DE102020212318A1

DE102020212318A1 - Fallpriorisierung für ein medizinisches System

Info

Publication number: DE102020212318A1
Application number: DE102020212318.7A
Authority: DE
Inventors: Sven Kohle; Svenja Lippok; Jürgen Simon
Original assignee: Siemens Healthcare GmbH
Current assignee: Siemens Healthineers Ag De
Priority date: 2020-09-30
Filing date: 2020-09-30
Publication date: 2022-03-31
Also published as: CN114334176A; US20220102003A1

Abstract

Ein computerimplementiertes Verfahren zum Bearbeiten von medizinischen Fällen umfasst die folgenden Schritte. In einem Schritt wird in Datensatz, welcher einem medizinischen Fall zugeordnet ist, empfangen. Für den medizinischen Fall wird durch Anwenden von trainierten Funktionen, welche mit Trainingsdatensätzen und zugehörigen bekannten Trainingsprioritäten trainiert wurden, auf den Datensatz eine Priorität für ein Bearbeiten des medizinischen Falls bestimmt.

Description

Die vorliegende Erfindung betrifft Verfahren zum Bearbeiten von medizinischen Fällen, und insbesondere Verfahren zum priorisierten Bearbeiten eines medizinischen Falls durch ein technisches System. Weiterhin werden eine entsprechende Vorrichtung, ein medizinisches System, ein Computerprogramm und ein elektronisch lesbarer Datenträger bereitgestellt.
In medizinischen Fachbereichen müssen Fälle für eine Befundung priorisiert werden, da bei manchen Fällen der Therapiestart zeitkritisch ist und dieser von einem rechtzeitigen Befund abhängt. Beispielsweise können vor einer anstehenden Befundung in der digitalen Pathologie zu den zu bearbeitenden Fällen schon weitere Daten generiert worden sein, wie z.B. ein Radiologiebefund. Wenn ein Radiologiebefund vorhanden ist, kann er Informationen beinhalten, die eine Aussage darüber treffen können, wie zeitkritisch die Befundung eines Falles in der Pathologie ist. Auch andere Informationen wie Laborbefunde, Anamnese, Tumorboard Protokolle etc. können zur Selektion eines Falles hinzugezogen werden. Dabei kann der Fall sowohl für den makroskopischen Pathologiebefund wie auch für den mikroskopischen Pathologiebefund priorisiert werden. Dabei ist die Makroskopie (engl. Gross Imaging) die fotografische Aufnahme des gesamten entnommenen Gewebes (also z.B. der ganze Tumor, der entfernt wurde), während in der Mikroskopie Teilbereiche eingefärbt in hoher Auflösung betrachtet werden.
Herkömmlicherweise werden Fälle manuell priorisiert, basierend auf Informationen, die der überweisende Arzt aus einem anderen medizinischen Fachgebiet an den Pathologen weitergibt, basierend auf den Bildinformationen der Histopathologie, oder nach zeitlichem Eingang abgearbeitet, dabei können jedoch zeit- und ressourcenkritische Fälle nicht rechtzeitig erkannt werden, so dass Engpässe durch limitierte Ressourcen eines medizinischen Systems auftreten können, die dazu führen, dass Fälle nicht rechtzeitig bearbeitet werden und Befunde nicht rechtzeitig vorliegen.
Daher besteht Bedarf an verbesserten Techniken zum Bearbeiten von medizinischen Fällen, die zumindest einige der genannten Einschränkungen und Nachteile überwinden oder abmildern.
Diese Aufgabe wird mit den Merkmalen der unabhängigen Ansprüche gelöst. In den abhängigen Ansprüchen sind weitere vorteilhafte Ausführungsbeispiele der Erfindung beschrieben.
Im Folgenden wird die erfindungsgemäße Lösung in Bezug auf die beanspruchten Verfahren, als auch in Bezug auf beanspruchte Vorrichtungen beschrieben. Merkmale, Vorteile oder alternative Ausführungsbeispiele können der jeweils anderen beanspruchten Kategorie zugeordnet werden, und umgekehrt. In anderen Worten, die Ansprüche für die Vorrichtung können durch Merkmale verbessert werden, die im Rahmen der Verfahren beschrieben oder beansprucht werden. Beispielsweise können die funktionellen Merkmale des Verfahrens durch eine Rechenvorrichtung eines medizinischen Systems ausgeführt werden.
Ein computerimplementiertes Verfahren zum Bearbeiten von Fällen umfasst die folgenden Schritte.
In einem Schritt werden Daten eines oder mehrerer medizinischer Fälle empfangen, insbesondere wird ein Datensätze empfangen, welcher einem medizinischen Fall zugeordnet ist. In einigen Beispielen können entsprechend mehrere Datensätze empfangen werden, wobei jeder der mehreren Datensätze einem anderen medizinischen Fall einer Vielzahl von medizinischen Fällen zugeordnet sein kann.
Im Allgemeinen können somit Daten erhalten oder gespeichert werden, wobei ein Speichern von Daten in einem Datenspeicher, und ein Auslesen von Daten aus einem Datenspeicher umfasst sein können, und wobei ein Datenspeicher einen beliebigen, internen oder externen, dauerhaften Datenspeicher oder Arbeitsspeicher, einer Rechenvorrichtung umfassen kann. Beispielsweise können Daten von einer verteilte Datenbank oder einem Kommunikationsnetzwerk empfangen und/oder mit diesem ausgetauscht werden, wobei die Daten verschiedenen technische Systemen von verschiedenen medizinischen Fachbereichen zugeordnet sein können, d.h. von diesen stammen können.
In einem weiteren Schritt wird eine Priorität für den medizinischen Fall bestimmt, unter Verwenden des Datensatzes, umfassend ein Anwenden von trainierten Funktionen, in anderen Worten eines trainierten Modells, auf den Datensatz. Dabei sind die trainierten Funktionen mit Trainingsdatensätzen und zugehörigen bekannten Trainingsprioritäten trainiert. Somit wird durch Anwenden von trainierten Funktionen auf den Datensatz als Eingabe eine Priorität, oder ein Prioritätswert, als Ausgabe bestimmt. In diesem Zusammenhang können die trainierten Funktionen Ende-zu-Ende-trainierte Funktionen oder ein Ende-zu-Ende trainiertes Modell umfassen, welches eine Vielzahl von Funktions- oder Modellparameter enthält, welche basierend auf einem Anwenden des Modells auf einen Trainingsdatensatz zum Bestimmen einer Priorität und einem Vergleichen der bestimmten Priorität mit einer Trainingspriorität trainiert wurden.
Im Bestimmen einer Priorität an somit ein Bestimmen einer früheren Bearbeitung, d.h. einer Reihenfolge, gegenüber einem anderen medizinischen Fall beinhalten, oder ein Bestimmen eines Prioritätswerts für einen medizinischen Fall beinhalten. Ein Prioritätswert eines medizinischen Falls kann mit einem Prioritätswert eines anderen medizinischen Falls verglichen werden, um eine Reihenfolge einer Bearbeitung der medizinischen Fälle festzulegen, oder in anderen Worten, um einen der Fälle zur Bearbeitung auszuwählen.
Bei einem weiteren Schritt wird die Priorität für ein Bearbeiten des medizinischen Falls bereitgestellt. In einigen Beispielen kann somit ein medizinischer Fall aus einer Vielzahl von medizinischen Fällen ausgewählt oder selektiert werden, um ihn beispielsweise bevorzugt oder priorisiert auf einem medizinischen technischen System mit limitierten Ressourcen zu bearbeiten. In einigen Beispielen kann der medizinische Fall basierend auf der Priorität bearbeitet werden.
Der medizinische Fall kann in einem ersten medizinischen Fachbereich bearbeitet werden, und der Datensatz kann Daten umfassen, welche aus einem zu dem ersten medizinischen Fachbereich unterschiedlichen medizinischen Fachbereich stammen. Beispielsweise können die Daten von mindestens einem weiteren technischen System eines unterschiedlichen medizinischen Fachbereichs stammen. In einigen Beispielen können die Daten aus mehreren zu dem ersten medizinischen Fachbereich unterschiedlichen medizinischen Fachbereichen stammen, insbesondere von mehreren technischen Untersuchungssystemen unterschiedlicher medizinischer Fachbereiche.
Beispielsweise kann der Datensatz einen oder mehrere oder alle, insbesondere eine beliebige spezifische Teilmenge oder eine beliebige spezifische Kombination, der folgenden Daten und/oder Parameter des medizinischen Falls umfassen, oder aus diesen bestehen:

