的方法适使得例如能够使用多种分子标记物便于人或机器观察者查看。CAD技术可以对一些或所有所述数据进行操作，并对每种或每组数据显示结果，或合成该结果进行显示。这通过简化分割处理提供了改进CAD执行性能的优点，而没有增加待查看的数据的数量或类型。
继续那个损伤分析的例子，在对怀疑的候选损伤进行识别和分类后，它的位置和特征可以以数据形式显示给观察员。在特定的CADx应用中，这通过将标准重叠在靠近或围绕该怀疑的损伤部分上完成。在其他例子中，CAD和CADx提供了分别在多个数据集中的任何一个上显示计算检测和诊断标记的能力。照此，观察员就可以观察单独的数据集，据此由一组CADx操作得到的结果能够被叠加(由单值分割(即感兴趣区))，特征提取和分类过程限定)。
计算机辅助采集(CAA)
可以执行计算机辅助采集处理模块以从一种或多种资源和在每种类型的一个或多个模态下采集更多的数据，用于辅助提供对患者病症的理解和诊断。数据采集可能承担一个或多个患者的访问或会谈(例如，包括与患者的远程会谈)，其中根据由数据处理系统10发出的决定进行附加数据采集。所述信息优选地以在综合知识库12中获得的信息为基础，以提供用于诊断和分析的此前不能获得的对附加数据的综合和采集。
例如，根据本发明的一个方面，在存在或不存在额外的人工操作者的帮助下，启动CAD处理可用于引导附加数据采集。CT肺部筛查可作为这种相互作用的一个例子，首先假设用5mm层厚采集原始CT数据，这对于许多具有临床意义的部位来说是一种获得诊断精确性、或者剂量和要观察的图像数量之间的平衡的常规操作。一旦CAD算法识别出怀疑部位，计算机可自动地指引CT扫描器(或指示CT操作员)在怀疑位置重新采集一组薄切片(例如1mm层厚)。另外，增加的X线流量可用于获得更好的信噪比。因为该位置是精确确定的，对患者施加的额外剂量可保持最小化。薄切片成像提供了较好的空间分辨率，并因此提高了诊断精确度。这种交换式作用的优点包括改进图像质量和避免患者重建排定时间。应当注意，大多数诊断过程通常是在患者已经离开CT扫描室很长时间以后发生的。在传统的方法中，如果放射医生需要薄切片，那么患者不得不被召回并再次被扫描。因为扫描标记是由勘察图像执行的，随后对感兴趣的特征点位置的定位通常非常不好。结果是，患者的大量器官不得不进行重新扫描，这不但浪费时间，而且增加了患者所受的辐射剂量。
虽然这个例子只用于一种模态，这种方法学可用于不同的模态，甚至可以在上述的不同类型资源之间使用，并可经历很长时间。例如，通过第一模态采集的图像生成的初始CAD信息可被CAA算法使用以引导通过模态B的数据采集。这种交互作用的特殊例子是在胸部X线引导薄切片胸部螺旋CT检查中检查可疑瘤。
计算机辅助处理(CAP)
计算机辅助处理模块允许提高对通过一种或多种采集会话得到的数据的分析。该处理过程可以基于一种或多种类型的资源，以及在每种类型中的一种或多种模态。如上所述，虽然在过去计算机辅助处理模块已经用于单模态，典型地用于医学成像环境下，本发明设计了通过使用各种可获得的资源和综合知识库将这种模块应用于更广阔的环境中。
例如，CAD产生的信息可用于进一步优化获得的新图像的处理中，虽然数据采集和初始化数据格式(或根据没有进行图像重建的未处理或部分处理的数据)，CAD模块可用于执行初始特征检测。一旦已经识别和提取了可能的病理位置的特征，可以由CAA模块根据这些发现产生一组新的图像。新的一组图像可以被产生以辅助人工观察者的检测/分类工作，或改进气筒CAX算法的执行。
为了进行描述，考虑CT肺筛查的例子，虽然该方法当然可以对其他成像模态，其他资源类型和其他病理都是普遍适用的。假设最初用“Bone”(高分辨率)过滤内核对图像进行重建，并采用40cm的重建视野(FOV)。一旦怀疑的肺部结节被识别，CAP模块在怀疑部位用原始扫描的数据重建一组新的图像。例如，可以首先重建具有“标准”(低分辨率内核)过滤内核的第一图像。虽然该标准内核产生较差的空间分辨率，但它具有保持CT值准确性的特性。将这种图像与通过Bone算法生成的图像进行组合，CAP算法能够根据它们的CT值区分钙化结节和非钙化结节。另外，CAP模块可以在怀疑位置进行有目标的重建，以提供改进的空间分辨率，或者提供算法的执行和/或促进人工观察者的分析。通过进一步举例的放射，对于本发明的CT扫描器，典型的图像尺寸是512×512象素。对于40cm的重建视野，沿着一侧的每个象素大约0.8mm，对于视图的尼奎斯特采样点，这不足以支持高分辨率采样。然而，当CAP模块重新产生图像时，在怀疑位置具有10cm重建视野时，沿着一侧的每个象素大约0.2mm，并且，因此能够支持更高的空间分辨率。因为这种额外的重建和处理过程只对孤立部位进行，而不是对整个体积，所以成像处理、重建和存储的量都是非常便于管理的。应当注意，这里为了说明只举了一个简单的例子，在CAP模块的引导下其他处理过程(例如图像增强、局部3D建模、图像修改等)也能够被执行，例如根据初始CAD结果和进一步处理结果。额外的图像或者可以用于改进CAD处理最初得到的结果，作为CAX分析的进一步输入，或者可以提供给放射医生。
计算机辅助预后(CAPX)
医学预后是对一个患者或一组患者的治愈、并发症、复发、在健康护理机构住院时间和存活率的估计，预后的简单含义是对疾病以后的病程和结果的一种估计，以及对从疾病中恢复的可能性的指示。
根据本发明的技术，计算机预后可用于预测疾病的自然过程或在治疗后期望的结果。预后形成了进行治疗选择和治疗计划的系统的一个完整部分。此外，预后模块在引导诊断问题的解决中也发挥了重要的作用，例如仅仅通过询问有关测试的信号，其结果影响预后的知识。
近些年，人工智能、决策理论和统计领域的一些方法和技术引入到患者的医学管理(诊断、治疗、随后的过程)中；在某些这种模型中，对期望的预后的评价构成了一个完整的部分。通常，近来的预后方法依靠明确的病理一生理学模型，它们可以与传统的生存分析模型结合。这种领域模型的例子有病因模型和人体调节机制的生理模型。这种基于模型的方面能够促进基于知识的系统的开发，因为这些医学领域模型能够部分地从医学文献中获得。
各种方法已经被建议用于表现这些领域模型，这些方法的范围从定量的和概率统计的方法到符号的和定性的方法，例如时间等对调整机构的渐进性改变建模的语义概念形成了一种重要的、有挑战性的建模观点。而且，已经提出了这种模型的自动学习技术。当模型的建立困难时，可以研究不是那么明确的领域模型，例如使用基于病例的表现方法及它与多种明确的领域模型的组合。
计算机辅助评估(CAAX)
计算机辅助评估模块可包括用于分析众多病症或情况的算法，例如，这种算法可以用于评价医学处置(例如手术)的结果，对损害(例如脊柱损伤)的治疗结果，状况(例如怀孕)，情况(例如外伤)，过程(例如保险、补偿、设备使用)和个体(例如患者、学生、医务人员)。
图31中通常描述了CAAX算法的示范性步骤，该算法534首先在步骤536中输入密码数据，根据该算法的目的，这种数据包括对情况、任务、可获得的结果、人员、请求信息等的设计或描述。该数据用于识别理想的软件工具，如在步骤538所表示的，其可以采用“向导(wizard)”的形式，该向导(wizard)作为引导用户通过该评价过程的接口。该接口可以至少部分的基于由算法执行的操作或要执行的数据或评价的领域的专业人士或专家的输入。
在步骤540，更多特定的信息可以从一个或多个用户启动，或者从上述各种资源自动地采集或访问。当数据由个人输入时，利用来自综合数据库12和数据资源18的信息，可以以上面描述的方式提供自定义的界面，例如通过非联合的接口层222。如上所述，这种接口可以自定义以用于特定用户、执行的功能、被提供或访问的数据等。
根据提供的信息进行评价，如步骤542所表示的。这种评价通常根据症状、情况或其他评价的内容由相当大的变化。在本实施方式中，由这种评价确定分数，并且在步骤544中根据该分数进行比较。任何这种比较是采取进一步行动的建议的基础，或者可以简单地作为报告评价结果地基础。而且，该过程的结果可选择地是一致的，如步骤546所表示的，其潜在的冲突或判断状况良好，在需要时包括来自人工专家的输入。
商业模型实现
前面的技术允许以相对多的方式实现，例如，如重复说明的，使用的数据和在数据和模块之间的交互可以以非常小的规模实现，包括在单个工作站上实现。由在各种类型资源和工作站之间的网络和以如上所述的网络元件之间的各个级之间连接提供较高水平的集成。也应当主要，本发明中的技术可以作为在工业或部分工业中的完整的商业模型实现。
本发明技术的商业实现模型可包括安装在一个或多个存储装置或机器可读取介质上的软件，例如磁盘，硬盘驱动器、闪存等。然后用户可以个人地使用该技术或通过网络访问特定地点、链接、服务器、数据库等。同样，可以开发基于该技术的商业模型，使得该技术按照按次计费、预订、或其他合适的方式提供。
在任何或所有上述技术中都可以使用这种商业模型，并且可以以基于“模块化”方式加以提供。例如，机构可订阅或订购服务以进行患者人群评价、服务和资源制定、预测患者病症模块的开发、训练目的等。个人或机构可以订阅或购买类似的服务以维护各个患者记录、对记录进行综合等。这些技术中的一些可以与其他资源或服务结合而提供，例如成像系统、工作站、管理网络等。
如本领域技术人员所理解的，在前述基础上建立的商业模式可以使用多种支持软件和硬件，包括服务器、驱动器、转换器等，它们提供或促进与数据库、处理资源和上面所述数据和可控制和可指定资源之间的交互。提供安全性、验证、接口和数据同步的支持部件可包括在这样的系统中，或可以在这些系统、各个用户或客户之间分布。包括允许跟踪和开服务发票的模块的财政支持模块也可以用同样的方式包括在这种系统中。
同样可以设想前面的一些技术也可以以部分范围(sector-wide)或工业范围(industry-wide)的方式实现。因此，通过适当对用于访问、交换、上传、下载、变化、处理等数据进行标准化或标记，可以获得高等级的集成。
虽然本发明容易进行各种修改和变换，但本发明只是在附图中以举例的方式显示了特定的实施方案，并在这里对它们进行了详细的描述。不过，应当理解本发明不仅限于上面公开的特定形式，而是本发明将覆盖所有落入由附加的权利要求限定的本发明的精神和范围内的所有修改、等同物和替换方式。

