-
GEBIET
DER ERFINDUNG
-
Gegenstand
der Erfindung ist sind Planungssysteme und speziell das vorhersagende
automatisierte Terminieren von Patienten zur diagnostischen und
therapeutischen Behandlung, insbesondere beispielsweise bei der
Radiologie und/oder der Kardiologie.
-
HINTERGRUND
DER ERFINDUNG
-
Traditionelle
Planungssysteme beruhen auf tabellenbasierten Regeln oder einem
Regelprozessor, um den optimalen Behandlungszeitraum für die Durchführung eines
medizinischen Verfahrens zu bestimmen, indem einem Patienten Ressourcen
und zur Durchführung
der Behandlung sowie ein Zeitpunkt oder Zeitraum zugeordnet werden.
Es gibt eine Anzahl von Eckpunkten und Problemen, die mit den Behandlungstechniken zusammenhängen, die
sich im Wesentlichen auf Regelprozessoren und tabellarische Regeln
stützen.
-
Beispielsweise
erfordern unflexible Regeln eine fortwährende Einzwängung zur
Maximierung der Ausnutzung von Ressourcen und Personal. Wenn Ressourcen
(einschließlich
Arbeitszeit) verschwendet werden, ergibt dies einen teueren Gesundheitsservice.
Außerdem
erfordern konventionelle Planungstechniken einen manuellen Prozess
mit statistischen Berichten über
den Nutzungsgrad von Ressourcen und Personal. Eine solche statistische Übersicht
wird nach der Behandlung des Patienten erstellt, wobei der Regelprozessor
manuell beeinflusst wird, um die ineffiziente Ausnutzung von Ressourcen
und Personal zu korrigieren.
-
Außerdem nutzen
typische Planungssysteme fest codierte Zeitschritte für Behandlungsprozeduren, was
zu einer Überbuchung
der Ressourcen führen
kann, was sowohl für
das Personal als auch für
die Patienten frustrierend ist. Andererseits können fest codierte Zeitschritte
für Behandlungsprozeduren
Ressourcen auch fehlauslasten, was Personal und Ausrüstung unterbeschäftigt, so
dass der Investitionsrückfluss
(ROI) für den
Gesundheitsanbieter schlecht ist und in Notfällen oder für Laufkundschaft unnötige Wartezeiten
auftreten.
-
Außerdem verfolgt
ein Regelprozessor typischerweise einen beschränkten Satz von Attributen zur
Bestimmung der besten Ausnutzung der Ressource für die Patientenbehandlung.
Das Problem ist hier, dass der Regelprozessor nur so genau sein
kann, wie die Regeln und die Information, auf die sie reagieren.
Außerdem kann
es erforderlich sein, dass eine Regelprozessorsprache rekompiliert
werden muss und dass die dahinter stehende tabellenbasierte Regelsoftware
verändert
werden muss, um sich verändernde
Parameter anzupassen, auf denen der Planungsengine beruht.
-
Es
wird deshalb nach einer Planungstechnik gesucht, die flexibler ist
und weniger Nutzerintervention bedarf als konventionelle Techniken.
-
ZUSAMMENFASSUNG
DER ERFINDUNG
-
Eine
Ausführungsform
der vorliegenden Erfindung ist ein computerimplementiertes Verfahren
zur vorhersagenden Planung eines Patienten zur medizinischen Behandlung.
Das Verfahren beinhaltet die Aufnahme oder den Empfang historischer
Patientenbehandlungsdaten und die Umwandlung der empfangenen historischen
Patientenbehandlungsdaten in ein Schema. Das Verfahren setzt fort,
indem ein oder mehrere Vorhersagemodelle aufgebaut werden, wobei
die in dem Schema gespeicherten transformierten Patientenbehandlungsdaten
genutzt werden. Das Verfahren setzt mit der vorhersagenden Planung
einer medizinischen Behandlung für
den Patienten auf Basis von Patientenbehandlungszieldaten und dem
einen oder mehreren Vorhersagemodellen fort. Das eine oder die mehreren
Vorhersagemodelle können
beispielsweise ein Naïve-Bayes-Vorhersagemodell,
ein Logistikregressionsvorhersagemodell, ein neuronales Netzwerksvorhersagemodell,
ein Maximalentropievorhersagemodell und/oder ein Entscheidungsbaumvorhersagemodell
enthalten. In Reaktion auf den Empfang neuer historischer Patientenbehandlungsdaten
kann das Verfahren die Aktualisierung von einem oder mehreren Vorhersagemodellen
enthalten. In einem speziellen Fall geht der Planung einer medizinischen
Behandlung eine Durchsicht einer neuen Planungsereignisanforderung
voraus, die die Patientenbehandlungszieldaten enthält. Die
Patientenbehandlungszieldaten können
transformiert werden, um in das Schema zu passen (z.B. in ähnlicher
Weise in der die historischen Patientenbehandlungsdaten transformiert
werden). In einem anderen speziellen Fall beinhaltet die vorhersagende
Planung einer medizinischen Behandlung die Verarbeitung der Patientenbehandlungszieldaten
unter Verwendung der Vorhersagemodelle, wobei bestimmt wird, ob
Behandlungsvorhersagen durch die Modelle eine gegebene Schwelle
befriedigen und/oder be stimmt wird, ob ein Quorum von Vorhersagen übereinstimmt.
Die historischen Patientenbehandlungsdaten können tatsächliche Daten von zuvor beendeten
Patientenbehandlungen, wie beispielsweise Behandlungsattribute,
Behandlungsdauern, Patientendemographien, die benutzte Ausrüstung und/oder
beschäftigtes
Personal enthalten.
-
Eine
andere Ausführungsform
der vorliegenden Erfindung schafft ein maschinenlesbares Medium (z.B.
ein oder mehrere CDs, Disketten, Server, Memory Sticks oder Festplatten),
die mit Instruktionen codiert sind, die, wenn sie durch einen oder
mehrere Prozessoren ausgeführt
werden, denn Prozessor veranlassen, ein Verfahren zur vorhersagenden
Planung eines Patienten zur medizinischen Behandlung auszuführen. Dieser
Vorgang kann beispielsweise ähnlich
dem zuvor beschriebenen Verfahren oder eine Variation davon sein.