- ein Datum einer bevorstehenden Fallbesprechung, oder eine Zeitdauer bis zu einer bevorstehenden Fallbesprechung;
- ein manuell bestimmter Parameter oder Kommentar eines zuweisenden Arztes;
- einen Parameter, der definiert, ob der Zeitpunkt der Befundung relevant für eine Entscheidung einer Diagnose oder Therapie ist, wobei der Parameter durch ein Anwenden von trainierten Funktionen auf den Datensatz des medizinischen Falls bestimmt wird, wobei ein Trainingsdatensatz weiter eine Referenzinformation enthält, ob der Zeitpunkt der Befundung des Trainingsfalls kritisch für eine Entscheidung einer Diagnose oder Therapie war, insbesondere eine manuelle Annotation, ob der Trainingsfall hätte priorisiert werden sollen;
- einen Parameter, der definiert, ob für den Patient ein zeitnahes Tumorboard oder Fallbesprechung entscheidend für den Erfolg einer Therapie relevant ist, wobei der Parameter durch ein Anwenden von trainierten Funktionen auf den Datensatz des medizinischen Falls bestimmt wird, wobei ein Trainingsdatensatz weiter eine Referenzinformation enthält, ob ein zeitnahes Tumorboard oder Fallbesprechung für den Trainingsfall entscheidend für den Erfolg einer Therapie war;
- einen Parameter, der definiert, ob die Bearbeitung in Zusammenhang mit mindestens einer vorherig ermittelten (Verdachts-)Diagnose steht;
- einen Wert einer Laboruntersuchung;
- eine Vorerkrankung;
- ein Pathologiebild einer Vorerkrankung;
- allgemeine Patientendaten (z.B. Alter, Gewicht, ICD-Codes, Zustand z.B. mobil/bettlägerig, privat/gesetzlich versichert).

In einigen Bespielen können die trainierten Funktionen basierend auf dem Datensatz einen oder mehrere Parameter bestimmen, der bzw. die definieren, ob für den Patient ein zeitnahes Tumorboard oder Fallbesprechung relevant für den Erfolg einer Therapie relevant ist, und/oder ob der Zeitpunkt der Befundung relevant für eine Entscheidung einer Diagnose oder Therapie ist, und diese Parameter für das Bestimmen der Priorität verwenden. Unter relevant kann verstanden werden, dass das Ereignis eine Rolle für den Erfolg oder die Entscheidung spielt, z.B. mit entscheidend (kausal) oder allein entscheidend ist Dabei sind die trainierbaren Funktionen basierend auf einer Vielzahl anderer bekannter medizinischer Fälle (Trainingsfälle) trainiert, wobei für die Trainingsfälle die jeweiligen Informationen bekannt sind und für das Trainieren verwendet werden. Entsprechend kann das Verfahren zum Bereitstellen von trainierten Funktionen für die beschriebenen Parameter angewendet werden, indem die durch die trainierten Funktionen bestimmten Parameter mit den Referenzinformationen verglichen werden. Die beschriebenen Parameter können jedoch auch von spezifischen weiteren trainierten Funktionen erzeugt werden, und für die Bestimmung einer Priorität bereitgestellt werden.
Mindestens einer der Parameter kann ein Ausgabewert eines weiteren trainierbaren Modells sein, das auf einen weiteren Datensatz eines unterschiedlichen technischen System, insbesondere eines unterschiedlichen medizinischen Fachbereichs, angewendet wurde:

- einer auf einem trainierten Modell basierende maschinellen Bildauswertung vorhandener Bilddaten des medizinischen Falls, insbesondere radiologische Bilder (CT, MRI, PET /SPECT, insbesondere der von der Biopsie betroffenen Körperregion);
- einer auf einem trainierten Modell basierenden maschinellen Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) von zu dem medizinischen Fall und/oder Patienten gehörenden Schriftdokumenten und/oder Sprachaufzeichnungen;
- einer auf einem trainierten Modell basierenden maschinellen Analyse einer wahrscheinlichen Notwendigkeit einer Folgeuntersuchung auf einem medizinischen System, und/oder und/oder oder ein Beginn/Änderung/Ende einer Behandlung/Therapie.