Claims (27)

1.一种计算机辅助方法，包括：
从多个可控制和可指定的数据资源(40)中的至少一个访问数据(442，450)；
通过计算机辅助数据操作算法分析(440，448)所访问的数据以识别可能从体外测试样本获得的感兴趣特征；和
根据所述分析推荐体外数据采集(438)。
2.如权利要求1所述的方法，其中被访问和分析的数据是体外数据。
3.如权利要求1所述的方法，其包括从数据资源访问(442，450)附加数据，通过计算机辅助数据操作算法(22)分析(440，448)该附加数据以识别测试样本中可能的附加特征；并根据对所述附加数据的分析修改体外采集。
4.如权利要求1所述的方法，包括根据所述分析自动执行推荐的数据采集(438)。
5.如权利要求1所述的方法，其中感兴趣的特征包括医学病症的生物标记物。
6.如权利要求1所述的方法，其中可控制和可指定的资源(18)选自由电资源(62)、成像资源(64)、实验室资源(66)、组织学资源(68)、财政资源(72)和人口统计数据资源(74)组成的组。
7.如权利要求6所述的方法，其中被访问数据包括来自至少两种不同类型资源(40)的数据。
8.如权利要求1所述的方法，其中被访问数据是特别对于产生体外样本的患者的。
9.如权利要求1所述的方法，其中该数据包括对感兴趣单个患者在不同时间生成的数据。
10.如权利要求1所述的方法，其中该数据包括用于受试人群的医学数据。
11.如权利要求1所述的方法，其中该数据从综合知识库(12)访问，该综合知识库包括从该多个可控制和可指定数据资源(40)得出的数据。
12.如权利要求1所述的方法，其中数据操作算法选择由下面组成的组：计算机辅助检测算法(CAD)，计算机辅助诊断算法(CADx)，计算机辅助决策支持算法(CADs)，计算机辅助采集算法(CAA)，计算机辅助分析算法(CAAn)，计算机辅助处理算法(CAP)，计算机辅助预后算法(CAPx)，计算机辅助治疗算法(CATx)，计算机辅助指定算法(CARx)，和计算机辅助评价算法(CAAx)。
13.如权利要求1所述的方法，其中所述推荐包括用于体外样本的特定组织或流体。
14.如权利要求1所述的方法，其中所述推荐包括用于体外样本的特定协议。
15.如权利要求1所述的方法，其中所述推荐包括对感兴趣的生物标记物进行测试。
16.一种计算机辅助方法，包括：
从多个可控制和可指定的数据资源(40)中的至少一个访问数据(442，450)；
通过计算机辅助数据操作算法分析(440，448)所访问的数据以识别可能从来自体外测试样本的数据获得的感兴趣特征；和
根据所述分析对体外数据进行数据操作(440，448，444，452)。
17.如权利要求16所述的方法，其中被访问和分析的数据是体外数据。
18.如权利要求16所述的方法，包括从数据资源访问(442，450)附加数据，通过计算机辅助数据操作算法(22)分析(440，448)该附加数据以识别测试样本数据中可能的附加特征；并根据对所述附加数据的分析修改数据操作。
19.如权利要求16所述的方法，其中该至少一个感兴趣的特征包括医学病症的生物标记物。
20.如权利要求16所述的方法，其中对体外测试数据进行的数据操作包括将体外测试数据与至少一个已知医学病症的多参数简档比较。
21.如权利要求20所述的方法，其中该多参数简档包括从产生体外测试样本的患者处得到的数据。
22.如权利要求20所述的方法，其中该多参数简档包括从受试人群中得到的数据。
23.如权利要求16所述的方法，其中对体外测试数据执行的数据操作包括对测试数据的非参数分析。
24.如权利要求16所述的方法，其中该被访问数据包括对感兴趣单个患者在不同时间生成的数据。
25.如权利要求16所述的方法，其中可控制和可指定的资源(18)选自于包括下列资源的组中，所述资源包括：电资源(62)、成像资源(64)、实验室资源(66)、组织学资源(68)、财政资源(72)和人口统计数据资源(74)。
26.如权利要求16所述的方法，其中该被访问数据从综合知识库(12)中访问，该综合知识库包括从该多个可控制和可指定数据资源(40)得出的数据。
27.一种计算机辅助方法，包括：
访问体外测试数据；
从包括来自多个可控制和可指定的数据资源(40)得出的数据的综合知识库(12)访问数据(442，450)；
通过计算机辅助数据操作算法分析(440，448)体外测试数据和所访问的数据以识别体外测试样本的至少一个感兴趣特征；和
修改对该体外测试样本的采集(444，452)，根据所述比较处理(446)体外测试样本或处理(446)从体外测试样本得到的数据。
CNA2003801098238A 2002-12-18 2003-11-13 结合体外测试数据的医学数据分析方法和设备 Pending CN1751309A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/323,260 US20040122708A1 (en) 2002-12-18 2002-12-18 Medical data analysis method and apparatus incorporating in vitro test data
US10/323,260 2002-12-18