-
Eine
andere Ausführungsform
der vorliegenden Erfindung ist ein System zur vorhersagenden Planung eines
Patienten zur medizinischen Behandlung. Das System enthält ein Lernmodul
zur Transformation empfangener historischer Patientenbehandlungsdaten
in ein Schema und zum Aufbau eines oder mehrerer Vorhersagemodelle
unter Nutzung der in dem Schema gespeicherten transformierten Patientenbehandlungsdaten.
Das System enthält
außerdem
ein Klassifizierungsmodul zur vorhersagenden Planung einer medizinischen
Behandlung für
einen Patienten auf Basis von Patientenbehandlungszieldaten und
dem einen oder den mehreren Vorhersagemodellen. In einem speziellen
Fall enthalten das eine oder die mehreren Vorhersagemodelle ein
Vorhersagemodul nach Naïve
Bayes, mit einem Logistikregressionsvorhersagemodell und/oder einem
neuronalen Netzwerk-Vorhersagemodell.
In Reaktion auf den Empfang neuer historischer Patientenbehandlungsdaten
kann das Lernmodul außerdem dazu
eingerichtet sein, das eine oder die mehreren Vorhersagemodelle
zu aktualisieren. Das Klassifizierermodul kann außerdem dazu
eingerichtet sein, zu ermitteln, ob die Behandlungsvorhersagen des
Modells eine gegebene Schwelle befriedigen und ob ein Quorum von
Vorhersagen übereinstimmt.
Die Funktionalität
des Systems kann beispielsweise durch Software (z.B. ausführbare Instruktionen,
die auf einem oder mehreren computerlesbaren Medien codiert sind),
Hardware (beispielsweise Logikgatter oder ein oder mehrere ASICs),
Firmware (z.B. ein oder mehrere Mikrocontroller mit Eingabe/Ausgabe-Fähigkeit und eingebetteten Routinen
zur Ausführung
der hier beschriebenen Funktionalität) oder Kombinationen daraus
imp lementiert werden. Im Lichte dieser Offenbarung werden viele
geeignete Mittel zur Implementierung von Ausführungsformen der vorliegenden
Erfindung ersichtlich.
-
Die
hier beschriebenen Merkmale und Vorzüge sind nicht abschließend und
insbesondere ergeben sich für
den Fachmann aus den Figuren und der Beschreibung zusätzliche
Merkmale und Vorzüge.
Es sollte jedoch verstanden werden, dass die in der Beschreibung
benutzte Sprache prinzipiell im Hinblick auf die Verständlichkeit
und die Instruktivität
gewählt
worden ist und nicht um den Schutzbereich der Erfindung zu beschränken.
-
KURZE BESCHREIBUNG
DER ZEICHNUNGEN
-
1 ist
ein Blockdiagramm eines vorhersagenden Planungssystems zur medizinischen
Behandlung gemäß einer
Ausführungsform
der vorliegenden Erfindung.
-
2 veranschaulicht
ein Verfahren zum Sammeln historischer Patientenbehandlungsdaten,
die in das System nach 1 eingefüttert werden können, gemäß einer
Ausführungsform
der vorliegenden Erfindung.
-
3a und 3b veranschaulichen
ein Blockdiagramm eines in dem System nach 1 veranschaulichten
Lernmoduls, das gemäß einer
Ausführungsform
der vorliegenden Erfindung ausgebildet ist.
-
3c veranschaulicht
ein Schema für
die historischen Daten, die in 2 nach Transformation
der Daten in Standardwerte gemäß einer
Ausführungsform
der vorliegenden Erfindung gesammelt worden sind.
-
4 ist
ein Blockdiagramm eines Klassifizierermoduls, wie er in dem System
nach 1 veranschaulicht ist, das gemäß einer Ausführungsform
der vorliegenden Erfindung ausgebildet ist.
-
4 veranschaulicht
ein Verfahren zur vorhersagenden Planung eines Patienten für die medizinische
Behandlung, wobei das Verfahren gemäß einer Ausführungsform
der vorliegenden Erfindung ausgebildet ist.
-
DETAILLIERTE
BESCHREIBUNG DER ERFINDUNG
-
Es
sind Planungstechniken geoffenbart, die flexibler sind und weniger
Nutzerintervention benötigen als
konventionelle Techniken. Eine spezielle Ausführungsform der vorliegenden
Erfindung ist ein Patiententerminierungs- oder Planungssystem, das
einen vorhersagenden Planungsklassifikationsalgorithmus nutzt, der dazu
eingerichtet ist, historische Daten von vorher terminierten und
ausgeführten
medizinischen Behandlungen auszubeuten. Somit kann eine medizinische
Behandlung für
einen neuen Patienten, der ähnlich
gelagert ist wie zuvor behandelte Patienten, automatisch vorhergesagt.
und auf Basis historischer Daten geplant werden, die solchen vorher
behandelten Patienten zugeordnet sind.
-
Genereller Überblick
-
Die
Nutzung historischer Patientenbehandlungsdaten, die über die
Zeit gesammelt worden sind, ermöglicht
es für
eine in einer Gesundheitsfürsorgeeinrichtung
durchzuführende
Behandlungsprozedur eines Patienten, einen optimalen Satz von Behandlungsparametern
festzulegen. Die historischen Daten können beispielsweise dazu genutzt
werden, vorherzusagen, wo die Behandlung eines neuen Patienten und
mit welcher Ausrüstung
sie durchzuführen
ist, wenn die Behandlung für
den neuen Patienten durchzuführen,
wer die Behandlung des neuen Patienten ausführen soll sowie andere Details,
wie beispielsweise Körperpositionen
für beste
Scanresultate, Kontrastmittel und Behandlungstimingfaktoren (z.B.
12 Stunden Ruhe, dann Kontrastmittel, dann eine halbe Stunde warten,
dann scannen, dann zwei Stunden warten und dann wiederum scannen). Die
historischen Patientenbehandlungsdaten umfassen tatsächlich ausgeführte Behandlungsdaten
vorheriger Patienten. Die Daten können beispielsweise in einer
relationalen, objektorientierten oder anderweitig geeigneten Datenbankstruktur
gespeichert werden. Die manuelle Behandlungsdurchsicht statistischer
Berichte ist beseitigt oder anderweitig minimiert, wie beispielsweise
indem die Berichtserstellung automatisch während der Durchführung der
vorhersagenden Planungsalgorithmus in Echtzeit erfolgt.