Eine Priorisierung kann somit für ein spezifisches technisches System eines medizinischen Fachbereichs bestimmt werden.
Beispielsweise kann durch ein weiteres trainierbares Modell für ein durchzuführendes Bearbeiten durch das technische System ein Ressourcenverbrauch, bzw. ein voraussichtlicher Ressourcenverbrauch von Ressourcen des technischen Systems durch den zu bearbeiteten medizinischen Fall, bzw. ein Ressourcenverbrauch über Zeit, bestimmt werden. Eine Ausgabe des weiteren Modells kann somit ein Ressourcenverbrauch eines medizinischen Falls, d.h. bei einer Bearbeitung des möglichen Falls, auf dem technischen System umfassen.
Insbesondere kann eine vorhandene Kapazität oder eine Verfügbarkeit von Ressourcen des technischen Systems, bzw. über Zeit, berücksichtigt werden.
Somit kann ein Eingabeparameter der trainierten Funktionen zur Bestimmung einer Priorität eines medizinischen Falls beispielsweise eine Ausgabe eines trainierten Modells zum Bestimmen eines Ressourcenverbrauchs, d.h. eines Ressourcenkennwerts oder einer Zeitreihe von Ressorcenkennwerten, einer bevorstehenden Bearbeitung des medizinischen Falls, bzw. durch ein medizinisches System, umfassen. Der Ressourcenverbrauch kann beispielsweise durch Anwenden des trainierbaren Modells selbst, oder eines weiteren trainierbaren Modells, auf den Datensatz bestimmt werden.
Es ist zu verstehen, dass eine beliebige Technik entsprechend der vorliegenden Offenbarung auf eine beliebigen spezifischen Datensatz, umfassend einen oder mehrere beliebige spezifische Kombinationen oder Teilmengen der genannten Daten und/oder Parameter eingeschränkt werden kann.
Die trainierten Funktionen können trainiert sein basierend auf einer manuell gesetzten Priorität, oder einer manuellen Änderung einer zuvor computerimplementiert bestimmten Priorität, insbesondere basierend auf einem Vergleichen einer vorhergehenden manuellen Änderung einer Priorität mit einer computerimplementiert bestimmten Priorität. Somit können die trainierten Funktionen zum Bestimmen einer Priorität zeitlich fortlaufend trainiert werden, während einer Verwendung der erfindungsgemäßen Techniken in einem medizinischen Fachbereich.
In einem weiteren Schritt kann einem Benutzer eine Liste angezeigt werden, umfassend den priorisierten medizinischen Fall zusammen mit weiteren medizinischen Fällen. Weiter kann mindestens ein Parameter, der zu einer Priorisierung des medizinischen Falls geführt hat, d.h. der für die Priorisierung entscheidend war, oder ein Wahrscheinlichkeitsparameter (Konfidenzwert), der vorhersagt, wie wahrscheinlich der Fall priorisiert werden muss, zu dem priorisierten medizinischen Fall angezeigt werden. Eine Reihenfolge der angezeigten Fälle kann einer Reihenfolge entsprechend der Priorisierung der Fälle entsprechen.
Vorzugsweise können die Techniken entsprechend der vorliegenden Offenbarung in der (digitalen) Pathologie eingesetzt werden, wobei der Datensatz vorzugsweise Daten aus der Radiologie enthält.
Ein Verfahren zum Bereitstellen trainierter Funktionen zum Bestimmen einer Priorität eines medizinischen Falls wird im Folgenden als separates Verfahren bereitgestellt, das unabhängig von dem Verfahren zur Bestimmung einer Priorität eines medizinischen Falls unter Verwendung der trainierten Funktionen durchgeführt werden kann.
In einigen Beispielen dient das Verfahren dem Bereitstellen der trainierten Funktionen, welche in dem Verfahren zum Bestimmen einer Priorität für einen medizinischen Fall benötigt werden, wodurch die entsprechenden Verfahren sich gegenseitig ergänzen und zusammenwirken, d.h. miteinander in Beziehung stehen und voneinander abhängen.
Ein computerimplementiertes Verfahren zum Bereitstellen trainierter Funktionen zum Bestimmen einer Priorität eines medizinischen Falls umfasst die folgenden Schritte.
In einem Schritt wird mindestens einen Trainingsdatensatz, welcher einem medizinischen Trainingsfall zugeordnet ist, empfangen. Für den medizinischen Trainingsfall wird weiter eine bekannte Trainingspriorität (Referenzpriorität) empfangen.
In einem weiteren Schritt werden trainierbare Funktionen bereitgestellt, welche durch Anwenden auf den Trainingsdatensatz eine Priorität erzeugen. Die trainierbaren Funktionen werden auf den Trainingsdatensatz angewendet, wodurch eine Priorität für den Trainingsfall bestimmt wird.
In einem weiteren Schritt wird die bestimmte Priorität mit der Referenzpriorität verglichen, wobei ein Vergleichen insbesondere ein Bestimmen einer Differenz zwischen der bestimmten Priorität und der Referenzpriorität umfasst.
In einem weiteren Schritt werden die trainierbaren Funktionen basierend auf dem Vergleichen, insbesondere der Differenz trainiert, wobei Werte der Parameter angepasst werden, wodurch eine Ausgabe der trainierten Funktionen der bekannten Trainingspriorität entspricht. Durch ein Optimierungsverfahren kann die Differenz zwischen der ausgegebenen Priorität und der Referenzpriorität minimiert werden.
Es ist zu verstehen, dass ein Trainieren der trainierbaren Funktionen vorteilhafterweise unter Verwenden einer Vielzahl von Trainingsfällen durchgeführt werden kann. Wobei entsprechende Schritte für jeden einer Vielzahl von Trainingsfälle durchgeführt werden können.
In einigen Beispielen kann das Verfahren zum Bereitstellen von trainierten Funktionen fortlaufend, oder in wiederkehrenden Zeitintervallen, oder basierend auf einer Änderung eines Datensatzes oder einer manuellen Änderung einer Priorität durchgeführt werden. Beispielsweise kann nach einem Bearbeiten des medizinischen Falls festgestellt werden, ob eine manuelle Änderung der Priorisierung durchgeführt wurde, und ein Trainieren kann basierend auf der geänderten manuellen Priorisierung als neue bekannte Referenzpriorität durchgeführt werden. In diesem Sinne, kann ein bearbeiteter medizinischer Fall und die entsprechende maschinell bestimmte Priorität, welche bestätigt durch ein Bearbeiten des Falls entsprechend der maschinell bestimmten Priorität oder durch eine manuelle Bestätigung, oder manuell geändert wurde, als Trainingsdatensatz für eine fortlaufendes Trainieren des Modells benutzt werden.
Die offenbarten Techniken ermöglichen somit ein effizientes Auslasten und Planen von Ressourcen eines technischen medizinischen Systems, wodurch relevante Befunde, die durch das medizinische System erstellt werden, schneller und verlässlicher verfügbar sind. Eine komplexe Vielzahl von medizinischen Fällen mit unterschiedlichen Ressourcenanforderungen kann zeitlich besser eingeplant werden und/oder eine Reihfolge der Fälle kann effizienter bestimmt werden, wodurch Ressourcenengpässe eines medizinischen Systems vermieden werden können. Insbesondere werden technische Parameter mindestens eines anderen technischen medizinischen Systems einer anderen medizinischen Disziplin zur Bestimmung einer Fallpriorität herangezogen, was die Effizienz einer Selektion entsprechend einer wahrscheinlichen Diagnose und Therapie weiter erhöht.
Somit kann ein entsprechendes medizinisches System mit geringeren Ressourcen ausgelegt werden, wodurch Kosten und Arbeitszeit eingespart werden können. Gleichzeitig kann die Qualität einer Diagnose und Therapie, und somit die Sicherheit für Patienten verbessert werden.
Eine Vorrichtung umfasst eine Recheneinheit, eine Speichereinheit, und eine Schnittstelleneinheit. Die Speichereinheit speichert von der Recheneinheit ausführbare Befehle, wobei die Vorrichtung ausgebildet ist, bei der Ausführung der Befehle in der Recheneinheit die Schritte eines der Verfahren der vorliegenden Offenbarung auszuführen.
Ein Computer ist konfiguriert, um eine Priorisierung von medizinischen Fällen durchzuführen. Ein Computer kann beispielsweise einen Prozessor, einen Speicher zum Speichern von Programmbefehlen, und eine Schnittstelle (Interface) zum Senden/Empfangen von Daten, umfassen. Dabei speichert der Speicher von dem Prozessor ausführbare Befehle, wobei der Computer bei Ausführung der Befehle in dem Prozessor die Schritte eines beliebigen Verfahrens oder einer beliebige Kombination von Verfahren gemäß der vorliegenden Offenbarung durchführt.
Ein technisches System, insbesondere ein medizinisches technisches System, ist ausgebildet, um die Schritte eines beliebigen Verfahrens gemäß der vorliegenden Offenbarung auszuführen. Das medizinische System kann dazu mindestens eine Vorrichtung gemäß der vorliegenden Offenbarung umfassen.
Ein Computerprogramm umfasst Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, die Schritte eines beliebigen Verfahrens gemäß der vorliegenden Offenbarung auszuführen.
Ein elektronisch lesbarer Datenträger umfasst Befehle, die bei der Ausführung durch einen Computer diesen veranlassen, die Schritte eines beliebigen Verfahrens gemäß der vorliegenden Offenbarung auszuführen.
Eine verteilte Datenbank, insbesondere eine Cloud oder eine Cloud-Applikation, umfasst Datensätze und Befehle, die bei der Ausführung durch einen Computer diesen veranlassen, die Schritte eines beliebigen Verfahrens gemäß der vorliegenden Offenbarung auszuführen.
Für eine solche Vorrichtung, medizinisches System, Computerprogramm, verteilte Datenbank, und elektronisch lesbaren Datenträger können technische Effekte erzielt werden, die den technischen Effekten für die Verfahren gemäß der vorliegenden Offenbarung entsprechen.
Obwohl die in der obigen Zusammenfassung und der folgenden detaillierten Beschreibung beschriebenen spezifischen Merkmale im Zusammenhang mit spezifischen Beispielen beschrieben werden, ist zu verstehen, dass die Merkmale nicht nur in den jeweiligen Kombinationen verwendet werden können, sondern auch isoliert oder in beliebigen Kombinationen verwendet werden können, und Merkmale aus verschiedenen Beispielen für die Verfahren, Vorrichtungen, medizinischen Systeme, Computerprogramme, verteilte Datenbanken und elektronisch lesbare Datenträger miteinander kombiniert werden können und miteinander korrelieren, sofern nicht ausdrücklich anders angegeben.
Es ist zu versehen, das die vorliegend offenbarten Techniken sowohl im Zusammenhang mit Verfahren zum Anwenden von trainierten Funktionen, in anderen Worten eines oder mehrerer trainierter Modelle, und Verfahren zum Bereitstellen von entsprechend trainierter Funktionen miteinander korrelieren, beschrieben werden. Merkmale, Vorteile oder alternative Ausführungsbeispiele können den anderen beanspruchten Verfahren zugeordnet werden und umgekehrt. Mit anderen Worten, Ansprüche auf Verfahren und Systeme zur Bereitstellung trainierter Funktionen können durch Merkmale, die im Zusammenhang mit den Verfahren und Systemen zur Anwendung trainierter Funktionen beschrieben werden, verbessert werden, und umgekehrt.
Die obige Zusammenfassung kann daher nur einen kurzen Überblick über einige Merkmale einiger Ausführungsformen und Implementierungen geben und ist nicht als Einschränkung zu verstehen. Andere Ausführungsformen können andere als die oben beschriebenen Merkmale umfassen.
Die Erfindung wird nachfolgend unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert.