Publications (1)

Publication Number Publication Date
CN1751309A true CN1751309A (zh) 2006-03-22

Family

ID=32593164

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2003801098238A Pending CN1751309A (zh) 2002-12-18 2003-11-13 结合体外测试数据的医学数据分析方法和设备

Country Status (7)

Country Link
US (1) US20040122708A1 (zh)
EP (1) EP1576527A2 (zh)
JP (1) JP2006511880A (zh)
KR (1) KR20050084394A (zh)
CN (1) CN1751309A (zh)
AU (1) AU2003297268A1 (zh)
WO (1) WO2004061742A2 (zh)

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266634A (zh) * 2007-03-16 2008-09-17 西门子公司 用于医学设备之间的数据交换的方法
CN101877035A (zh) * 2010-04-22 2010-11-03 无锡市优特科科技有限公司 基于金标准数据库的心电图分析系统
CN102495957A (zh) * 2011-11-30 2012-06-13 中国航空工业集团公司第六三一研究所 一种提供远程身体状态处理的系统及方法
CN102713914A (zh) * 2009-10-19 2012-10-03 提拉诺斯公司 集成的健康数据采集和分析系统
CN103020439A (zh) * 2012-12-05 2013-04-03 泉州六合儿童创意产业有限公司 足底在线测评系统
CN103384495A (zh) * 2010-12-22 2013-11-06 霍夫曼-拉罗奇有限公司 生理测量数据中已知模式的自动识别
CN104414636A (zh) * 2013-08-23 2015-03-18 北京大学 基于磁共振图像的脑微出血计算机辅助检测系统
CN104487974A (zh) * 2012-06-01 2015-04-01 皇家飞利浦有限公司 用于将患者信息与临床标准进行匹配的系统和方法
CN104517023A (zh) * 2013-10-07 2015-04-15 大江基因医学股份有限公司 肥胖基因检测评估系统及数据处理方法
CN105243298A (zh) * 2015-11-06 2016-01-13 吴志宏 胰腺癌相关癌基因突变信息收集分析系统及分析方法
CN105606613A (zh) * 2011-03-31 2016-05-25 海林生命产品公司 使用排卵预测装置时绘制坐标的方法
CN105868519A (zh) * 2015-01-20 2016-08-17 中兴通讯股份有限公司 人体特征数据的处理方法及装置
CN106161492A (zh) * 2015-03-24 2016-11-23 华为技术有限公司 一种数据决策方法、装置及系统
CN106156407A (zh) * 2016-06-24 2016-11-23 国家电网公司交流建设分公司 多分辨率三维cad模型生成方法
CN106233754A (zh) * 2013-05-28 2016-12-14 西北大学 听力辅助设备控制
CN106295136A (zh) * 2016-07-28 2017-01-04 沈阳东软医疗系统有限公司 一种信息处理方法和装置
CN107133443A (zh) * 2011-02-25 2017-09-05 科瑞恩公司 开发制造参数的方法、制造矫形外科植入物的方法及相应计算装置和计算机可读存储介质
CN107680661A (zh) * 2016-08-02 2018-02-09 百度（美国）有限责任公司 用于估计医疗资源需求的系统和方法
CN108348745A (zh) * 2015-08-18 2018-07-31 奥利克斯医疗保健有限公司 预测医疗保健事件的系统和方法
CN108366788A (zh) * 2015-11-30 2018-08-03 任旭彬 利用dnn学习的细胞异常与否诊断系统及诊断管理方法
CN109595088A (zh) * 2017-10-02 2019-04-09 通用汽车环球科技运作有限责任公司 用于车辆推进系统的燃料喷射系统和方法
CN109598734A (zh) * 2018-12-29 2019-04-09 上海联影智能医疗科技有限公司 心脏与肺叶分割的方法和系统
CN109688917A (zh) * 2016-09-28 2019-04-26 美多尼克监测公司 使用自适应灵敏度/特异性级别进行心脏监测的系统和方法
CN110570950A (zh) * 2010-12-16 2019-12-13 皇家飞利浦电子股份有限公司 用于使用基于病例的推理的治疗计划的临床决策支持的系统和方法
CN111062136A (zh) * 2019-12-20 2020-04-24 南京大学 一种实时的衣物形态确定方法及系统
CN111179227A (zh) * 2019-12-16 2020-05-19 西北工业大学 基于辅助诊断和主观美学的乳腺超声图像质量评价方法
CN111289545A (zh) * 2020-03-18 2020-06-16 中国工程物理研究院流体物理研究所 一种基于相衬成像的高能x射线ct装置及成像方法
CN112154517A (zh) * 2018-05-23 2020-12-29 拜克门寇尔特公司 特定于状况的样本分析
CN112294339A (zh) * 2020-10-14 2021-02-02 中国科学院苏州生物医学工程技术研究所 基于种群多样性控制的脑电源定位方法、系统及设备
CN112384990A (zh) * 2018-07-05 2021-02-19 布鲁塞尔自由大学 评估儿童神经发育障碍风险的方法
CN112417762A (zh) * 2020-11-25 2021-02-26 中国民航大学 一种基于分解集成方法论的扇区流量短期预测方法
TWI730437B (zh) * 2019-10-02 2021-06-11 亞法貝德生技股份有限公司 用於體驗人體臨床試驗收案的教學用具的使用方法
CN113516061A (zh) * 2021-06-23 2021-10-19 南开大学 一种基于机器学习的pc12细胞状态识别的方法
CN113763377A (zh) * 2015-01-31 2021-12-07 文塔纳医疗系统公司 用于使用载片缩略图图像的感兴趣区域检测的系统和方法
CN113886674A (zh) * 2020-07-01 2022-01-04 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质
CN115798021A (zh) * 2023-01-31 2023-03-14 中国民用航空飞行学院 一种飞行员航前异常状态检测方法及系统
CN116134453A (zh) * 2020-07-20 2023-05-16 谷歌有限责任公司 机器学习模型层的无监督联邦学习
CN116128517A (zh) * 2023-02-17 2023-05-16 连云港海通市民一卡通有限公司 一种一卡通运营数据安全管理方法及系统
CN117796770A (zh) * 2024-02-27 2024-04-02 天津志听医疗科技有限公司 一种基于眩晕状态识别的图像处理方法与装置
CN117929173A (zh) * 2024-03-18 2024-04-26 中国汽车技术研究中心有限公司 一种汽车碰撞假人肋骨组分力学性能测试对标方法及装置
CN118039066A (zh) * 2024-02-26 2024-05-14 加客云科技(河北)有限公司 一种面向健身运动的教学控制方法和系统