-
Die
vorhersagende Planung (z.B. zur Identifizierung optimalen Ressourceneinsatzes
und/oder Patientenbehandlung) kann durch Nutzung von Data Mining-Techniken
erreicht werden. Data Mining ist das Durchsortieren von Daten zur
Identifikation von Mustern und zur Etablierung von Beziehungen.
Beispiele für
Data-Mining-Parameter sind: die Zuordnung (Suche nach Mustern, wonach
ein Ereignis mit einem anderen Ereignis verknüpft ist), Folge- oder Weganalyse
(Suche nach Mustern, bei denen ein Ereignis zu einem anderen späteren Ereignis
führt),
Klassifikation (Suche nach neuen Mustern, die zu einer Änderung
der Art führen
könnten, in
der die Daten organisiert sind, die jedoch in Ordnung sind), Clusterung
(Auffinden und visuelles Dokumentieren von Gruppen von vorher nicht
bekannten Fakten) und Vorhersage (Ermittlung von Mustern in Daten,
die zu vernünftigen
Vorhersagen über
die Zukunft führen
können).
In einer speziellen Ausführungsform
nutzen die Data-Mining-Techniken bekannte Entscheidungsbäume und
Klassifikationsalgorithmen, wie beispielsweise den Naïve-Bayes-Algorithmus, neuronale
Netzwerke und/oder logistische Regressionsalgorithmen. Die vorausschauende
Planung basiert auf einem oder mehreren „vorhergesagten Attributen". Vorhergesagte Attribute können beispielsweise
die kürzeste
Behandlungsdauer (basierend auf einem oder mehreren der Technika,
der Ort, die Ausrüstung,
die Untersuchung, das Geschlecht des Patienten, das Alter des Patienten
und/oder ein Diagnosecode, der dem Patient zugeordnet ist), die
höchste
Kapitalrückflussrate,
die höchste
Auslastung der medizinischen Ausrüstung oder irgendein anderer
vorhersagbarer Wert in der Datenbank des Systems sein.
-
Gemäß einer
Ausführungsform
der vorliegenden Erfindung erzeugt das vorhersagende Planungssystem
ein oder mehrere Vorhersagemodelle für jeden genutzten Klassifikationsalgo rithmus.
Diese Vorhersagemodelle werden dann als Eingangsgrößen für die Terminvorhersage
genutzt. Die Ergebnisse dieser vorher beendeten medizinischen Behandlungen
gestatten dem Gesundheitsanbieter die Terminvorhersage zu bewerten bzw.
einem Scoring zu unterwerfen. Die tatsächliche(n) Zeit(en) die erforderlich
ist (sind), um eine spezielle Behandlung über eine gegebene Periode hinweg
durchzuführen
(z.B, die Durchschnittszeit zur Durchführung der Behandlung seit der
ersten Durchführung
der Behandlung durch den Gesundheitsanbieter) wird durch das System
genutzt, um vorauszusagen, wie lang es dauern wird, um die Behandlung
neuen Patienten durchzuführen.
Somit wird beides, der Kapitalrückfluss
des Gesundheitsanbieters und die Zufriedenheit des Patienten mit
dem vorhergesagten Timing im Vergleich zu konventionellen Terminvergabesystemen
verbessert, die fest codierte oder anderweitig statische Zeitschätzungen
nutzen. Außerdem
ist das Planungssystem durch Nutzung von Entscheidungsbäumen und
historischen Daten (die zuvor durchgeführten Behandlungen zugeordnet sind)
selbstlernend (jeder neue Satz von Patientenbehandlungsdaten wird
nach Planung der Behandlung zu einem historischen Datensatz). Insoweit
erfolgen Veränderungen
im Planungsverhalten auf natürliche
Weise, wenn das System, wenn die Behandlungen durchgeführt werden,
allmählich
lernt. Wie bekannt, ist ein Entscheidungsbaum ein Klassifikationsalgorithmus,
der zur vorhersagenden Modellierung genutzt wird.
-
Somit
maximiert das Planungssystem durch Nutzung von Analytik zum Vergleichen
von vielen (z.B. mehreren zehn, hunderten oder tausenden etc.) von
vorher terminierten Behandlungen mit ähnlicher Patientencharakteristik/Behandlungsbedingungen,
die Ressourceneffizienz (Manpower und Ausrüstung), wobei es dem Patienten
den bestmöglichen
Service liefert.
-
Systemarchitektur
-
1 ist
ein Blockdiagramm eines vorhersagenden Planungssystems für die Behandlungsmedizin, das
gemäß einer
Ausführungsform
der vorliegenden Erfindung konfiguriert ist. Die Behandlung könnte beispielsweise
ein CT/CAT-Scan, ein MRI-Scan,
ein PET-Scan, eine Ultraschalluntersuchung, eine Röntgenuntersuchung,
ein Mammogramm, ein Knochendichtescan, ein Nuklearkamerascan oder
eine andere ähnliche medizinische
Bildgebung oder ein diagnostisches Verfahren sein.
-
Wie
ersichtlich ist, enthält
das System ein Lernmodul und ein Klassifizierungsmodul. Jedes dieser
Module kann beispielsweise in Software implementiert werden (z.B.
C, C++ oder eine andere geeignete Programmiersprache), in Hardware
(z.B. logische Gatter oder ASIC), in Firmware (z.B. Mikrocontroller
mit Eingabemöglichkeit
zur Aufnahme historischer Patientenbehandlungsdaten und neuen Planungsanforderungen,
Ausgabemöglichkeiten
zur Ausgabe vorhergesagter Behandlungsdetails und einer Anzahl von
Routinen zur Ausführung
des Lernens, Modellierens und der Klassifizierungsfunktionen, wie
hier beschrieben) oder einige Kombinationen davon. Es wird zusätzlich angemerkt,
dass die Module zu Veranschaulichungszwecken voneinander getrennt
veranschaulicht sind und dass andere Ausführungsformen die verschiedenen
Funktionalitäten oder
Teilmengen derselben in einem einzelnen Modul integriert haben können.