1 zeigt ein Flussdiagramm mit Schritten zum Bearbeiten von medizinischen Fällen durch ein medizinisches System, gemäß einigen Ausführungsbeispielen.
2 zeigt ein Flussdiagramm mit Schritten zum Bereitstellen von trainierten Funktionen zum Bestimmen einer Priorität für einen medizinischen Fall, gemäß einigen Ausführungsbeispielen.
3 zeigt schematisch eine Vorrichtung, mit dem ein erfindungsgemäßes Verfahren durchgeführt werden kann, gemäß einigen Ausführungsbeispielen.

Die vorstehend genannten Elemente, Merkmale, Schritte und Konzepte der vorliegenden Offenbarung werden aus der folgenden detaillierten Beschreibung anhand von exemplarischen Ausführungsbeispielen, die unter Bezugnahme auf die beiliegenden Zeichnungen erläutert werden, ersichtlich.
Die Zeichnungen sind als schematische Darstellungen zu betrachten und die in den Zeichnungen dargestellten Elemente sind nicht unbedingt maßstabsgetreu dargestellt. Vielmehr werden die verschiedenen Elemente so dargestellt, dass ihre Funktion und ihr allgemeiner Zweck für einen Fachmann ersichtlich werden. Jede Verbindung oder Kopplung zwischen Funktionsblöcken, Vorrichtungen, Komponenten oder anderen physikalischen oder funktionellen Einheiten, die in den Zeichnungen oder hierin beschrieben sind, kann auch durch eine indirekte Verbindung oder Kopplung realisiert werden. Eine Kopplung zwischen den Komponenten kann auch über eine drahtlose Verbindung hergestellt werden. Funktionen können in Hardware, Firmware, Software oder einer Kombination davon implementiert werden.
Im Folgenden werden Ausführungsbeispiele unter Bezugnahme auf die beiliegenden Zeichnungen ausführlich beschrieben. Es ist zu beachten, dass die folgende Beschreibung der Ausführungsbeispiele nicht in einem engen Sinne zu verstehen ist. Der Umfang der Erfindung ist nicht durch die im Folgenden beschriebenen Ausführungsbeispiele oder durch die Zeichnungen eingeschränkt, die nur zur Veranschaulichung dienen.
Beispiele der vorliegenden Offenbarung betreffen Techniken zum Bearbeiten von medizinischen Fällen, beispielsweise durch ein medizinisches technisches System. Einige Beispiele betreffen Techniken für ein Bestimmen einer Priorität, oder eines Prioritätswerts, eines medizinischen Falls, beispielsweise für ein Bearbeiten des medizinischen Falls auf einem medizinischen System, ein Bestimmen einer Reihenfolge von zwei oder mehreren medizinischen Fällen, ein Bestimmen oder Selektieren eines nächsten zu bearbeitenden Falles aus einer Vielzahl von medizinischen Fällen, oder im Allgemeinen Verfahren für ein Bearbeiten eines medizinischen Falls in einem medizinischen Fachbereich.
Pathologen wollen ihre Falle für die Befundung priorisieren, weil sich oft welche darunter befinden, bei denen der Therapiestart zeitkritisch ist und dieser vom Pathologiebefund abhängt. Basierend auf den Pathologiebildern lässt es sich allerdings schwer vorhersagen, welcher Fall priorisiert werden kannte. Vor der Pathologiebefundung wurden zu jedem Fall schon weitere Daten generiert, wie z.B. ein Radiologiebefund. Wenn ein Radiologiebefund vorhanden ist, kann er Informationen beinhalten, die eine Aussage darüber treffen können, wie zeitkritisch die Befundung eines Falles ist. Auch andere Informationen wie Laborbefunde, Anamnese, Tumorboard Protokolle etc. können zur Priorisierung hinzugezogen werden. Dabei kann der Fall sowohl für den makroskopischen Pathologiebefund wie auch für den mikroskopischen Pathologiebefund priorisiert werden. Dabei ist die Makroskopie (engl. Gross Imaging) die fotografische Aufnahme des gesamten entnommenen Gewebes (also z.B. der ganze Tumor, der entfernt wurde), während in der Mikroskopie Teilbereiche eingefärbt in hoher Auflösung betrachtet werden.
Herkömmlicherweise werden Fälle manuell z.B. unter Durchführen einer initialen Diagnose priorisiert, basierend auf Informationen, die der überweisende Arzt an den Pathologen weitergibt, basierend auf den Bildinformationen der Histopathologie oder nach zeitlichem Eingang abgearbeitet. Dabei können eine Vielzahl von für einen medizinischen Fall verfügbaren technischen Parametern anderer technischer Systeme, beispielsweise von anderen medizinischen Disziplinen, nicht berücksichtigt werden, da Zusammenhänge zwischen diesen Parametern mit einer Priorität des Falls aufgrund einer hohen Anzahl und Komplexität von Kausalitäten und Korrelationen nicht bekannt und manuell nicht erkannt werden können. Somit kann ein medizinisches System nicht effizient ausgelastet und betrieben werden, zum Beispiel können zu einem beliebigen Zeitpunkt die Ressourcen des medizinischen Systems nicht ausreichen, wenn beispielsweise ein weniger dringlicher Fall zuerst bearbeitet wurde, und zu einem beliebigen folgenden Zeitpunkt mehrere Fälle mit höherer Priorität bearbeitet werden müssen.
Einige der hier beschriebenen Beispiele betreffen eine medizinisches System der digitalen Pathologie, wobei vorteilhaft Daten und/oder Parameter unter anderem aus einem technischen System der Radiologie verwendet werden, es ist jedoch zu verstehen, dass die Techniken der vorliegenden Erfindung für ein Bearbeiten oder Priorisieren von Fällen auf einem beliebigen medizinischen technischen System, d.h. einem technischen System einer beliebigen medizinischen Disziplin, angewendet werden können, wobei Daten zumindest eines weiteren technischen Systems für einen jeweiligen medizinischen Fall verwendet werden können.
1 zeigt ein Flussdiagramm mit Schritten zum Bearbeiten von medizinischen Fällen durch ein medizinisches System, gemäß einigen Ausführungsbeispielen.
Das Verfahren beginnt in Schritt S10. In Schritt S20 wird in Datensatzes, welcher einem medizinischen Fall zugeordnet ist, empfangen. In Schritt S30 wird durch ein Anwenden von trainierten Funktionen auf den Datensatz eine Priorität für den medizinischen Fall bestimmt, wobei die trainierten Funktionen mit Trainingsdatensätzen und zugehörigen bekannten Trainingsprioritäten trainiert wurden. In Schritt S40 wird die Priorität für ein Bearbeiten des medizinischen Falls bereitgestellt. Das Verfahren endet in Schritt S50.
Die Techniken entsprechend der Offenbarung können eine Priorisierung maschinell, d.h. automatisiert, basierend auf (d.h. unter Verwenden von) einem Satz von Regeln/Steuerparameter bestimmen.
Dabei kann es vorbestimmte (Kombinationen von) Parameter geben, die zu einer Priorisierung führen und dann auch klar als Ursache der Priorisierung gelistet werden. Beispiele für solche Parameter sind z.B. ein Datum für ein Tumorboard oder eine andere interdisziplinäre Fallbesprechung, die in weniger als zwei Tagen zu dem Fall stattfindet, das Alter eines Patienten, Versicherung des Patienten (privat oder gesetzlich), Flags/Kommentare von zuweisenden Ärzten, z.B. des Radiologen, diesen Fall zu priorisieren.
Zusätzlich kann es Parameter geben, die aus retrospektiven Daten folgendermaßen gelernt werden:

Ein Parameter kann sein, ob für diesen Patient ein zeitnahes Tumorboard oder Fallbesprechung entscheidend für den Erfolg einer Therapie relevant war. Am leichtesten könnte man diese Annotationen von Pathologen oder Onkologen bekommen (beispielsweise, indem man basierend auf einem Fragebogen oder einem Softwaretool Fälle sammelt, bei denen es entscheidend bzw. nicht entscheidend war). Alternativ könnte man versuchen aus Priorisierung von Fallbesprechungen zu lernen. Inputparameter für den Algorithmus ist in jedem Fall die Annotation, ob ein solcher Fall hatte priorisiert werden können: ja/nein (1/0). Der Algorithmus kann standardisierte Datensätze zum Training erhalten, um Muster zu finden, welche Parameter für die Priorisierung relevant sind.

Ein weiterer Parameter kann sein, ob der Zeitpunkt der Befundung kritisch war: Basierend auf vorliegenden Trainingsdaten kann der Algorithmus Merkmale dafür erkennen, dass der Zeitpunkt der Befundung in der digitalen Pathologie entscheidend für die anschließenden Therapieentscheidung (z.B. Entfernung des Tumors nur erfolgreich bis zu einer bestimmten Tumorgrö-ße, da schnelle Befundung konnte der Tumor noch rechtzeitig entfernt werden, bevor er gestreut hat) und/oder entscheidend für den Therapieerfolg war (kann z.B. aus der Historie / dem Logfile des Patientenmanagements abgelesen werden, eventuell kann auch die Überlebenswahrscheinlichkeit berücksichtigt werden) .
Alternativ zur Therapieänderung könnte man auch auf eine Diagnoseänderung abstellen. Eine Änderung der Diagnose kann auf einem Vergleich von Dokumenten in der Patientenakte vor und nach der Befundung in der digitalen Pathologie bestimmt werden (NLP für Freitext, ggf. auch ICD-10 Codes, falls diese vorliegen).
Eine manuelle Priorisierung des Pathologen über die Zeit kann verwendet werden, um den Algorithmus zu verfeinern, z.B. die Reihenfolge, in der der Pathologe die Fälle bearbeitet.
Prinzipiell können alle für einen Patienten verfügbare Datensätze herangezogen werden, um die einzelnen Fälle zu priorisieren.
Relevante Eingangsparameter, d.h. Eingangswerte, für eine Priorisierung können durch einen oder eine Kombination der folgenden Verfahren gefunden werden:

Grundsätzlich können alle strukturierten Daten eines Patienten (Alter, Geschlecht, Gewicht, ICD-Codes, sonstige Falldaten) ohne weitere Vorverarbeitung verwendet werden.