Families Citing this family (96)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7707046B2 (en) * 2001-10-24 2010-04-27 Qtc Management, Inc. Automated processing of electronic medical data for insurance and disability determinations
US7630911B2 (en) * 2001-10-24 2009-12-08 Qtc Management, Inc. Method of automated processing of medical data for insurance and disability determinations
US8676509B2 (en) 2001-11-13 2014-03-18 Dako Denmark A/S System for tracking biological samples
US8594948B2 (en) * 2002-09-18 2013-11-26 Ronald C. McGlennen Apparatus and methods for medical testing
US20060278242A1 (en) * 2005-03-23 2006-12-14 Mcglennen Ronald C Apparatus and methods for medical testing
US7648678B2 (en) 2002-12-20 2010-01-19 Dako Denmark A/S Method and system for pretreatment of tissue slides
US20040193901A1 (en) * 2003-03-27 2004-09-30 Ge Medical Systems Global Company, Llc Dynamic configuration of patient tags and masking types while de-identifying patient data during image export from PACS diagnostic workstation
US20050025349A1 (en) * 2003-07-30 2005-02-03 Matthew Crewe Flexible integration of software applications in a network environment
US20060034521A1 (en) * 2004-07-16 2006-02-16 Sectra Imtec Ab Computer program product and method for analysis of medical image data in a medical imaging system
US20060020465A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based system for data capture and knowledge representation
US20060020466A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based medical patient evaluation method for data capture and knowledge representation
US20060020493A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based method for automatically generating healthcare billing codes from a patient encounter
US20060020444A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based medical system for data capture and knowledge representation
US20060020447A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based method for data capture and knowledge representation
US20060136267A1 (en) * 2004-12-22 2006-06-22 Cemer Innovation, Inc. System and method for automatic scheduling based on remote monitoring
US20060264714A1 (en) * 2005-03-23 2006-11-23 Mcglennen Ronald C Apparatus and methods for medical testing
JP4890806B2 (ja) * 2005-07-27 2012-03-07 富士通株式会社 予測プログラムおよび予測装置
CA2630925A1 (en) * 2005-11-23 2007-05-31 Ultra-Scan Corporation Systems and methods of conducting clinical research
EP1960929A4 (en) * 2005-11-26 2009-01-28 Gene Security Network Llc SYSTEM AND METHOD FOR CLEANING RAISED GENETIC DATA AND USE OF DATA FOR PREDICTIONS
US9183349B2 (en) 2005-12-16 2015-11-10 Nextbio Sequence-centric scientific information management
US8364665B2 (en) * 2005-12-16 2013-01-29 Nextbio Directional expression-based scientific information knowledge management
US9141913B2 (en) * 2005-12-16 2015-09-22 Nextbio Categorization and filtering of scientific data
WO2007075488A2 (en) 2005-12-16 2007-07-05 Nextbio System and method for scientific information knowledge management
US8150628B2 (en) * 2005-12-30 2012-04-03 The Invention Science Fund I, Llc Establishing a biological recording timeline by artificial marking
US20070156345A1 (en) * 2005-12-30 2007-07-05 Hyde Roderick A Modulating a biological recording with another biological recording
US20070156347A1 (en) * 2005-12-30 2007-07-05 Searete Llc Using a biological recording to obtain time values
US20070180050A1 (en) * 2006-02-01 2007-08-02 Bruner David A Systems, methods and computer program products for sharing three-dimensional body scan data
US20070219829A1 (en) * 2006-03-17 2007-09-20 Kay Lay K Medical record association for disability determinations
JP4805709B2 (ja) * 2006-03-30 2011-11-02 シスメックス株式会社 尿分析装置
US20070244503A1 (en) * 2006-04-14 2007-10-18 Salviac Limited Method for filtering embolic material
EP2038783A1 (en) * 2006-06-13 2009-03-25 Koninklijke Philips Electronics N.V. Modeling qualitative relationships in a causal graph
JP4775189B2 (ja) * 2006-09-06 2011-09-21 株式会社島津製作所 医療診断装置
CA2665556A1 (en) * 2006-10-04 2008-04-17 Welch Allyn, Inc. Dynamic medical object information base
EP2787460A1 (en) * 2006-10-12 2014-10-08 Koninklijke Philips N.V. Clinician decision support system
US8672843B2 (en) * 2006-11-27 2014-03-18 Qtc Management, Inc. Automated protocol for determining psychiatric disability
US20080201247A1 (en) * 2007-02-17 2008-08-21 Jeffery Joseph Bradford Method, system and computer-readable media for evaluation or selection of real estate appraisers
JP4966051B2 (ja) * 2007-02-27 2012-07-04 株式会社東芝 超音波診断支援システム、超音波診断装置、及び超音波診断支援プログラム
US20080262740A1 (en) * 2007-04-20 2008-10-23 Infotonics Technology Center, Inc. Permittivity-based material sensor
JP5389016B2 (ja) 2007-05-04 2014-01-15 アペリオ・テクノロジーズ・インコーポレイテッド 病理学における品質保証のためのシステムおよび方法
TWI377046B (en) * 2007-10-31 2012-11-21 Netown Corp A telemedicine device and system
US20090119130A1 (en) * 2007-11-05 2009-05-07 Zebadiah Kimmel Method and apparatus for interpreting data
US20090163774A1 (en) * 2007-12-20 2009-06-25 Sudeesh Thatha Managment and Diagnostic System for Patient Monitoring and Symptom Analysis
CA2714600C (en) 2008-02-29 2021-11-02 Dako Denmark A/S Systems and methods for tracking and providing workflow information
US20090282131A1 (en) * 2008-05-09 2009-11-12 Michael Maschke Medical system architecture
US20090326340A1 (en) * 2008-06-30 2009-12-31 Hui Wang Patient Monitor Alarm System And Method
US7853459B2 (en) * 2008-08-14 2010-12-14 Qtc Management, Inc. Automated processing of electronic medical data for insurance and disability determinations
CN102265279B (zh) * 2008-12-23 2019-08-23 霍夫曼-拉罗奇有限公司 用于慢性病患者的诊断或者治疗支持的结构化测试方法及其设备
US10437962B2 (en) 2008-12-23 2019-10-08 Roche Diabetes Care Inc Status reporting of a structured collection procedure
WO2010117820A2 (en) * 2009-03-30 2010-10-14 Altorr Corporation Patient-lifting-device controls