-
In
Betrieb werden dem Lernmodul historische Patientenbehandlungsdaten
bereitgestellt, der diese Daten dann in ein Schema verarbeitet und
die Daten zur Erzeugung von Vorhersagemodellen nutzt. Die historischen
Daten umfassen tatsächliche
Daten von vorausgehend beendeten Patientenbehandlungen, wie beispielsweise
Patientendaten (z.B. gegenwärtige
Symptome, Problemstelle im Körper
und vorherige Probleme an dieser Stelle), Behandlungsdetails und
Attribute (z.B. Körperpositionen
für beste
Scanergebnisse, Kontrastmittel), Timing für verschiedene Behandlungsschritte
(einschließlich
Registrierungs-, Aufnahme- und Zulassungsprozesse, sowie andere
Timingfaktoren, wie beispielsweise Fastenzeiten und Verzögerungen
zwischen Kontrastmittelapplikationen und Scans), Patientendemographien,
Patientenversicherungsdaten, benutzte Ausrüstung, Hilfspersonal (z.B.
Techniker zur Durchführung
der Behandlung und Arzt zur Verschreibung der Behandlung) und jegliche
andere relevante Information.
-
Es
können
durch das Lernmodul verschiedene Vorhersagemodelle erzeugt werden,
um die Robustheit der Systemvorhersagen zu verbessern. In einer
speziellen Ausführungsform
werden drei Vorhersagemodelle generiert: Naïve Bayes, logistische Regression
und neuronale Netzwerkvorhersagemodelle. Andere Vorhersagemodellierungstechniken
(z.B. maximale Entropie) können
sowohl allein als auch in Verbindung miteinander verwendet werden,
wie es sich aus dieser Offenbarung ergibt. Das Lernmodul wird mit
Verweis auf die 3a, 3b, 3c und 5 weiter
detailliert diskutiert.
-
Das
Klassifizierungsmodul empfängt
neue Planungsereignisanforderungen und nutzt die Vorhersagemodelle
(das Vorhersagemodell), die durch das Lernmodul erbracht werden,
um eine optimale Behandlung zu verschreiben, die der Anforderung
genügt.
Eine neue Planungsanforderung enthält Patientenbehandlungsdaten.
Diese Daten können ähnlich dem
Typ historischer Patientenbehandlungsdaten (oder einer Teilmenge
derselben) sein, die von dem Lernmodul geliefert werden. In einer
speziellen Ausführungsform
verarbeitet das Klassifiziermodul die neuen Patientenbehandlungsdaten
durch drei Vorhersagemodelle: Naïve
Bayes, logistische Regression und neuronales Netzwerk. Das Klassifizierungsmodul
vergleicht dann jede der Vorhersagen, um zu ermitteln, ob auf verlässliche
Weise eine Gesamtvorhersage gemacht werden kann. Wenn dies der Falls ist,
gibt das Klassifizierungsmodul die Vorhersage aus. Ansonsten wird
keine Vorhersage gemacht (und es kann eine manuelle Planung genutzt
werden). Das Klassifizierungsmodul wir in weiterem Detail mit Verweis auf
die 4 und 5 diskutiert.
-
Datensammlung
-
2 veranschaulicht
ein Verfahren zum Erwerb historischer Patienten-/Behandlungsdaten,
die in das System nach 1 eingespeist werden können gemäß einer
Ausführungsform
der vorliegenden Erfindung. Die gesammelten Daten bilden die Basis
für das
Vorhersagemodell oder die Modelle. Es wird angenommen, dass die
historischen Patientenbehandlungsdaten, aus denen die Modelle aufgebaut
werden, über
eine Zeitspanne (zum Beispiel mehrere Wochen, Monate, Dekaden, Jahre
und so weiter) für
viele Patienten (zum Beispiel einige Zehn, Hunderte, Tausende, Millionen
und so weiter) gesammelt werden.
-
Wie
mit Bezug auf das UML-Diagramm nach 2 ersichtlich
ist, können
zehn Nutzungsfälle
vorausgesetzt werden. Die Darsteller dieses Beispielfalls sind ein
Patient, ein Service-Dienstleister, eine Registrierperson, ein Planer,
eine technische Person und ein interpretierender Dienstleister.
Es wird angemerkt, dass einige dieser Darsteller tatsächlich ein
und dieselbe Person sein können.
Andererseits können
sie durch mehrere Personen gebildet werden.
- Nutzungsfall
1: Die Patientendemografie wird aufgezeichnet, wie beispielsweise
Alter, Geschlecht, Ehestand, Ethnie, Größe, Gewicht, Bildungsniveau,
Adresse, Beschäftigung,
Versicherung und andere relevante Patienteninformationen.
- Nutzungsfall 2: Der Patient gibt Information über die
Familienhistorie, wie beispielsweise Diabetes, Herzkrankheit, Bluthochdruck,
hohes Cholesterin und andere Faktoren, die für den Patienten gelten.
- Nutzungsfall 3: Der nutzende Dienstleister, oder mehrere Dienstleister
und der Patient, liefern Information über die laufenden Probleme/Zustände des
Patienten (beispielsweise Typ der Verletzung und/oder Symptome).
- Nutzungsfall 4: Der nutzende Dienstleister, oder die Dienstleister
und der Patient, liefern Information über die bisherige Historie
von Problemen des Patienten und dem gegenwärtigen Status der Problemhistorie,
die mit dem aktuellen Problem zusammenhängen können aber nicht müssen.
- Nutzungsfall 5: Der nutzende (referierende) Dienstleister weist
eine Behandlung für
den Patienten an oder verschreibt diese anderweitig. Die Behandlung
kann beispielsweise eine medizinische Bildgebung, eine diagnostische
Untersuchung oder Labortätigkeit
sein. Kurz gesagt, kann jede medizinische Behandlung terminiert
werden, die die Zeit des Patienten und/oder des Gesundheitsanbieters
in Anspruch nimmt.
- Nutzungsfall 6: der Planer terminiert den Patienten auf eine
geeignete medizinische Einrichtung (zur Ausführung der verschriebenen Behandlung)
an einen spezifischen Ort zu einer spezifischen Zeit an einem spezifischen
Datum.
- Nutzungsfall 7: Der Patient wird zugelassen oder anderweitig
für die
vorgeschriebene Behandlung registriert.
- Nutzungsfall 8: Der Patient wird in der Einrichtung des Dienstleisters
(zum Beispiel Hospital oder Klinik) verfolgt (physischer Ort). Die
Timinginformation wird aufgezeichnet.
- Nutzungsfall 9: Die technische Kraft führt die Behandlung durch und
zeichnet die Behandlungsdauer (zum Beispiel Start- und Stoppzeiten)
sowie allgemeine Information über
den Patienten und die Behandlung auf (zum Beispiel Patientenidentifikation
und behandelte Körperstelle).