Eine maschinelle Verarbeitung natürlicher Sprache (engl. Natural Language Processing, NLP) von zu dem Fall und/oder Patienten gehörenden (unstrukturierten) Schriftdokumenten, wie z.B. Reports, Arztbriefen und Protokollen von Fallkonferenzen, wie z.B. Tumorboards. Hierbei können mittels NLP insbesondere (Verdachts-)Diagnosen ermittelt werden, und vorteilhafterweise festgestellt werden, ob eine anstehende Befundung in Zusammenhang mit mindestens einer dieser Diagnosen steht. Insbesondere kann dann von der Zeitkritikalität der Diagnose auf eine Priorität der Befundung geschlossen werden.
Vorhandene radiologische Bilder (CT, MRI, PET /SPECT, insbesondere der von der Biopsie betroffenen Körperregion) können mittels Algorithmen zur Bildauswertung der Radiologiebilder vorverarbeitet werden, insbesondere mittels Algorithmen basierend auf maschinellem Lernen. Insbesondere können mit diesen Algorithmen Eigenschaften von Gewebe oder Strukturen analysiert und klassifiziert werden.
Vorteilhafterweise kann für einen solchen Algorithmus auch ein zusätzlich ausgegebener Konfidenzwert herangezogen werden. Dieser Konfidenzwert entspricht der Sicherheit, mit der ein Ausgabewert des Algorithmus tatsächlich der Realität entspricht. Es können insbesondere Befundungen höher priorisiert werden, bei denen einen niedrige Konfidenz bezüglich der radiologischen Bilder vorliegt (also eine hohe Unsicherheit, die mittels der Pathologie reduziert werden kann).
Eine automatisierte Analyse der wahrscheinlichen Notwendigkeit von weiteren Färbungen und/oder Molekularpathologie und/oder Notwendigkeit von weiteren Untersuchungen zur Bestätigung der finalen Diagnose. Die endgültige Entscheidung über weitere Färbungen wird vom Pathologen getroffen, für die Priorisierung kann der Parameter dennoch relevant sein.
Der Pathologe bekommt automatisch eine priorisierte Fallliste vorgeschlagen, in die er bei Bedarf manuell eingreifen kann. Warum ein Fall priorisiert wurde, kann, wo möglich, visualisiert werden. Möglich ist dies, wenn die Parameter, die zur Priorisierung geführt haben, bekannt sind. Für die anderen Fälle kann ein Wahrscheinlichkeitsparameter dargestellt werden, der vorhersagt, wie wahrscheinlich ein Fall priorisiert werden muss.
Die Fälle können in einer Liste von hoher bis niedriger Priorität angezeigt werden. Besonders kritische Fälle können zusätzlich durch ein Symbol/Farbe etc. hervorgehoben werden. Insbesondere kann dem Pathologen dargestellt werden, wann ein Tumorboard betreffend den jeweiligen Fall stattfindet, wenn dies feststeht.
Es werden nicht nur Informationen aus der Pathologie verwendet, sondern alle oder eine Auswahl der verfügbaren Daten zu dem Fall, was es wahrscheinlicher macht, dass die richtigen Fälle priorisiert werden. Dringende Diagnosen können so im Schnitt schneller beim überweisenden Arzt ankommen. Da der Pathologiebefund oft das Bottleneck am Ende der Befundungskette darstellt, können Patienten so schneller die für sie zeitlich kritische Therapie erhalten, wodurch die Prognosen der Patienten besser werden können. Fallkonferenzen können ihre Entscheidungen öfter basierend auf den notwendigen Befunddaten fällen. Verwendung von Bilddaten können sicherstellen, dass auch solche Daten, die der Radiologie für die Priorisierung vermeintlich als nicht relevant einstuft, bei der Priorisierung der Fälle in der Pathologie berücksichtigt werden.
2 zeigt ein Flussdiagramm mit Schritten zum Bereitstellen von trainierten Funktionen zum Bestimmen einer Priorität für einen medizinischen Fall, gemäß einigen Ausführungsbeispielen.
Das Verfahren beginnt in Schritt T10. In Schritt T20 ein Trainingsdatensatz mindestens eines medizinischen Trainingsfalls empfangen, weiter wird eine für den mindestens einen medizinischen Trainingsfall bekannte Priorität, zum Beispiel einer Bearbeitung des medizinischen Trainingsfalls, empfangen. In Schritt T30 werden trainierbaren Funktionen auf den Trainingsdatensatz angewendet, wobei durch Anwenden der trainierbaren Funktionen auf den Trainingsdatensatz eine Priorität für den medizinischen Trainingsfall bestimmt wird. In Schritt T40 wird die für den medizinischen Trainingsfall bestimmte Priorität mit der bekannten Trainingspriorität verglichen. Basierend auf dem Vergleichen Schritt T50 mindestens einen Parameter, welcher in den trainierbaren Funktionen enthalten ist, angepasst, in anderen Worten die trainierbaren Funktionen werden basierend auf dem Trainingsdatensatz und der Trainingspriorität trainiert. Das Verfahren endet in Schritt T60.
Die beschriebenen Techniken haben somit die Wirkung, dass Ressourcen eines technisches System effizienter ausgelastet werden, d.h. Ressourcen eines technischen Systems können zeitlich genauer verteilt werden, indem durch ein Verwenden von technischen Parametern und/oder Ausgabewerten und/oder Signalwerten und/oder Messwerten mindestens eines weiteren technischen Systems einer unterschiedlichen medizinischen Disziplin, d.h. aus einem anderen medizinischen Fachbereich, ein (fortlaufendes) Bestimmen/Auswählen von Fällen zur Bearbeitung ermöglicht wird, beispielsweise in einer Art, dass zu keinem späteren Zeitpunkt ein Engpass einer Ressource eines zu verwendenden medizinischen Systems auftritt, wobei eine Einplanung von Fällen entsprechend ihrer Dringlichkeit gewährleistet ist, so dass das entsprechende technische System mit weniger Ressourcen die anstehenden Bearbeitungen termingerecht und kostengünstig erfüllen kann.
3 zeigt schematisch eine Vorrichtung 10, mit dem ein erfindungsgemäßes Verfahren durchgeführt werden kann, gemäß einigen Ausführungsbeispielen.
Die Vorrichtung 10 umfasst eine Recheneinheit 30, eine Speichereinheit 40, eine Schnittstelleneinheit 20, wobei die Speichereinheit 40 von der Recheneinheit 30 ausführbare Befehle speichert, und wobei die Vorrichtung 10 ausgebildet ist, bei der Ausführung der Befehle in der Recheneinheit 30 die folgenden Schritte eines Verfahrens gemäß der vorliegenden Offenbarung auszuführen.
Unter einer Recheneinheit, oder Prozessor, kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrokontroller, beispielsweise eine anwendungsspezifische integrierte Schaltung oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, etc. handeln. Bei einem Prozessor kann es sich beispielsweise auch um einen IC (integrierter Schaltkreis, engl. Integrated Circuit), insbesondere einen FPGA (engl. Field Programmable Gate Array) oder einen ASIC (anwendungsspezifische integrierte Schaltung, engl. Application-Specific Integrated Circuit), oder einen DSP (Digitaler Signalprozessor, engl. Digital Signal Processor) oder einen Grafikprozessor GPU (Graphic Processing Unit) handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor, eine virtuelle Maschine oder eine Soft-CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit Konfigurationsschritten zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet wird oder mit Konfigurationsschritten derart konfiguriert ist, dass der programmierbare Prozessor die erfindungsgemäßen Merkmale des Verfahrens, der Komponente, der Module, oder anderer Aspekte und/oder Teilaspekte der Erfindung realisiert.
Unter einem Speicher, einer Speichereinheit oder Speichermodul und dergleichen kann im Zusammenhang mit der Erfindung beispielsweise ein flüchtiger Speicher in Form von Arbeitsspeicher (engl. Random-Access Memory, RAM) oder ein dauerhafter Speicher wie eine Festplatte oder ein Datenträger verstanden werden.
Im Allgemeinen sehen Beispiele der vorliegenden Offenbarung eine Vielzahl von Schaltungen, Datenspeichern, Schnittstellen oder elektrische Verarbeitungsvorrichtungen z.B. Prozessoren vor. Alle Verweise auf diese Einheiten und andere elektrische Geräte sowie die von ihnen bereitgestellte Funktionen sind nicht auf das beschränkt, was veranschaulicht und beschrieben wird. Während den verschiedenen Schaltkreisen oder anderen offenbarten elektrischen Geräten bestimmte Bezeichnungen zugeordnet werden können, sind diese Bezeichnungen nicht dazu bestimmt, den Funktionsumfang der Schaltkreise und der anderen elektrischen Geräte einzuschränken. Diese Schaltkreise und andere elektrische Geräte können je nach der gewünschten Art der elektrischen Ausführung miteinander kombiniert und/oder voneinander getrennt werden. Es ist zu verstehen, dass jede offenbarte Schaltung oder andere elektrische Vorrichtung eine beliebige Anzahl von Mikrocontrollern, Grafikprozessoreinheiten (GPU), integrierte Schaltungen, Speichervorrichtungen, z.B. FLASH, Arbeitsspeicher(RAM), Read Only Memory (ROM), elektrisch programmierbarer Read Only Memory (EPROM), elektrisch löschbarer programmierbarer Read Only Memory (EEPROM), oder beliebige andere geeignete Ausführungsformen derselben umfassen können, sowie Software, welche miteinander zusammenarbeiten, um die hierin offenbarten Verfahrensschritte durchzuführen. Darüber hinaus kann jede der elektrischen Vorrichtungen konfiguriert sein, um Programmcode auszuführen, der in einem elektronisch lesbaren Datenträger enthalten ist, und der konfiguriert ist, um eine beliebige Anzahl von Schritten gemäß der Verfahren der vorliegenden Offenbarung auszuführen.
Aus dem oben Gesagten lassen sich einige allgemeine Schlussfolgerungen ziehen:

Die Verfahren können vorzugsweise rechnergestützt, d.h. computerimplementiert und/oder automatisiert, realisiert sein.