US8287772B2 (en) * 2009-05-14 2012-10-16 3M Innovative Properties Company Low energy milling method, low crystallinity alloy, and negative electrode composition
NL1037077C2 (nl) * 2009-06-26 2010-12-28 Stichting Maastricht Radiation Oncology Maastro Clinic Systeem voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling.
US8786873B2 (en) 2009-07-20 2014-07-22 General Electric Company Application server for use with a modular imaging system
CN102843959B (zh) * 2010-02-12 2014-11-12 戴尔菲纳斯医疗科技公司 表征组织对治疗方案的病理反应的方法
US8243882B2 (en) 2010-05-07 2012-08-14 General Electric Company System and method for indicating association between autonomous detector and imaging subsystem
JP5838557B2 (ja) * 2010-07-05 2016-01-06 ソニー株式会社 生体情報処理方法および装置、並びに記録媒体
US20120041989A1 (en) * 2010-08-16 2012-02-16 Tata Consultancy Services Limited Generating assessment data
US10575791B2 (en) 2010-12-22 2020-03-03 Roche Diabetes Care, Inc. Automatic recognition of known patterns in physiological measurement data
US8572556B2 (en) 2010-12-31 2013-10-29 Starlims Corporation Graphically based method for developing connectivity drivers
US8818932B2 (en) 2011-02-14 2014-08-26 Decisive Analytics Corporation Method and apparatus for creating a predictive model
CN102184416A (zh) * 2011-05-19 2011-09-14 汉王科技股份有限公司 一种登记生物特征样本的方法及装置
US9123002B2 (en) 2011-05-27 2015-09-01 Abbott Informatics Corporation Graphically based method for developing rules for managing a laboratory workflow
US9665956B2 (en) 2011-05-27 2017-05-30 Abbott Informatics Corporation Graphically based method for displaying information generated by an instrument
US9042630B2 (en) 2011-10-26 2015-05-26 Definiens Ag Biomarker evaluation through image analysis
US9536052B2 (en) * 2011-10-28 2017-01-03 Parkland Center For Clinical Innovation Clinical predictive and monitoring system and method
US9268619B2 (en) 2011-12-02 2016-02-23 Abbott Informatics Corporation System for communicating between a plurality of remote analytical instruments
EP2810201B1 (en) * 2012-02-03 2024-08-28 Siemens Healthcare Diagnostics Inc. Intelligent bidirectional multifunctional carrier and integrated automation system for material distribution and transportation
US10593426B2 (en) 2012-09-13 2020-03-17 Parkland Center For Clinical Innovation Holistic hospital patient care and management system and method for automated facial biological recognition
US10496788B2 (en) 2012-09-13 2019-12-03 Parkland Center For Clinical Innovation Holistic hospital patient care and management system and method for automated patient monitoring
US20140100811A1 (en) * 2012-10-10 2014-04-10 Advandx, Inc. System and Method for Guided Laboratory Data Collection, Analysis, and Reporting
CN103211585A (zh) * 2013-04-07 2013-07-24 北京海利赢医疗科技有限公司 多参数监护分析系统
EP3058538A4 (en) * 2013-10-15 2017-06-21 Parkland Center for Clinical Innovation Intelligent continuity of care information system and method
US10453562B2 (en) 2014-05-08 2019-10-22 ProductVisionaries, LLC Consumer-oriented biometrics data management and analysis system
WO2016006042A1 (ja) * 2014-07-08 2016-01-14 株式会社Ｕｂｉｃ データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
US10755369B2 (en) 2014-07-16 2020-08-25 Parkland Center For Clinical Innovation Client management tool system and method
WO2016054079A1 (en) 2014-09-29 2016-04-07 Zyomed Corp. Systems and methods for blood glucose and other analyte detection and measurement using collision computing
WO2016059493A1 (en) * 2014-10-13 2016-04-21 Koninklijke Philips N.V. Classification of a health state of tissue of interest based on longitudinal features
US20160328537A1 (en) * 2015-05-08 2016-11-10 Johnson & Johnson Consumer Inc. System and method for verified reporting of illness states using disparate datasets
WO2017011746A1 (en) * 2015-07-15 2017-01-19 Adm Diagnostics, Llc System and methods for determining a brain condition of a patient sybject to multiple disease states
CN105139443A (zh) * 2015-07-30 2015-12-09 芜湖卫健康物联网医疗科技有限公司 诊断结果的三维成像系统及方法
CN105447106A (zh) * 2015-11-10 2016-03-30 河南师范大学 一种数学运算系统
US9554738B1 (en) 2016-03-30 2017-01-31 Zyomed Corp. Spectroscopic tomography systems and methods for noninvasive detection and measurement of analytes using collision computing
US10699808B2 (en) * 2016-12-05 2020-06-30 Accenture Global Solutions Limited Cost of healthcare analytics platform
CN111033637B (zh) 2017-08-08 2023-12-05 费森尤斯医疗保健控股公司 用于治疗和评估慢性肾脏疾病的进程的系统和方法
US11141079B2 (en) * 2018-01-29 2021-10-12 General Electric Company Systems and methods for profile-based scanning
US12089930B2 (en) 2018-03-05 2024-09-17 Marquette University Method and apparatus for non-invasive hemoglobin level prediction
JP2021519479A (ja) * 2018-03-19 2021-08-10 アンブリー ジェネティクス コーポレーションＡｍｂｒｙ Ｇｅｎｅｔｉｃｓ Ｃｏｒｐｏｒａｔｉｏｎ 遺伝子検査とゲノム検査を識別するための人工知能と機械学習プラットフォーム
AU2019263395A1 (en) * 2018-05-02 2020-11-26 Androvia Lifesciences, Llc Methods and test kits for determining male fertility status
US20220000403A1 (en) * 2018-10-05 2022-01-06 Ocumove Aps Neurotransmitter imbalance detection system and method of detecting a neurotransmitter imbalance
US11436720B2 (en) 2018-12-28 2022-09-06 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for generating image metric
US11720818B2 (en) 2019-09-11 2023-08-08 Samsung Display Co., Ltd. System and method to improve accuracy of regression models trained with imbalanced data
WO2021183578A1 (en) * 2020-03-10 2021-09-16 Persivia Inc. Health data processing and system
US11443845B2 (en) 2020-05-26 2022-09-13 Fujifilm Medical Systems U.S.A., Inc. Systems and methods for storing compressed images
CN115769075A (zh) * 2020-06-04 2023-03-07 因泰克医疗公司 用于预测体内功能损伤和事件的装置和方法
US11114208B1 (en) * 2020-11-09 2021-09-07 AIINPT, Inc Methods and systems for predicting a diagnosis of musculoskeletal pathologies
US20240282460A1 (en) * 2021-06-14 2024-08-22 Board Of Regents, The University Of Texas System Method to Identify Patterns in Brain Activity
WO2024071242A1 (ja) * 2022-09-28 2024-04-04 国立研究開発法人理化学研究所 対象のラベルを推定するための因子パラメータを提案する提案装置、提案方法、提案システム、プログラム、ならびに、情報記録媒体