- Nutzungsfall 10: Der interpretierende Dienstleister liefert
eine Einschätzung
der Resultate der durchgeführten Behandlung.
-
Jeder
dieser Fälle
erzeug nutzbare Information, die abgeerntet und zur vorhersagenden
Planung zukünftiger
Patienten genutzt werden kann. Die Daten können in einer allgemeinen Datenbank
des Gesundheitsanbieters, wie beispielsweise einer relationalen
Datenbank oder einer objektorientierten Datenbank oder einer anderen
geeigneten Speichereinrichtung, gespeichert werden.
-
Die
gleichen Daten der Nutzungsfälle
1, 2, 3, 4 und 5 werden außerdem
für neue
Patienten gesammelt, die dann gemäß einer Ausführungsform
der vorliegenden Erfindung vorausschauend terminiert werden können. Diese
neuerlich gesammelten Patientenbehandlungsdaten werden Teil der
historischen Patientenbehandlungsdaten. Somit hört das Vorhersagemodel mit
der Zeit nicht auf zu lernen. Detaillierter ausgedrückt, wird
ein Patient über
die Fälle
1 bis 4 bearbeitet und dann weist der referierende Dienstleister
eine Behandlung für
den Patienten im Nutzungsfall 5 an. Die gesammelten Daten und angewiesenen
Behandlungen können dann
als Eingabe (zum Beispiel als eine neue Planungsereignisanforderung,
die die Patientenbehandlungsdaten enthält) für das vorhersagende Planungssystem
nach 1 genutzt werden. Das vorhersagende Planungssystem
nutzt diese Information zur vorhersagenden Planung einer Behandlung.
Falls gewünscht,
kann die vorhersagende Planungsprozedur durch den Terminierer „überschrieben" werden und der Nutzungsfall
6 kann manuell ausgeführt
werden. Die neuerlich gesammelten Patientenbehandlungsdaten, die
der terminierten Behandlung zugeordnet sind, werden dann an das
Lernmodul übergeben
um die Vorhersagemodelle zu aktualisieren.
-
Lernmodule
-
Die 3a und 3b veranschaulichen
ein Blockbild eines Lernmoduls, das in dem gemäß einer Ausführungsform
der vorliegenden Erfindung konfigurierten System nach 1 veranschaulicht
ist.
-
Insbesondere
veranschaulicht 3a wie das Lernmodul die gesammelten
historischen Daten in ein Schema transformiert, aus dem Vorhersagemodelle
gemäß einer
Ausführungsform
der vorliegenden Erfindung gebaut werden können. Wie mit Verweis auf 2 diskutiert
ist, können
die gesammelten historischen Daten in jeder Form vorliegen und von
jeder Speichereinrichtung stammen, wie beispielsweise einer relationalen
Datenbank oder einem objektorientierten Datenspeicher. Wenn der
Gesundheitsanbieter keinen solchen historischen Datenspeicher hat
(zum Beispiel im Fall eines neuen Bildgebungszentrums oder Krankenhauses)
können
vorexistierende Da ten von anderen Quellen erhalten werden, wie beispielsweise
von Datenspeichern älterer
Gesundheitsanbieter. Außerdem
wird durch Implementierung verschiedener Ausführungsformen der vorliegenden
Erfindung in verschiedenen Kundeneinrichtungen effektiv ein robuster
Satz von Servicebürodaten erzeugt.
Solche historischen Kundendatenspeicher können für Kunden verwendet werden,
die keine eigenen historischen Datenspeicher haben.
-
In
jedem Fall empfängt
das Lernmodul in dieser Ausführungsform
der Erfindung die historischen Patientenbehandlungsdaten und transformiert
diese Daten. Insbesondere konvertiert das Lernmodul Datenzeitstände (zum
Beispiel Start- und
Stopzeiten) für
Schritte, die in den Nutzungsfällen
1 bis 10 in 2 angegeben sind) in Zeitdauern
und standardisierte Patientenprobleme, Familienhistorien und andere
Patienteninformation. Generell umfasst eine solche Datentransformation
die Konvertierung gewisser Datenelemente in Datentypen vom Typ Integer,
Range und Boolean, um effizientes Daten-Mining zu ermöglichen.
-
Beispielsweise
ist das Lernmodul in einer Ausführungsform
dazu programmiert oder anderweitig konfiguriert, die Geburtsdaten
in ganzzahlige Alterwerte umzuwandeln und/oder das Alter in Alterbereiche
zu ändern.
Dieses Beispiel eines Lernmoduls ist außerdem dazu eingerichtet, die
Verfolgungsdaten und -zeiten in Minutendauern (ganzzahlige Werte – Integer
Values) zu wandeln. Es können
andere Datentransformationen zur Zuordnung zu einem etablierten
Kode oder zu Integer-Zahlen durchgeführt werden. Beispielsweise
kann die Umwandlung von Daten, wie zum Beispiel Körperstellen,
durchgeführte
werden, indem jeder potentiellen Körperstelle eine ganze Zahl
innerhalb einer allgemein akzeptierten Gesundheitsdienstleister terminologie
zugeordnet wird, wie Beispielweise im SNOMED-CT Kode. Ähnlich kann
jede mögliche
Behandlungskodifikation einer ganzen Zahl oder einem anderen Standartwert
zugeordnet werden.
-
Bei
der in 3 veranschaulichten Ausführungsform
werden die etablierten Kodes und/oder Standartwerte in einer Quelle
mit standardisierter Terminologie, wie beispielsweise einer Nachschlagetabelle
oder einer Fast-Query-Datenbank, gespeichert, die die nicht standardmäßigen Begriffe
den gewünschten
Standartbegriffen zuordnet (zum Beispiel männlich ist einem „m" und weiblich ist
einem „f" zugeordnet; das
spezielle Diagnoseverfahren ist einer ganzen Zahl 11 zugeordnet;
die Körperstelle
des unteren Rückens
ist zu einer ganzen Zahl 127 zugeordnet; die Behandlungskodifikation
einer komprimierten Disk Nummer 2 ist der ganzen Zahl 11605 zugeordnet).