Eine Anwendung trainierter Funktionen kann von einem neuronalen Netz durchgeführt werden, das eine Vielzahl von Klassifizierungsfunktionen umfassen kann. In verschiedenen Beispielen können die trainierten Funktionen einen oder mehrere bekannte Klassifizierer für maschinelles Lernen umfassen. Ohne Einschränkung können die trainierten Funktionen z.B. auf einer oder mehreren einer Support-Vektor-Maschine, einem Entscheidungsbaum und/oder einem Bayesschen Netzwerk, k-Mittel-Clustering, Q-Learning, genetischen Algorithmen und/oder Assoziationsregeln basieren. Ein neuronales Netz kann beispielsweise ein Deep Neural Network, ein Convolutional Neural Network oder ein Convolutional Deep Neural Network, ein Adversarial Network, ein Deep Adversarial Network und/oder ein generatives Adversarial Network oder eine modellbasierte maschinenlernende Netzwerkarchitektur sein.
Eine KI-Engine oder ein Rechenmodul in einem medizinischen System kann konfiguriert sein um eines der beschriebenen Verfahren durchzuführen, und kann mindestens eine in der Technik bekannte maschinelle Lernfunktion oder Klassifizierer, wie z.B. SVM und/oder ein neuronales Netz verwenden. In verschiedenen Beispielen verwendet die KI-Engine eine Vielzahl von maschinellen Lernfunktionen, z.B. sieben oder mehr maschinelle Lernfunktionen in einer geschichteten Netzwerkarchitektur.
Zur Verarbeitung der Parameter können beispielsweise neuronale Netze und Support-Vektor-Maschinen eingesetzt werden. Zur Analyse der Sensordaten können beispielsweise Sequenzqualifizierungsalgorithmen wie LSTM eingesetzt werden. In Bezug auf das Bestimmen des SOH kann die Anwendung trainierter Funktionen auf Parameter und/oder Sensorrohdaten, d.h. Messdaten des Ladeprozesses, die Anwendung mindestens eines Klassifizierungsalgorithmus auf die Eingabedaten umfassen, bei dem es sich um einen Klassifizierer für maschinelles Lernen handeln kann. Die trainierten Funktionen können beispielsweise um maschinell trainierten Klassifizierer umfassen, die in mehreren Schichten in einem neuronalen Netz auf einen Datensatz angewendet werden.
Trainierte Funktionen können einen trainierbaren Algorithmus oder ein trainierbares Modell umfassen, das auf die Parameter und/oder auf die Messdaten angewendet werden kann. Beispielsweise können trainierte Funktionen eine Vielzahl von Modellparametern umfassen, die definieren, wie die trainierten Funktionen auf die Parameter und Messdaten angewendet werden, und wie ein Alterungszustand aus den Parametern und/oder Messdaten bestimmt wird. Dabei können auf der Grundlage der Anwendung des trainierten Modells auf die Parameter und/oder Messdaten die Modellparameter angepasst, korrigiert oder geändert werden, so dass das reparametrierte Modell verwendet werden kann, um eine präzisere Priorisierung zu bestimmen.
Ein Prioritätswert des medizinischen Falls kann somit zur Priorisierung oder Selektion des medizinischen Falls herangezogen werden. Beispielsweise können die medizinischen Fälle basierend auf den Prioritätswerten in einen geordneten Datensatz geschrieben werden.
Der Datensatz kann Daten, Messdaten, und Parameter die aus dem Messdaten bestimmt wurden, umfassen, insbesondere können die Daten Live-Daten z.B. Live-Messdaten sein, welche kontinuierlich oder fortlaufend oder in Echtzeit, z.B. in regelmäßigen Abständen vor und/oder während und/oder nach dem Verfahren zur Bestimmung einer Priorität, gemessen werden. Im Allgemeinen können Parameter diskrete Werte zweier Zustände 0 oder 1, d.h. eine Flag, oder mehrere diskrete Werte, oder einen oder mehrere diskrete Werte aus einem kontinuierlichen Wertebereich umfassen.
In einigen Beispielen kann der Datensatz Daten von 2, oder 3, oder 4, oder 5 unterschiedliche medizinischen Fachbereichen enthalten. Fachbereiche können humanmedizinische, und/oder zahnmedizinischen, oder veterinärmedizinische Fachgebiete umfassen.
Ein Bestimmen einer Priorität kann im Allgemeinen ein Bestimmen eines Vergleichsparameters (Prioritätswert) zum Vergleichen mit einem anderen medizinischen Fall basierend auf dem Vergleichsparameters umfassen, entsprechend kann ein Fall basierend auf dem Vergleichsparameter aus einer Vielzahl von Fällen ausgewählt oder selektiert oder priorisiert werden. Ein Fall kann somit gegenüber einem zweiten Fall priorisiert werden, in anderen Worten kann eine Reihenfolge oder ein Bearbeitungszeitpunkt relativ zu einem zweiten Fall bestimmt werden, so dass ein Fall unter Verwenden des Vergleichswerts bearbeitet werden kann.
Ein Bereitstellen der Priorisierung eines medizinischen Falls kann ein Auflisten von Fällen einer der Priorisierung entsprechenden Reihenfolge umfassen.
Techniken entsprechen der vorliegenden Offenbarung können basierend auf einem Trigger durchgeführt werden, welcher manuell gesetzt werden kann, oder automatisiert gesetzt werden kann. Die Verfahren können beispielsweise zum Repriorisieren von zu bearbeiteten Fällen ausgelöst durch ein vorbestimmtes Ereignis in einem technischen System einer anderen medizinischen Disziplin, beispielsweise einem Messzeitpunkt von weiteren Daten in dem Datensatz, oder kann fortlaufend jeweils nach einem vorbestimmten Zeitintervall durchgeführt werden. Denkbar ist auch, dass ein entsprechendes Zeitintervall oder eine Zeitpunkt für die Durchführung basierend auf dem Datensatz dynamisch unter Verwenden eines trainierten Modells fortlaufend bestimmt wird.
Ein Bereitstellen der Priorisierung kann weiter ein Bereitstellen eines Konfidenzwerts zu einer Priorisierung umfassen.
Parameter können Zeitreihen von Parametern umfassen, d.h. mindestens ein Parameter in dem Datensatz kann eine mehrere Messwerte mit zugehörigen Zeitpunkten umfassen.
Für einen medizinischen Fall kann ein Datensatz in einer verteilten Datenbank gespeichert sein, welche in einem Kommunikationsnetzwerk der technischen Systeme unterschiedlicher medizinischer Fachbereiche realisiert ist.
Eine Priorisierung von einem oder mehreren Fällen kann regelmäßig nach einem vorbestimmten Zeitintervall erfolgen, oder kann für einen Fall dann durchgeführt werden, wenn ein der zugehörige Datensatz aktualisiert wurde. Somit kann fortlaufend eine aktualisierte Reihenfolge der zu bearbeiteten Fälle bestimm werden, welche eine aktuelle Datenlage, z.B. einen Notfall, repräsentieren kann.
Durch ein Priorisieren von einem oder mehreren medizinischen Fällen gegeneinander kann eine Reihenfolge von medizinischen Fällen zum Bearbeiten festgelegt sein.
In einigen Beispielen kann das Verfahren auf alle zu priorisierenden medizinischen Fälle angewendet werden, wobei beispielsweise paarweise eine Priorisierung zweier Fälle gegeneinander festgestellt werden kann. In anderen Beispielen kann das Verfahren nur auf einen Fall, einen neuen Fall oder einen Fall mit geändertem Datensatz angewendet werden, wobei ein geänderter Prioritätswert bestimmt werden kann. Basierend auf dem Prioritätswert kann eine Priorisierung oder Reihenfolge von medizinischen Fällen für eine Bearbeitung bestimmt sein, beispielsweise kann ein medizinischer Fall in einer bestehenden Reihenfolge von Fällen eingeordnet werden. Somit können Ressourcen des technischen Systems, welche eine zeitlich veränderliche Verfügbarkeit aufweisen können, effizienter verbraucht werden.
Das Anwenden von trainierten Funktionen auf einen Datensatz kann ein Ausgeben eines Prioritätswerts und eines zugehörigen Konfidenzwerts umfassen, wobei beide Werte durch ein Anwenden der trainierbaren Funktionen auf den Datensatz erzeugt werden, oder kann eine Bestimmen einer Priorität eines Falles aus einer Vielzahl von Fällen umfassen.
Der Datensatz kann als weitere Daten Parameter und/oder Untersuchungsergebnisse aus einer anderen medizinischen Disziplin umfassen. Vorzugsweise können beliebige oder alle Parameter/Daten mit einem Zeitwert versehen sein, z.B. einem Zeitstempel, welcher einen Zeitpunkt oder einen Zeitbereich angibt, zu welchem die Daten/Parameter bestimmt oder erfasst wurden.
In Bearbeiten des medizinischen Falles kann beispielsweise auch eine Fallbesprechung des medizinischen Falls umfassen.
Ein technisches System kann beispielsweise ein medizinisches System sein, welches zum Untersuchen einer Probe eines Patienten oder zum Erstellen eines Befundes benötigt wird.
Der Datensatz kann Patientendaten enthalten, welche einen Verlauf des medizinischen Fall charakterisieren, beispielsweise frühere Untersuchungen, Verlaufsdaten, d.h. Daten über einen Zeitverlauf eines Parameters, der sich zeitlich ändert, denkbar wären auch Daten bezüglich eines stationären Aufenthalts, z.B. Station/Intensivstation und ähnliche Lokalitätsdaten.
Ein Verfahren kann ein Bestimmen eines Prioritätswerts für jeden einer Vielzahl von medizinischen Fällen umfassen, wobei weiter einer der Fälle selektiert und/oder durch das technische System bearbeitet wird.
Die Verfahren kann weiter ein Anzeigen zumindest das priorisierten medizinischen Falls auf einer Anzeige umfassen wobei dem Benutzer die priorisierten Fälle entsprechend ihrer priorisierten Reihenfolge angezeigt werden, und wobei bei jedem Fall zusätzlich zumindest einer der Parameter, welche zu der Priorisierung des Falls geführt haben, und/oder ein Konfidenzwert für die Priorisierung, angezeigt wird.
Zusammenfassend werden Techniken zum Bearbeiten von medizinischen Fällen durch ein technisches System bereitgestellt, wobei der medizinische Fall in verschiedenen medizinischen Fachbereichen z.B. durch verschiedene technische Systeme bearbeitet wurde. Ein trainiertes Modell, das mit den Daten von bekannten medizinischen Fällen trainiert wurde, wird auf einen Datensatz angewendet, der einem medizinischen Fall zugeordnet ist. Der Datensatz umfasst die für den medizinischen Fall derzeit verfügbaren Daten, insbesondere Daten aus anderen medizinischen Fachgebieten. Durch das Anwenden des Modells kann automatisiert eine Priorität für das Bearbeiten des medizinischen Falls bestimmt werden, welche es ermöglicht in einem computergestützten Verfahren die Ressourcen des technischen Systems selektiv und zeitlich optimiert auf Fälle entsprechend ihrer Prioritäten zu verteilen. Dadurch können Ressourcenengpässe vermieden werden und das technische System kann mit geringeren Ressourcen ausgelegt werden. Entsprechend kann die Qualität und zeitliche Verfügbarkeit der Befundung durch ein medizinisches System und dadurch die Patientensicherheit verbessert werden.
Obwohl die Erfindung in Bezug auf bestimmte bevorzugte Ausführungsbeispiele gezeigt und beschrieben wurde, werden Äquivalente und Änderungen durch Fachleuten nach dem Lesen und Verstehen der Beschreibung vorgenommen. Die vorliegende Erfindung umfasst alle derartigen Äquivalente und Änderungen und ist nur durch den Umfang der beiliegenden Ansprüche begrenzt.