Family Cites Families (74)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5019976A (en) * 1987-06-08 1991-05-28 New World Down Hole Tools Method and system for retrieving text associated with a reference image correspondence to a selected patient image
US5200993A (en) * 1991-05-10 1993-04-06 Bell Atlantic Network Services, Inc. Public telephone network including a distributed imaging system
US5384862A (en) * 1992-05-29 1995-01-24 Cimpiter Corporation Radiographic image evaluation apparatus and method
US5537485A (en) * 1992-07-21 1996-07-16 Arch Development Corporation Method for computer-aided detection of clustered microcalcifications from digital mammograms
US6283761B1 (en) * 1992-09-08 2001-09-04 Raymond Anthony Joao Apparatus and method for processing and/or for providing healthcare information and/or healthcare-related information
US5359513A (en) * 1992-11-25 1994-10-25 Arch Development Corporation Method and system for detection of interval change in temporally sequential chest images
EP0616290B1 (en) * 1993-03-01 2003-02-05 Kabushiki Kaisha Toshiba Medical information processing system for supporting diagnosis.
US5692220A (en) * 1993-09-02 1997-11-25 Coulter Corporation Decision support system and method for diagnosis consultation in laboratory hematopathology
US6574357B2 (en) * 1993-09-29 2003-06-03 Shih-Ping Wang Computer-aided diagnosis method and system
US5452367A (en) * 1993-11-29 1995-09-19 Arch Development Corporation Automated method and system for the segmentation of medical images
US6206829B1 (en) * 1996-07-12 2001-03-27 First Opinion Corporation Computerized medical diagnostic and treatment advice system including network access
US6022315A (en) * 1993-12-29 2000-02-08 First Opinion Corporation Computerized medical diagnostic and treatment advice system including network access
US6725209B1 (en) * 1993-12-29 2004-04-20 First Opinion Corporation Computerized medical diagnostic and treatment advice system and method including mental status examination
US5574828A (en) * 1994-04-28 1996-11-12 Tmrc Expert system for generating guideline-based information tools
US5434932A (en) * 1994-07-28 1995-07-18 West Publishing Company Line alignment apparatus and process
US5519786A (en) * 1994-08-09 1996-05-21 Trw Inc. Method and apparatus for implementing a weighted voting scheme for multiple optical character recognition systems
US5786994A (en) * 1994-11-23 1998-07-28 Imation Corp. Performance monitoring system and method for a laser medical imager
US5790690A (en) * 1995-04-25 1998-08-04 Arch Development Corporation Computer-aided method for automated image feature analysis and diagnosis of medical images
JP2706645B2 (ja) * 1995-12-27 1998-01-28 株式会社亀田医療情報研究所 医療計画支援システム並びに医療計画支援装置及び方法
US6678669B2 (en) * 1996-02-09 2004-01-13 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
US6272481B1 (en) * 1996-05-31 2001-08-07 Lucent Technologies Inc. Hospital-based integrated medical computer system for processing medical and patient information using specialized functional modules
US5815591A (en) * 1996-07-10 1998-09-29 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US6173068B1 (en) * 1996-07-29 2001-01-09 Mikos, Ltd. Method and apparatus for recognizing and classifying individuals based on minutiae
US5987345A (en) * 1996-11-29 1999-11-16 Arch Development Corporation Method and system for displaying medical images
US6301378B1 (en) * 1997-06-03 2001-10-09 R2 Technology, Inc. Method and apparatus for automated detection of masses in digital mammograms
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US5999639A (en) * 1997-09-04 1999-12-07 Qualia Computing, Inc. Method and system for automated detection of clustered microcalcifications from digital mammograms
US6073042A (en) * 1997-09-25 2000-06-06 Siemens Medical Systems, Inc. Display of three-dimensional MRA images in which arteries can be distinguished from veins
CA2233794C (en) * 1998-02-24 2001-02-06 Luc Bessette Method and apparatus for the management of medical files
US6024699A (en) * 1998-03-13 2000-02-15 Healthware Corporation Systems, methods and computer program products for monitoring, diagnosing and treating medical conditions of remotely located patients
US6067373A (en) * 1998-04-02 2000-05-23 Arch Development Corporation Method, system and computer readable medium for iterative image warping prior to temporal subtraction of chest radiographs in the detection of interval changes
JP2002521752A (ja) * 1998-07-24 2002-07-16 ジャーグ コーポレーション オブジェクト検索を実行するための分散コンピュータ・データベースシステム及びその方法
US6738499B1 (en) * 1998-11-13 2004-05-18 Arch Development Corporation System for detection of malignancy in pulmonary nodules
US6081267A (en) * 1998-11-19 2000-06-27 Columbia Scientific Incorporated Computerized apparatus and method for displaying X-rays and the like for radiological analysis and manipulation and transmission of data
US7450229B2 (en) * 1999-01-25 2008-11-11 Amnis Corporation Methods for analyzing inter-cellular phenomena
US6235479B1 (en) * 1999-04-13 2001-05-22 Bio Merieux, Inc. Methods and devices for performing analysis of a nucleic acid sample
US6801645B1 (en) * 1999-06-23 2004-10-05 Icad, Inc. Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies
AU777440B2 (en) * 1999-08-09 2004-10-14 Wake Forest University A method and computer-implemented procedure for creating electronic, multimedia reports
WO2001016860A2 (en) * 1999-08-27 2001-03-08 Iris Bio Technologies, Inc. Artificial intelligence system for genetic analysis
US6440066B1 (en) * 1999-11-16 2002-08-27 Cardiac Intelligence Corporation Automated collection and analysis patient care system and method for ordering and prioritizing multiple health disorders to identify an index disorder
US20020069086A1 (en) * 1999-12-06 2002-06-06 Fracek Stephen P. Web linked database for tracking clinical activities and competencies and evaluation of program resources and program outcomes
US6980958B1 (en) * 2000-01-11 2005-12-27 Zycare, Inc. Apparatus and methods for monitoring and modifying anticoagulation therapy of remotely located patients
WO2001059687A1 (en) * 2000-02-09 2001-08-16 Patientpower.Com, Llc Method and system for managing patient medical records
US20020016719A1 (en) * 2000-06-19 2002-02-07 Nemeth Louis G. Methods and systems for providing medical data to a third party in accordance with configurable distribution parameters
AU2001268571B2 (en) * 2000-06-20 2006-07-06 Warsaw Orthopedic, Inc. Electronic patient healthcare system and method
US6678703B2 (en) * 2000-06-22 2004-01-13 Radvault, Inc. Medical image management system and method
US20020016718A1 (en) * 2000-06-22 2002-02-07 Rothschild Peter A. Medical image management system and method
AUPQ842800A0 (en) * 2000-06-28 2000-07-20 Aivision Pty Ltd Flat screen vision testing
WO2002008941A1 (en) * 2000-07-20 2002-01-31 Marchosky J Alexander Patient-controlled automated medical record, diagnosis, and treatment system and method
US20020027164A1 (en) * 2000-09-07 2002-03-07 Mault James R. Portable computing apparatus particularly useful in a weight management program
US7024398B2 (en) * 2000-11-02 2006-04-04 Scientific Learning Corporation Computer-implemented methods and apparatus for alleviating abnormal behaviors
US7103205B2 (en) * 2000-11-24 2006-09-05 U-Systems, Inc. Breast cancer screening with ultrasound image overlays
US7556602B2 (en) * 2000-11-24 2009-07-07 U-Systems, Inc. Breast cancer screening with adjunctive ultrasound mammography
US20020127578A1 (en) * 2000-11-27 2002-09-12 Susana Salceda Compositions and methods relating to prostate specific genes and proteins
US6934698B2 (en) * 2000-12-20 2005-08-23 Heart Imaging Technologies Llc Medical image management system
WO2002073204A2 (en) * 2001-03-12 2002-09-19 Monogen, Inc Cell-based detection and differentiation of disease states
US7386462B2 (en) * 2001-03-16 2008-06-10 Ge Medical Systems Global Technology Company, Llc Integration of radiology information into an application service provider DICOM image archive and/or web based viewer
US20030077576A1 (en) * 2001-03-20 2003-04-24 Joann Trial Use of monoclonal antibodies and functional assays for prediction of risk of opportunistic infection
US7085693B2 (en) * 2001-06-19 2006-08-01 International Business Machines Corporation Manipulation of electronic media using off-line media
WO2003001983A2 (en) * 2001-06-28 2003-01-09 Mount Sinai School Of Medicine Of New York University Methods for diagnosing and treating a disease mediated by decreased mmp-2 function
US7130457B2 (en) * 2001-07-17 2006-10-31 Accuimage Diagnostics Corp. Systems and graphical user interface for analyzing body images
US6741730B2 (en) * 2001-08-10 2004-05-25 Visiongate, Inc. Method and apparatus for three-dimensional imaging in the fourier domain
US7158692B2 (en) * 2001-10-15 2007-01-02 Insightful Corporation System and method for mining quantitive information from medical images
US7054473B1 (en) * 2001-11-21 2006-05-30 R2 Technology, Inc. Method and apparatus for an improved computer aided diagnosis system
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
US7295691B2 (en) * 2002-05-15 2007-11-13 Ge Medical Systems Global Technology Company, Llc Computer aided diagnosis of an image set
US20040078231A1 (en) * 2002-05-31 2004-04-22 Wilkes Gordon J. System and method for facilitating and administering treatment to a patient, including clinical decision making, order workflow and integration of clinical documentation
US6904118B2 (en) * 2002-07-23 2005-06-07 General Electric Company Method and apparatus for generating a density map using dual-energy CT
US6574304B1 (en) * 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images
US7244230B2 (en) * 2002-11-08 2007-07-17 Siemens Medical Solutions Usa, Inc. Computer aided diagnostic assistance for medical imaging
US20040100476A1 (en) * 2002-11-25 2004-05-27 Morita Mark M. Method and apparatus for viewing computer aided detection and diagnosis results
US6628743B1 (en) * 2002-11-26 2003-09-30 Ge Medical Systems Global Technology Company, Llc Method and apparatus for acquiring and analyzing cardiac data from a patient
US7406150B2 (en) * 2002-11-29 2008-07-29 Hologic, Inc. Distributed architecture for mammographic image acquisition and processing
US6765983B2 (en) * 2002-12-13 2004-07-20 General Electric Company Method and apparatus for imaging a region of dynamic tissue