Solche nicht standardmäßigen Begriffe
können
in der Standardterminologiequelle (zum Beispiel unter Nutzung einer
Suchfunktion) lokalisiert werden und der entsprechende Standardbegriff
kann dann identifiziert werden. Zur Zuordnung von nicht standardisierten
Begriffen zu gewünschten
standardisierten Begriffen können
viele Speicher- und Nachschlagetechniken verwendet werden, um die
Standardterminologiequelle zu implementieren. In jedem Fall werden
durch das Lernmodul Daten so transformiert, dass sie diskret vorliegen
und über
die Zeit hinweg den gleichen Bedeutungsgehalt haben, so dass ein
konsistentes vorhersagendes Modellieren und ein konsistenter Scoringprozess
ermöglicht
werden.
-
Das
Lernmodul kann außerdem
so eingerichtet sein, dass es unbedeutende Eingabedaten, wie beispielsweise
gelöschte
Bestellungen und/oder Behandlungen sowie fehlerhaft eingegebene
Patientendaten beseitigt. Außerdem
können
durch das Lernmodul Redundanzen beseitigt werden. Beispielsweise
kann das Lernmodul so konfiguriert sein, dass es den Fall erfasst,
in dem ein Patient in der Datenbank mehr als ein Mal vorhanden ist
(um Beispiel verheiratet und mit einzelnem Namen, wobei beide Namen
mit der gleichen gemeinsamen Sozialversicherungsnummer und/oder
Patientenidentifikationsnummer verbunden sind). In einem solchen
Fall können
die Patientenrekords miteinander vermischt oder verbunden werden. Ähnlich können die Aufzeichungen
(„Records") unterschiedlicher
Patienten entmischt werden. Ebenso kann ein Teilsatz von Einzelpatientenaufzeichnungen
oder -„Records" der Betrachtung
entzogen werden, wenn es so gewünscht
wird (zum Beispiel wenn das vorhersagende Planungssystem dazu eingerichtet
wird, nur diagnostische und bildgebende Aufzeichnungen vorzunehmen).
-
Sobald
das Lernmodul die Daten in die gewünschte Form transformiert hat,
werden die Daten dann in einem Schema gespeichert, von dem ausgehend
Vorhersagemodelle aufgebaut werden können. 3c veranschaulicht
ein Beispiel eines solchen Schemas, das gemäß einer Ausführungsform
der vorliegenden Erfindung konfiguriert ist. Dieses spezielle Schema
ist als ein Sternschema implementiert. Wie bekannt, ist ein Sternschema
ein relationales Datenbankschema, das um eine zentrale Faktentabelle
herum organisiert ist, dem eine Anzahl von Dimensionstabellen zugeordnet
ist, die Foreign-Key-Bezüge
(zum Beispiel FK1) nutzen. Die zentrale Faktentabelle enthält einen
verbundenen Primär-Key
(zum Beispiel PK) und ist in diesem Beispiel die demografische Patiententabelle.
Jede der anderen Tabellen (Patientenprobleme, Familienhistorie,
verordnete/geplante Behandlungen, durchgeführte Behandlungen, Behandlungsergebnisses,
Patientenverfolgungsaufzeichnung und Patientenproblemhistorietabellen)
sind Dimensionstabellen. Es können,
wie sich im Lichte dieser Offenbarung ergibt, vielzählige andere
Schemata verwendet werden.
-
3b veranschaulicht,
wie das Lernmodul aus den in dem Schema gespeicherten historischen
Daten die Vorhersagemodelle gemäß einer
Ausführungsform
der vorliegenden Erfindung aufbaut. Wie ersichtlich, umfasst die
durch das Lernmodul in diesem Beispiel durchgeführte Mining-Modell-Erzeugung
die Nutzung der Schemadaten nach 3c (Daten,
die für
die Mining-Modelle präpariert
sind) zur Erzeugung aller drei Vorhersagemodelle: Naïve Bayes-Vorhersagemodell,
logistisches Regressionsvorhersagemodel, Neuronales Netzwerk-Vorhersagemodell.
Jedes dieser drei Modelle wird kontinuierlich aktualisiert, sobald
neue historische Patientenbehandlungsdaten empfangen und in das
Lernmodul eingegeben werden.
-
Die
Vorhersagemodelle können
in jeder Reihenfolge, oder wie in 3b veranschaulicht,
parallel aufgebaut/aktualisiert werden. In diesem speziellen Beispiel
erzeugt das Lernmodul die Mining-Struktur für das Naïve-Bayes-Vorhersagemodell unter
Nutzung von Zeitdauern (zum Beispiel Zulassungs-/Check-In- und/oder Behandlungsdauern),
Ressourcen (zum Beispiel Arbeitszeit und Ausrüstung) und interpretierenden
Dienstleistern (Providern) (zum Beispiel teilnehmender Arzt). Ähnlich erzeugt
das Lernmodul die Mining-Struktur für das logistische Regressionsvorhersagemodell
unter Nutzung von Zeitdauern (zum Beispiel Zulassung/Check-In und/oder
Behandlungsdauern), Ressourcen (zum Beispiel Arbeitszeit und Ausrüstung) und
interpretierender Serviceprovider (zum Beispiel teilnehmender Arzt). Ähnlich erzeugt
das Lernmodul die Mining-Struktur
für das neuronale
Netzwerkvorhersagemodell unter Nutzung von Zeitdauern (zum Beispiel
Zulassung/Check-In und/oder Behandlungsdauern) von Ressourcen (Arbeitszeit
und Ausrüstung)
und vom interpretierenden Dienstleister (zum Beispiel teilnehmender
Arzt). Es wird angemerkt, dass von dem Schema zusätzliche
oder andere Daten abgeerntet und genutzt werden können, um
wie gewünscht
die Vorhersagemodelle aufzubauen.
-
Jedes
Vorhersagemodell kann in Übereinstimmung
mit Standardmodellbildungstechniken aufgebaut werden. Beispielsweise
kann die standardmäßige Naïve-Bayes-Regel
mathematisch wie folgt gesehen werden: posterior = (likelihood·prior)/(marginal
likelihood). In Symbolen: P(R = r|e) = [P(e|R = r) P(R = r)]/P(e),
bezeichnet die Wahrscheinlichkeit, dass die zufallsvariable R den
gegebenen Wert r unter Voraussetzung der Evidenz e hat. Der Nenner
ist eine Normalisierungskonstante, die sicherstellt, dass die Variable
Posterior zu 1 ergänzt
ist und berechnet werden kann, indem über alle möglichen Werte von R summiert
wird (das heißt
P(e) = P(R = 0, e) + P(R = 1, e) + ... = sum_r P(e|R = r) P(R =
r)). Dies wird die marginale Likelihood genannt (marginalisiert über R und
ergibt die frühere
Wahrscheinlichkeit der Evidenz).