Claims

Computerimplementiertes Verfahren, umfassend die folgenden Schritte: - Empfangen eines Datensatzes, welcher einem medizinischen Fall zugeordnet ist; - Bestimmen einer Priorität für den medizinischen Fall unter Verwenden des Datensatzes, umfassend ein Anwenden von trainierten Funktionen auf den Datensatz, wobei die trainierten Funktionen mit Trainingsdatensätzen und zugehörigen bekannten Trainingsprioritäten trainiert wurden; und - Bereitstellen der Priorität für ein Bearbeiten des medizinischen Falls.
Computerimplementiertes Verfahren nach Anspruch 1, wobei der Datensatz dem medizinischen Fall zugeordnete Daten mindestens eines weiteren technischen Systems eines unterschiedlichen medizinischen Fachbereichs umfasst.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei der Datensatz die folgenden Parameter des medizinischen Falls umfasst: - ein Datum einer bevorstehenden Fallbesprechung, oder eine Zeitdauer bis zu einer bevorstehenden Fallbesprechung; - ein manuell bestimmter Parameter oder Kommentar eines zuweisenden Arztes; - einen Parameter, der definiert, ob der Zeitpunkt der Befundung relevant für eine Entscheidung einer Diagnose oder Therapie ist, wobei der Parameter durch ein Anwenden von trainierten Funktionen auf den Datensatz des medizinischen Falls bestimmt wird, wobei ein Trainingsdatensatz weiter eine Referenzinformation enthält, ob der Zeitpunkt der Befundung des Trainingsfalls kritisch für eine Entscheidung einer Diagnose oder Therapie war, insbesondere eine manuelle Annotation, ob der Trainingsfall hätte priorisiert werden sollen; - einen Parameter, der definiert, ob für den Patient ein zeitnahes Tumorboard oder Fallbesprechung entscheidend für den Erfolg einer Therapie relevant ist, wobei der Parameter durch ein Anwenden von trainierten Funktionen auf den Datensatz des medizinischen Falls bestimmt wird, wobei ein Trainingsdatensatz weiter eine Referenzinformation enthält, ob ein zeitnahes Tumorboard oder Fallbesprechung für den Trainingsfall entscheidend für den Erfolg einer Therapie war; - einen Parameter, der definiert, ob die Bearbeitung in Zusammenhang mit mindestens einer vorherig ermittelten (Verdachts-)Diagnose steht; - einen Wert einer Laboruntersuchung; - eine Vorerkrankung; - ein Pathologiebild einer Vorerkrankung; - allgemeine Patientendaten (z.B. Alter, Gewicht, ICD-Codes, Zustand z.B. mobil/bettlägerig, privat/gesetzlich versichert).
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei die trainierten Funktionen basierend auf einem Vergleichen einer vorhergehenden manuellen Änderung einer Priorität mit einer computerimplementiert bestimmten Priorität trainiert wurden.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei mindestens einer der Parameter ein Ausgabewert eines weiteren trainierbaren Modells ist, das auf einen Datensatz eines weiteren technischen System angewendet wurde, umfassend eines oder mehrere von: - einer auf einem trainierbaren Modell basierenden maschinellen Bildauswertung vorhandener Bilddaten des medizinischen Falls, insbesondere radiologische Bilder (CT, MRI, PET /SPECT, insbesondere der von der Biopsie betroffenen Körperregion); - einer auf einem trainierbaren Modell basierenden maschinellen Verarbeitung natürlicher Sprache von zu dem medizinischen Fall und/oder Patienten gehörenden Schriftdokumenten oder Sprachaufzeichnungen; und - einer auf einem trainierbaren Modell basierenden maschinellen Bestimmung einer wahrscheinlichen Notwendigkeit einer Folgeuntersuchung auf einem medizinischen System, oder eines Beginns oder einer Änderung einer Behandlung oder einer Therapie.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, weiter umfassend: - Anzeigen einer geordneten Liste umfassend den priorisierten Fall und weitere medizinische Fälle in einer Reihenfolge entsprechend der Priorisierung, optional zusätzlich ein Anzeigen mindestens eines Parameters zu dem priorisierten Fall, der zu der Priorisierung geführt hat, und/oder eines Wahrscheinlichkeitsparameters, der vorhersagt, wie wahrscheinlich der Fall priorisiert werden muss.
Computerimplementiertes Verfahren nach einem der vorhergehenden Ansprüche, wobei ein Bearbeiten des medizinischen Falles in der Pathologie durchgeführt wird, und der Datensatz Daten aus der Radiologie enthält.
Computerimplementiertes Verfahren für ein Bereitstellen von trainierten Funktionen zum Bestimmen einer Priorität eines medizinischen Falls, umfassend die folgenden Schritte: - Empfangen eines Trainingsdatensatzes mindestens eines medizinischen Trainingsfalls, und einer für den mindestens einen medizinischen Trainingsfall bekannten Trainingspriorität; - Anwenden von trainierbaren Funktionen auf den Trainingsdatensatz, wobei durch Anwenden der trainierbaren Funktionen auf den Trainingsdatensatz eine Priorität für den medizinischen Trainingsfall bestimmt wird; - Vergleichen der Priorität mit der bekannten Trainingspriorität; und - Anpassen mindestens eines Parameters in den trainierten Funktionen, basierend auf dem Vergleichen der Priorität mit der bekannten Trainingspriorität.
Vorrichtung (10), umfassend eine Recheneinheit (30), eine Speichereinheit (40), eine Schnittstelleneinheit (20), wobei die Speichereinheit (40) von der Recheneinheit (30) ausführbare Befehle speichert, und wobei die Vorrichtung (10) ausgebildet ist, bei der Ausführung der Befehle in der Recheneinheit (30) die folgenden Schritte auszuführen: - Empfangen eines Datensatzes, welcher einem medizinischen Fall, der durch ein medizinisches System bearbeitet werden soll, zugeordnet ist; - Bestimmen einer Priorität für den medizinischen Fall unter Verwenden des Datensatzes, umfassend ein Anwenden von trainierten Funktionen auf den Datensatz, wobei die trainierten Funktionen mit Trainingsdatensätzen und zugehörigen bekannten Trainingsprioritäten trainiert wurden; und - Bereitstellen der Priorität für ein Bearbeiten des medizinischen Falls.
Medizinisches System, umfassend mindestens eine Vorrichtung nach Anspruch 9.