Cited By (66)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266634A (zh) * 2007-03-16 2008-09-17 西门子公司 用于医学设备之间的数据交换的方法
US11158429B2 (en) 2009-10-19 2021-10-26 Labrador Diagnostics Llc Integrated health data capture and analysis system
US11139084B2 (en) 2009-10-19 2021-10-05 Labrador Diagnostics Llc Integrated health data capture and analysis system
CN105808956A (zh) * 2009-10-19 2016-07-27 提拉诺斯公司 集成的健康数据采集和分析系统
US11195624B2 (en) 2009-10-19 2021-12-07 Labrador Diagnostics Llc Integrated health data capture and analysis system
US9460263B2 (en) 2009-10-19 2016-10-04 Theranos, Inc. Integrated health data capture and analysis system
CN102713914A (zh) * 2009-10-19 2012-10-03 提拉诺斯公司 集成的健康数据采集和分析系统
CN102713914B (zh) * 2009-10-19 2016-03-30 提拉诺斯公司 集成的健康数据采集和分析系统
CN101877035B (zh) * 2010-04-22 2015-09-09 无锡市优特科科技有限公司 基于金标准数据库的心电图分析系统
CN101877035A (zh) * 2010-04-22 2010-11-03 无锡市优特科科技有限公司 基于金标准数据库的心电图分析系统
CN110570950A (zh) * 2010-12-16 2019-12-13 皇家飞利浦电子股份有限公司 用于使用基于病例的推理的治疗计划的临床决策支持的系统和方法
CN103384495B (zh) * 2010-12-22 2015-09-30 霍夫曼-拉罗奇有限公司 生理测量数据中已知模式的自动识别
CN103384495A (zh) * 2010-12-22 2013-11-06 霍夫曼-拉罗奇有限公司 生理测量数据中已知模式的自动识别
CN107133444B (zh) * 2011-02-25 2021-12-24 科瑞恩公司 用于患者的关节的矫形外科植入物的对准的建模方法、计算装置和计算机可读存储介质
CN107133444A (zh) * 2011-02-25 2017-09-05 科瑞恩公司 用于患者的关节的矫形外科植入物的对准的建模方法、计算装置和计算机可读存储介质
CN107133445A (zh) * 2011-02-25 2017-09-05 科瑞恩公司 提供植入参数数据的方法、控制对准矫形外科植入物的方法及计算植入设计数据的方法
CN107133443A (zh) * 2011-02-25 2017-09-05 科瑞恩公司 开发制造参数的方法、制造矫形外科植入物的方法及相应计算装置和计算机可读存储介质
CN105606613B (zh) * 2011-03-31 2020-02-28 海林生命产品公司 使用排卵预测装置时绘制坐标的方法
CN105606613A (zh) * 2011-03-31 2016-05-25 海林生命产品公司 使用排卵预测装置时绘制坐标的方法
CN102495957A (zh) * 2011-11-30 2012-06-13 中国航空工业集团公司第六三一研究所 一种提供远程身体状态处理的系统及方法
CN104487974A (zh) * 2012-06-01 2015-04-01 皇家飞利浦有限公司 用于将患者信息与临床标准进行匹配的系统和方法
CN103020439A (zh) * 2012-12-05 2013-04-03 泉州六合儿童创意产业有限公司 足底在线测评系统
CN106233754A (zh) * 2013-05-28 2016-12-14 西北大学 听力辅助设备控制
CN106233754B (zh) * 2013-05-28 2019-08-30 西北大学 听力辅助设备控制
CN104414636A (zh) * 2013-08-23 2015-03-18 北京大学 基于磁共振图像的脑微出血计算机辅助检测系统
CN104414636B (zh) * 2013-08-23 2017-11-17 北京大学 基于磁共振图像的脑微出血计算机辅助检测系统
CN104517023A (zh) * 2013-10-07 2015-04-15 大江基因医学股份有限公司 肥胖基因检测评估系统及数据处理方法
CN105868519A (zh) * 2015-01-20 2016-08-17 中兴通讯股份有限公司 人体特征数据的处理方法及装置
CN113763377A (zh) * 2015-01-31 2021-12-07 文塔纳医疗系统公司 用于使用载片缩略图图像的感兴趣区域检测的系统和方法
CN106161492B (zh) * 2015-03-24 2019-05-10 华为技术有限公司 一种数据决策方法、装置及系统
US10484248B2 (en) 2015-03-24 2019-11-19 Huawei Technologies Co., Ltd. Data decision method, apparatus and system
CN106161492A (zh) * 2015-03-24 2016-11-23 华为技术有限公司 一种数据决策方法、装置及系统
CN108348745A (zh) * 2015-08-18 2018-07-31 奥利克斯医疗保健有限公司 预测医疗保健事件的系统和方法
CN105243298A (zh) * 2015-11-06 2016-01-13 吴志宏 胰腺癌相关癌基因突变信息收集分析系统及分析方法
CN108366788A (zh) * 2015-11-30 2018-08-03 任旭彬 利用dnn学习的细胞异常与否诊断系统及诊断管理方法
CN106156407A (zh) * 2016-06-24 2016-11-23 国家电网公司交流建设分公司 多分辨率三维cad模型生成方法
CN106295136A (zh) * 2016-07-28 2017-01-04 沈阳东软医疗系统有限公司 一种信息处理方法和装置
CN107680661B (zh) * 2016-08-02 2021-07-06 百度（美国）有限责任公司 用于估计医疗资源需求的系统和方法
CN107680661A (zh) * 2016-08-02 2018-02-09 百度（美国）有限责任公司 用于估计医疗资源需求的系统和方法
US11195128B2 (en) 2016-08-02 2021-12-07 Baidu Usa Llc Systems and methods for estimating healthcare resource demand
CN109688917A (zh) * 2016-09-28 2019-04-26 美多尼克监测公司 使用自适应灵敏度/特异性级别进行心脏监测的系统和方法
CN109595088A (zh) * 2017-10-02 2019-04-09 通用汽车环球科技运作有限责任公司 用于车辆推进系统的燃料喷射系统和方法
CN112154517A (zh) * 2018-05-23 2020-12-29 拜克门寇尔特公司 特定于状况的样本分析
CN112384990A (zh) * 2018-07-05 2021-02-19 布鲁塞尔自由大学 评估儿童神经发育障碍风险的方法
CN109598734A (zh) * 2018-12-29 2019-04-09 上海联影智能医疗科技有限公司 心脏与肺叶分割的方法和系统
TWI730437B (zh) * 2019-10-02 2021-06-11 亞法貝德生技股份有限公司 用於體驗人體臨床試驗收案的教學用具的使用方法
CN111179227B (zh) * 2019-12-16 2022-04-05 西北工业大学 基于辅助诊断和主观美学的乳腺超声图像质量评价方法
CN111179227A (zh) * 2019-12-16 2020-05-19 西北工业大学 基于辅助诊断和主观美学的乳腺超声图像质量评价方法
CN111062136B (zh) * 2019-12-20 2024-02-09 南京大学 一种实时的衣物形态确定方法及系统
CN111062136A (zh) * 2019-12-20 2020-04-24 南京大学 一种实时的衣物形态确定方法及系统
CN111289545A (zh) * 2020-03-18 2020-06-16 中国工程物理研究院流体物理研究所 一种基于相衬成像的高能x射线ct装置及成像方法
CN113886674A (zh) * 2020-07-01 2022-01-04 北京达佳互联信息技术有限公司 资源推荐方法、装置、电子设备及存储介质
CN116134453A (zh) * 2020-07-20 2023-05-16 谷歌有限责任公司 机器学习模型层的无监督联邦学习
CN112294339B (zh) * 2020-10-14 2022-12-09 中国科学院苏州生物医学工程技术研究所 基于种群多样性控制的脑电源定位方法、系统及设备
CN112294339A (zh) * 2020-10-14 2021-02-02 中国科学院苏州生物医学工程技术研究所 基于种群多样性控制的脑电源定位方法、系统及设备
CN112417762B (zh) * 2020-11-25 2022-04-29 中国民航大学 一种基于分解集成方法论的扇区流量短期预测方法
CN112417762A (zh) * 2020-11-25 2021-02-26 中国民航大学 一种基于分解集成方法论的扇区流量短期预测方法
CN113516061A (zh) * 2021-06-23 2021-10-19 南开大学 一种基于机器学习的pc12细胞状态识别的方法
CN115798021A (zh) * 2023-01-31 2023-03-14 中国民用航空飞行学院 一种飞行员航前异常状态检测方法及系统
CN115798021B (zh) * 2023-01-31 2023-04-18 中国民用航空飞行学院 一种飞行员航前异常状态检测方法及系统
CN116128517A (zh) * 2023-02-17 2023-05-16 连云港海通市民一卡通有限公司 一种一卡通运营数据安全管理方法及系统
CN116128517B (zh) * 2023-02-17 2023-09-22 连云港海通市民一卡通有限公司 一种一卡通运营数据安全管理方法及系统
CN118039066A (zh) * 2024-02-26 2024-05-14 加客云科技(河北)有限公司 一种面向健身运动的教学控制方法和系统
CN118039066B (zh) * 2024-02-26 2024-09-06 加客云科技(河北)有限公司 一种面向健身运动的教学控制方法和系统
CN117796770A (zh) * 2024-02-27 2024-04-02 天津志听医疗科技有限公司 一种基于眩晕状态识别的图像处理方法与装置
CN117929173A (zh) * 2024-03-18 2024-04-26 中国汽车技术研究中心有限公司 一种汽车碰撞假人肋骨组分力学性能测试对标方法及装置