-
Ein
Pseudokode für
ein Beispiel zur Erzeugung eines Naïve Bayes-Vorhersagemodells
ist (unter Nutzung von Microsoft DMX) wie folgt:
-
Wie
bekannt ist DMX (Data Mining Extensions) eine Sprache, die dazu
genutzt wird, Data Mining Objekte zu erzeugen und zu manipulieren.
DMX-Ausdrücke
können
dazu verwendet werden, Mining Modelle zu erzeugen, zu modifizieren
und auszubeuten und es können
DMX-Funktionen dazu benutzt werden, statistische Information über das
Mining Modell zu beschaffen und anzuzeigen. Microsoft Naïve Bayes
ist ein kommerziell verfügbares
Werkzeug zur Bildung von DMX-Vorhersagemodellen. Allgemein berechnet
Naïve Bayes Wahrscheinlichkeiten
für jeden
möglichen
Zustand eines Eingabeattributs, wobei jeder Zustand des Vorhersageattributs
gegeben ist, was später
dazu genutzt werden kann, um das Ergebnis des vorhergesagten Attributs auf
Basis bekannter Eingabeattribute vorherzusagen.
-
Sobald
die Vorhersagemodellstruktur aufgebaut ist, wird historische Patientendateninformation
(zum Beispiel erfolgreich durchgeführte Patientenbehandlungen)
auf das Modell angewandt. Ein beispielhafter Pseudokode zum Training
beziehungsweise Bevölkerung
des Vorhersagemodels (unter Nutzung von Microsoft DMX) ist wie folgt:
-
Zur
Implementierung des logistischen Regressionsvorhersagemodells und
des neuronalen Netzwerk-Vorhersagemodells können ähnliche Modellstrukturbildungs-
und Bevölkerungstechniken
genutzt werden. Beispielsweise kann das Lernmodul das logistische
Regressionsvorhersagemodell unter Nutzung des Microsoft-Logistik-Regressions-Algorithmus
erzeugen, bevölkern
und aktualisieren. Ähnlich
kann das Lernmodul das neuronale Netzwerk-Vorhersagemodell unter
Nutzung des Microsoft Neuronal Network-Algorithmus erzeugen, bevölkern und
aktualisieren. Es können
außerdem
andere Vorhersagemodell-Erzeugungsalgorithmen genutzt
werden, wie beispielsweise der Microsoft-Decision-Trees-Algorithmus.
-
Klassifizierungsmodul
-
4 ist
ein Blockbild eines Klassifizierungsmoduls, das in dem System nach 1 veranschaulicht ist
und gemäß einer
Ausführungsform
der vorliegenden Erfindung ausgebildet ist.
-
Wie
ersichtlich ist, enthält
das Klassifizierungsmodul in diesem Beispiel eine Planungsapplikation,
die programmiert oder anderweitig dazu eingerichtet ist, neue Planungsereignisanforderungen
zu empfangen und von jeder Anforderung Patientenbehandlungsdaten
an einen Vorhersage-Scoringengine zu liefern. Der Vorhersage-Scoringengine
enthält
die drei Vorhersagemodelle, die durch das Lernmodul (Naïve-Bayes,
logistische Regression und neuronales Netzwerk-Vorhersagemodell)
erzeugt, gewartet und aktualisiert worden sind. Der Vorhersage-Engine
arbeitet wirksam als eine Analysedatenbank, in der die Data Mining-Vorhersagen durchgeführt werden.
-
In
Betrieb werden die empfangenen oder „Ziel-"Patientenbehandlungsdaten durch jedes
der Modelle verarbeitet und es wird ihnen ein Punktwert (Score)
zugeordnet. Ein Komparatormodul analysiert dann jeden Punktwert
dieser drei Modelle, um zu ermitteln, ob die Vorhersagen übereinstimmen.
Beispiels weise kann das Komparatormodul dazu programmiert oder anderweitig
eingerichtet werden, dass es bestimmt, ob jeder Punktwert über einer
vorbestimmten Schwelle liegt (nach Normierung der Punktwerte).
-
Wenn
zwei oder drei der drei Vorhersagen auf Basis dieser Überprüfung übereinstimmen,
wird ein entsprechender Satz von Behandlungsparametern (z.B. Behandlungsort,
Behandlungsausrüstung
und Behandlungspersonal/Techniker) aus den übereinstimmenden Modellen an
die Planungsapplikation geliefert und der Patient wird vorausschauend
für diese
Behandlung terminiert. Falls die Vorhersagen nicht übereinstimmen, wird
keine Vorhersage vorgenommen. In einem solchen Fall kann eine manuelle
Planungsprozedur genutzt werden.
-
Der
Pseudocode zur Durchführung
der Naïve-Bayes-Vorhersagemodellanfrage
ist (unter Benutzung von Microsoft DMX) wie folgt:
-
Das
Ergebnis dieser Abfrage wird dann dazu verwendet, die vorstehend
beschriebenen Vorhersagen zu vergleichen. Es können für das logistische Regressionsvorhersagemodell
und das neuronale Netzwerk-Vorhersagemodell (oder andere solche
Vorhersagemodelle) unter Nutzung von Microsoft DMX oder ande re geeigneten
Vorhersagemodellalgorithmen ähnliche
Vorhersagemodellabfragetechniken genutzt werden.
-
In
einer speziellen Ausführungsform
muss die terminierte Behandlung nicht mit der von dem Bezug nehmenden
Serviceerbringer (Arzt) verschriebenen Behandlung übereinstimmen.
Beispielsweise kann die verschriebene Behandlung eine Bruströntgenaufnahme
sein. Nachdem die neuen Patientenbehandlungsdaten an das Planungssystem übergeben
worden sind, können
die Vorhersagemodelle vorausschauend auf Basis von Patientenfaktoren
und historischen Patientenbehandlungsdaten eines CT-Scan terminieren.
Es wird weiter angemerkt, dass die terminierte Behandlung spezifischer
sein kann als die von dem nutzenden Dienstleister (Arzt) verschriebene
Behandlung. Beispielsweise kann der Arzt oder sonstige Nutzer ein
CT-Scan der Brust verschreiben. Nachdem die neuen Patientenbehandlungsdaten
an das Planungssystem übergeben
worden sind, können
die Vorhersagemodelle den CT-Scan zusammen mit anderen relevanten
Faktoren wie beispielsweise Körperposition
während
des Scans, Kontrastmittel und Timing-Faktoren terminieren. Wie vorstehend
erläutert,
kann jede vorausschauende Planung durch den nutzenden Serviceerbringer
(Arzt) überschrieben
werden, wenn es eine weitere unabhängige Analyse so erfordert.
In diesem Sinn kann das vorausschauende Planungssystem als Werkzeug
für Gesundheitsdienstleister
genutzt werden, indem sinnvolle Behandlungsoptionen vorgeschlagen
werden, die durchgesehen und durch geeignetes medizinisches Persional
bestätigt
werden.
-
Vorgehensweise
-
5 veranschaulicht
ein Verfahren zur vorausschauenden Planung eines Patienten zur medizinischen
Behandlung gemäß einer
Ausführungsform
der vorliegenden Erfindung. Wie er sichtlich enthält das Verfahren einen Lernmode
und einen Vorhersagemode. Dieses Verfahren kann beispielsweise durch
das in 1 veranschaulichte System ausgeführt werden,
wobei das Lernmodul den Lernmode implementiert und das Klassifizierungsmodul
die Vorhersagebetriebsart implementiert.
-
Der
Lernmodus dieses beispielhaften Verfahrens beinhaltet den Empfang 505 historischer
Patientenbehandlungsdaten. Wie vorstehend erläutert beinhalten die historischen
Patientenbehandlungsdaten tatsächliche
Daten über
früher
beendete Patientenbehandlungen, wie beispielsweise Behandlungsdetails
und -attribute, das Timing für
verschiedene Schritte der Behandlung, die Patientendemographie,
Patientenversicherungsdaten, die genutzte Ausrüstung, beistehendes Personal
und jede andere relevante Information.
-
Der
Lernmodus des Verfahrens setzt in Block 510 mit Übertragung
von der empfangenen historischen Patientenbehandlungsdaten in ein
Schema fort (wie mit Bezug auf die 3a und 3c diskutiert)
und baut dann in Block 515 ein oder mehrere Vorhersagemodelle
unter Nutzung der transformierten Patientenbehandlungsdaten die
in dem Schema gespeichert sind (wie mit Bezug auf 3b diskutiert
ist). In einer solchen Ausführungsform
wird eine Anzahl verschiedener Vorhersagemodelle aufgebaut, wie
beispielsweise zwei oder mehrere, zu denen das Naïve-Bayes-Vorhersagemodell,
das logistische Regressionsvorhersagemodell, das neuronale Netzwerk-Vorhersagemodell,
das Maximaleentropie-Vorhersagemodell und das Entscheidungsbaum-Vorhersagemodell
gehören.
-
Der
Lernmodus umfasst weiter, dass in Block 520 bestimmt wird,
ob neue historische Patientenbehandlungsdaten empfangen worden sind.
Wenn dies der Fall ist, betreibt das Verfahren fortwährend die
Aktualisierung der aufgebauten Vorhersagemodelle (z.B. durch Wiederholung
der Schritte 510, 515 und 520 wie es erforderlich
ist). Somit kann der Lernmodus implementiert werden, um die Vorhersagemodelle
sowohl aufzubauen als auch zu warten.
-
Bei
dem Vorhersagemodus umfasst das Verfahren in Block 525 den
Empfang eines neuen Planungsanforderungsereignisses einschließlich Patientenbehandlungszieldaten.
Wie vorstehend erläutert,
umfassen die Patientenbehandlungszieldaten alle oder ein Sub-Set
der Datentypen, die in den historischen Patientenbehandlungsdaten
vorhanden sind, aus denen die Vorhersagemodelle aufgebaut und anhand
derer sie gewartet sind. In einer speziellen Ausführungsform
werden die empfangenen Patientenbehandlungszieldaten transformiert,
um mit dem Schema übereinzustimmen
das in dem Lernmodus genutzt wird (gerade wie die historischen Patientenbehandlungsdaten
transformiert sind).
-
Der
Vorhersagemodus setzt mit der vorausschauenden Planung einer medizinischen
Behandlung für einen
Patienten bei 530 auf Basis der Patientenbehandlungszieldaten
und der Vorhersagemodelle fort (wie mit Bezug auf 4 diskutiert).
Bei einer speziellen Ausführungsform
werden die Patientenbehandlungszieldaten durch die Vorhersagemodelle
verarbeitet, um zu ermitteln, ob die Behandlungsvorhersagen durch
die Modelle eine gegebene Schwelle befriedigen. Wenn dies der Fall
ist und ein Quorum von Vorhersagen übereinstimmt, kann der Patient
für die
vorhergesagte Behandlung terminiert werden. Ansonsten wird die Planung
der Behandlung durch andere Mittel (z.B. manuell) durchgeführt. Ein
Quorum ist die Minimalzahl von Modellvorhersagen, die übereinstimmen
müssen,
um eine Vorhersage zu machen. Ein Quorum kann jede vorfestgelegte Schwelle,
wie beispielsweise eine Mehrheit, ein Prozentsatz oder die Gesamtheit
der Modelle sein.
-
Die
vorstehende Beschreibung der Ausführungsformen der Erfindung
ist zum Zwecke der Veranschaulichung und Beschreibung angegeben
worden. Es ist nicht beabsichtigt, die Erfindung erschöpfend zu beschreiben
oder auf die speziell geoffenbarte Form zu beschränken. Im
Lichte der Offenbarung sind viele Abwandlungen und Variationen möglich. Es
ist beabsichtigt, dass der Umfang der Erfindung nicht durch die
detaillierte Beschreibung sondern nur durch die nachfolgenden Ansprüche beschränkt ist.
-
- 1
- Einsatzfall
- 2
- Einsatzfall
- 3
- Einsatzfall
- 4
- Einsatzfall
- 5
- Einsatzfall
- 6
- Einsatzfall
- 7
- Einsatzfall
- 8
- Einsatzfall
- 9
- Einsatzfall
- 10
- Einsatzfall
- 505
- Empfangen
- 510
- Transformieren
- 515
- Aufbauen
- 520
- Bestimmen
- 525
- Empfangen
- 530
- Terminieren