Also Published As

Publication number Publication date
AU2003297268A1 (en) 2004-07-29
JP2006511880A (ja) 2006-04-06
WO2004061742A3 (en) 2005-05-26
US20040122708A1 (en) 2004-06-24
KR20050084394A (ko) 2005-08-26
EP1576527A2 (en) 2005-09-21
WO2004061742A2 (en) 2004-07-22

Similar Documents

Publication Publication Date Title
CN1751309A (zh) 结合体外测试数据的医学数据分析方法和设备
CN1748218A (zh) 综合医疗知识库界面系统及方法
CN1748217A (zh) 增强计算机辅助医疗数据处理系统及方法
US7490085B2 (en) Computer-assisted data processing system and method incorporating automated learning
US7187790B2 (en) Data processing and feedback method and system
US20040122707A1 (en) Patient-driven medical data processing system and method
US20040122706A1 (en) Patient data acquisition system and method
US20040122703A1 (en) Medical data operating model development system and method
US20070118399A1 (en) System and method for integrated learning and understanding of healthcare informatics
Chen et al. Rates and classification of variants of uncertain significance in hereditary disease genetic testing
US20130006669A1 (en) Diagnosis Support System, Method and Program
Borst et al. Happy birthday DIOGENE: a hospital information system born 20 years ago
Capobianco et al. From medical imaging to radiomics: role of data science for advancing precision health
Lappin et al. Dopamine release in the human striatum: motor and cognitive tasks revisited
Moeil Tabaghdehi et al. Designing a minimum data set for major thalassemia patients: Towards electronic personal health record
Hartwell et al. Association of prenatal opioid exposure with precentral gyrus volume in children
MXPA06011525A (es) Sistema y metodos para manejo del tratamiento y datos del paciente.
Gerardi et al. Forecasting molecular features in IDH-wildtype gliomas: The state of the art of radiomics applied to neurosurgery
Gancheva A big data management approach for computer aided breast cancer diagnostic system supporting precision medicine
Huang et al. Development of the Lymphoma Enterprise Architecture Database: A caBIG™ Silver Level Compliant System
Fostel Towards standards for data exchange and integration and their impact on a public database such as CEBS (Chemical Effects in Biological Systems)
Solomon et al. Artificial intelligence and the impact on medical genetics
Retson et al. Expanding Horizons: The Realities of CAD, the Promise of Artificial Intelligence, and Machine Learning’s Role in Breast Imaging beyond Screening Mammography
Gura Genomics, plain and simple: a Pennsylvania clinic working with Amish and Mennonite communities could be a model for personalized medicine
Bryan Mouse genomic imaging laboratories: an opportunity for radiology to move from the bedside to the bench

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication