DE102021123842A1 - Bewertung einer verringerung eines krankheitsrisikos und behandlungsentscheidung - Google Patents

Bewertung einer verringerung eines krankheitsrisikos und behandlungsentscheidung Download PDF

Info

Publication number
DE102021123842A1
DE102021123842A1 DE102021123842.0A DE102021123842A DE102021123842A1 DE 102021123842 A1 DE102021123842 A1 DE 102021123842A1 DE 102021123842 A DE102021123842 A DE 102021123842A DE 102021123842 A1 DE102021123842 A1 DE 102021123842A1
Authority
DE
Germany
Prior art keywords
intervention
patient
processors
risk
patient data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021123842.0A
Other languages
English (en)
Inventor
Jing Li
Jing Mei
Yi Qin Yu
Jian Wang
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of DE102021123842A1 publication Critical patent/DE102021123842A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Psychiatry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioethics (AREA)
  • Software Systems (AREA)
  • Social Psychology (AREA)
  • Fuzzy Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Urology & Nephrology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)

Abstract

Ein Verfahren, ein System und ein Computerprogrammprodukt können eine Verringerung eines Krankheitsrisikos bewerten. Es können Patientendaten eines Patienten empfangen werden. Es kann eine Auswahl eines Krankheitsverlaufs empfangen werden. Es kann ein Risikowert dafür ermittelt werden, dass für den Patienten der ausgewählte Krankheitsverlauf eintritt. Das Ermitteln kann unter Verwendung der Patientendaten erfolgen. Auf Grundlage der Patientendaten und durch Zugriff auf eine Krankenakten-Datenstruktur können Interventionsoptionen erzeugt werden. Für jede der Interventionsoptionen kann ein Interventionseffekt ermittelt werden. Der Interventionseffekt kann den Risikowert verändern. Die Interventionseffekte können verglichen werden. Auf Grundlage des Vergleichens der Interventionseffekte kann eine Empfehlung für mindestens eine der Interventionsoptionen gegeben werden.

Description

  • HINTERGRUND
  • Die vorliegende Erfindung betrifft die Bewertung eines Krankheitsrisikos und insbesondere ein Verfahren, ein System und ein durch einen Computer lesbares Medium zum Bewerten einer Verringerung eines Krankheitsrisikos von Patienten.
  • Heutzutage sind chronische Krankheiten weltweit die Hauptursache für Todesfälle und Behinderungen. Bis 2020 werden chronische Krankheiten voraussichtlich bis zu 73 % aller Todesfälle und 60 % der weltweiten Krankheitslast verursachen. Zu Beispielen für schwere chronische Krankheiten zählen Diabetes, Bluthochdruck, Hyperlipidämie, chronisch obstruktive Lungenerkrankung (COPD) sowie kardiovaskuläre und zerebrovaskuläre Erkrankungen. Daher sind Prävention und Intervention bei chronischen Krankheiten wichtig.
  • KURZDARSTELLUNG
  • Gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung können ein Verfahren, ein Computersystem und ein Computerprogrammprodukt eine Verringerung eines Krankheitsrisikos bewerten. Es können Patientendaten eines Patienten empfangen werden. Es kann eine Auswahl eines Krankheitsverlaufs empfangen werden. Es kann ein Risikowert dafür ermittelt werden, dass für den Patienten der ausgewählte Krankheitsverlauf eintritt. Das Ermitteln kann unter Verwendung der Patientendaten erfolgen. Auf Grundlage der Patientendaten und durch Zugriff auf eine Krankenakten-Datenstruktur können Interventionsoptionen erzeugt werden. Für jede der Interventionsoptionen kann ein Interventionseffekt ermittelt werden. Der Interventionseffekt kann den Risikowert verändern. Die Interventionseffekte können verglichen werden. Auf Grundlage des Vergleichs der Interventionseffekte kann eine Empfehlung für mindestens eine der Interventionsoptionen gegeben werden.
  • Gemäß einer weiteren beispielhaften Ausführungsform der vorliegenden Erfindung können ein Verfahren, ein Computersystem und ein Computerprogrammprodukt auch eine Verringerung eines Krankheitsrisikos bewerten. Es können Patientendaten eines Patienten empfangen werden. Es kann eine Auswahl eines Krankheitsresultats empfangen werden. Es kann ein Risikowert dafür ermittelt werden, dass für den Patienten der ausgewählte Krankheitsverlauf eintritt. Das Ermitteln kann unter Verwendung der Patientendaten erfolgen. Auf Grundlage der Patientendaten und durch Zugriff auf eine Krankenakten-Datenstruktur können Interventionsoptionen erzeugt werden. Die Interventionsoptionen können einzelne Interventionsoptionen und mindestens eine Kombination aus Interventionsoptionen umfassen. Es kann ein von jeder der Interventionsoptionen erreichter verringerter Risikowert ermittelt werden. Die verringerten Risikowerte können verglichen werden. Auf Grundlage des Vergleichs der verringerten Risikowerte kann eine Empfehlung für mindestens eine der Interventionsoptionen gegeben werden.
  • Figurenliste
  • Durch die ausführlichere Beschreibung einiger Ausführungsformen der vorliegenden Offenbarung in den beiliegenden Zeichnungen werden die vorstehend genannten und andere Aufgaben, Merkmale und Vorteile der vorliegenden Offenbarung deutlicher. Gleiche Bezugszeichen beziehen sich in den verschiedenen Ausführungsformen der vorliegenden Offenbarung grundsätzlich auf gleiche Komponenten.
    • 1 zeigt einen Cloud-Computing-Knoten gemäß einer Ausführungsform der vorliegenden Erfindung.
    • 2 zeigt eine Cloud-Computing-Umgebung gemäß einer Ausführungsform der vorliegenden Erfindung.
    • 3 zeigt Abstraktionsmodellschichten gemäß einer Ausführungsform der vorliegenden Erfindung.
    • 4 ist ein Flussdiagramm, das ein beispielhaftes Verfahren zur Bewertung einer Verringerung eines Krankheitsrisikos gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt.
    • 5 zeigt ein Beispiel eines Patientendaten-Knotendiagramms gemäß einer Ausführungsform der Offenbarung.
    • 6 zeigt ein Beispiel eines Krankheitsverlaufs-Beziehungsdiagramms gemäß einer Ausführungsform der Offenbarung.
    • 7 zeigt ein Beispiel für einen Interventionsbaum, der Beziehungen zwischen Interventionsmaßnahmen veranschaulicht, gemäß einer Ausführungsform der Offenbarung.
    • 8 zeigt einen gegenüber dem in 7 gezeigten Interventionsbaum modifizierten Interventionsbaum.
    • 9A zeigt ein Beispiel für eine Krankenakten-Datenstruktur gemäß einer Ausführungsform der Offenbarung.
    • 9B zeigt eine gegenüber der in 9A gezeigten Krankenakten-Datenstruktur modifizierte Krankenakten-Datenstruktur.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Vorliegend werden ausführliche Ausführungsformen der beanspruchten Strukturen und Verfahren offenbart; es versteht sich jedoch von selbst, dass die offenbarten Ausführungsformen lediglich zur Veranschaulichung der beanspruchten Strukturen und Verfahren dienen, die in verschiedenen Formen ausgeführt sein können. Die Erfindung kann jedoch in vielen verschiedenen Formen ausgeführt sein und sollte nicht als auf die hier dargelegten beispielhaften Ausführungsformen beschränkt angesehen werden. Vielmehr werden diese beispielhaften Ausführungsformen angegeben, damit diese Offenbarung gründlich und vollständig ist und dem Fachmann den Umfang der Erfindung vollständig vermittelt. In der Beschreibung können Einzelheiten bekannter Merkmale und Methoden unerwähnt bleiben, um die vorgestellten Ausführungsformen klarer herauszustellen.
  • Es sei klargestellt, dass das Umsetzen der hierin angeführten Lehren nicht auf eine Cloud-Computing-Umgebung beschränkt ist, auch wenn diese Offenbarung eine ausführliche Beschreibung von Cloud-Computing enthält. Stattdessen können Ausführungsformen der vorliegenden Erfindung gemeinsam mit jeder beliebigen Art von jetzt bekannter oder später erfundener Datenverarbeitungsumgebung implementiert werden.
  • Cloud-Computing ist ein Dienstbereitstellungsmodell zum Ermöglichen eines problemlosen bedarfsgesteuerten Netzwerkzugriffs auf einen gemeinsam genutzten Pool von konfigurierbaren Datenverarbeitungsressourcen (z.B. Netzwerke, Netzwerkbandbreite, Server, Verarbeitung, Hauptspeicher, Speicher, Anwendungen, virtuelle Maschinen und Dienste), die mit minimalem Verwaltungsaufwand bzw. minimaler Interaktion mit einem Anbieter des Dienstes schnell bereitgestellt und freigegeben werden können. Dieses Cloud-Modell kann mindestens fünf Eigenschaften enthalten, mindestens drei Dienstmodelle und mindestens vier Implementierungsmodelle.
  • Bei den Eigenschaften handelt es sich um die Folgenden:
    • On-Demand Self-Service: Ein Cloud-Nutzer kann einseitig automatisch nach Bedarf für Datenverarbeitungsfunktionen wie Serverzeit und Netzwerkspeicher sorgen, ohne dass eine menschliche Interaktion mit dem Anbieter des Dienstes erforderlich ist.
  • Broad Network Access: Es sind Funktionen über ein Netzwerk verfügbar, auf die durch Standardmechanismen zugegriffen wird, welche die Verwendung durch heterogene Thin- oder Thick-Client-Plattformen (z.B. Mobiltelefone, Laptops und PDAs) unterstützen.
  • Resource-Pooling: Die Datenverarbeitungsressourcen des Anbieters werden zusammengeschlossen, um mehreren Nutzern unter Verwendung eines Multi-Tenant-Modells zu dienen, wobei verschiedene physische und virtuelle Ressourcen dynamisch nach Bedarf zugewiesen und neu zugewiesen werden. Es gibt eine gefühlte Standortunabhängigkeit, da der Nutzer allgemein keine Kontrolle bzw. Kenntnis über den genauen Standort der bereitgestellten Ressourcen hat, aber in der Lage sein kann, einen Standort auf einer höheren Abstraktionsebene festzulegen (z.B. Land, Staat oder Rechenzentrum).
  • Rapid Elasticity: Funktionen können für eine schnelle horizontale Skalierung (scale out) schnell und elastisch bereitgestellt werden, in einigen Fällen auch automatisch, und für ein schnelles Scale-in schnell freigegeben werden. Für den Nutzer erscheinen die für das Bereitstellen verfügbaren Funktionen häufig unbegrenzt und sie können jederzeit in jeder beliebigen Menge gekauft werden.
  • Measured Service: Cloud-Systeme steuern und optimieren die Verwendung von Ressourcen automatisch, indem sie eine Messfunktion auf einer gewissen Abstraktionsebene nutzen, die für die Art von Dienst geeignet ist (z.B. Speicher, Verarbeitung, Bandbreite sowie aktive Benutzerkonten). Die Inanspruchnahme von Ressourcen kann überwacht, gesteuert und gemeldet werden, wodurch sowohl für den Anbieter als auch für den Nutzer des verwendeten Dienstes Transparenz geschaffen wird.
  • Bei den Dienstmodellen handelt es sich um die Folgenden:
    • Software as a Service (SaaS): Die dem Nutzer bereitgestellte Funktion besteht darin, die in einer Cloud-Infrastruktur laufenden Anwendungen des Anbieters zu verwenden. Die Anwendungen sind über eine Thin-Client-Schnittstelle wie einen Web-Browser (z.B. auf dem Web beruhende E-Mail) von verschiedenen Client-Einheiten her zugänglich. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, darunter das Netzwerk, Server, Betriebssysteme, Speicher bzw. sogar einzelne Anwendungsfunktionen, mit der möglichen Ausnahme von eingeschränkten benutzerspezifischen Anwendungskonfigurationseinstellungen.
  • Platform as a Service (PaaS): Die dem Nutzer bereitgestellte Funktion besteht darin, durch einen Nutzer erstellte bzw. erhaltene Anwendungen, die unter Verwendung von durch den Anbieter unterstützten Programmiersprachen und Tools erstellt wurden, in der Cloud-Infrastruktur einzusetzen. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, darunter Netzwerke, Server, Betriebssysteme bzw. Speicher, hat aber die Kontrolle über die eingesetzten Anwendungen und möglicherweise über Konfigurationen des Application Hosting Environment.
  • Infrastructure as a Service (laaS): Die dem Nutzer bereitgestellte Funktion besteht darin, das Verarbeiten, Speicher, Netzwerke und andere grundlegende Datenverarbeitungsressourcen bereitzustellen, wobei der Nutzer in der Lage ist, beliebige Software einzusetzen und auszuführen, zu der Betriebssysteme und Anwendungen gehören können. Der Nutzer verwaltet bzw. steuert die zugrunde liegende Cloud-Infrastruktur nicht, hat aber die Kontrolle über Betriebssysteme, Speicher, eingesetzte Anwendungen und möglicherweise eine eingeschränkte Kontrolle über ausgewählte Netzwerkkomponenten (z.B. Host-Firewalls).
  • Bei den Einsatzmodellen handelt es sich um die Folgenden:
    • Private Cloud: Die Cloud-Infrastruktur wird einzig und allein für eine Organisation betrieben. Sie kann durch die Organisation oder einen Dritten verwaltet werden und kann sich in den eigenen Räumen oder in fremden Räumen befinden.
  • Community Cloud: Die Cloud-Infrastruktur wird von mehreren Organisationen gemeinsam genutzt und unterstützt eine spezielle Benutzergemeinschaft, die gemeinsame Angelegenheiten hat (z.B. Mission, Sicherheitsanforderungen, Richtlinien sowie Überlegungen bezüglich der Einhaltung von Vorschriften). Sie kann durch die Organisationen oder einen Dritten verwaltet werden und kann in den eigenen Räumen oder fremden Räumen stehen.
  • Public Cloud: Die Cloud-Infrastruktur wird der allgemeinen Öffentlichkeit oder einer großen Industriegruppe zur Verfügung gestellt und sie gehört einer Cloud-Dienste verkaufenden Organisation.
  • Hybrid Cloud: Die Cloud-Infrastruktur ist eine Zusammensetzung aus zwei oder mehreren Clouds (privat, Benutzergemeinschaft oder öffentlich), die zwar einzelne Einheiten bleiben, aber durch eine standardisierte oder proprietäre Technologie miteinander verbunden sind, die Daten- und Anwendungsportierbarkeit ermöglicht (z.B. Cloud-Zielgruppenverteilung für den Lastenausgleich zwischen Clouds).
  • Eine Cloud-Computing-Umgebung ist dienstorientiert mit Fokus auf Statusunabhängigkeit, geringer Kopplung, Modularität und semantischer Interoperabilität. Im Herzen von Cloud-Computing liegt eine Infrastruktur, die ein Netzwerk aus zusammengeschalteten Knoten aufweist.
  • In 1 ist ein Blockschaltbild eines Beispiels eines Cloud-Computing-Knotens gezeigt. Bei dem Cloud-Computing-Knoten 10 handelt es sich lediglich um ein Beispiel eines geeigneten Cloud-Computing-Knotens, und dieses soll in keiner Weise eine Eingrenzung bezüglich des Verwendungs- oder Funktionalitätsumfangs von Ausführungsformen der hier beschriebenen Erfindung andeuten. Unabhängig davon kann der Cloud-Computing-Knoten 10 mit jedweder vorstehend angegebenen Funktionalität realisiert werden und/oder diese ausführen.
  • Der Cloud-Computing-Knoten 10 umfasst ein Computersystem/einen Server 12 oder eine tragbare elektronische Einheit wie beispielsweise eine Datenübertragungseinheit, die mit zahlreichen anderen Allzweck- oder Spezial-Datenverarbeitungssystemumgebungen oder-konfigurationen betrieben werden kann. Zu Beispielen bekannter Datenverarbeitungssysteme, -umgebungen und/oder
    -konfigurationen, die sich für die Verwendung mit dem Computersystem/dem Server 12 eignen können, zählen, ohne hierauf beschränkt zu sein, Personal-Computer-Systeme, Servercomputersysteme, Thin Clients, Thick Clients, tragbare oder Laptop-Einheiten, Multiprozessorsysteme, Systeme aus Mikroprozessoren, Set-Top-Boxen, programmierbare Consumer-Elektronik, Netzwerk-PCs, Minicomputer-Systeme, Großrechnersysteme und verteilte Cloud-Computing-Umgebungen, die jedwede der vorstehend genannten Systeme oder Einheiten umfassen, und dergleichen.
  • Das Computersystem/der Server 12 kann im allgemeinen Kontext durch ein Computersystem ausführbarer Anweisungen beschrieben werden, beispielsweise Programmmodule, die durch ein Computersystem ausgeführt werden. Allgemein können Programmmodule Routinen, Programme, Objekte, Komponenten, Logik, Datenstrukturen und so weiter enthalten, die bestimmte Aufgaben erfüllen oder bestimmte abstrakte Datentypen implementieren. Das Computersystem/der Server 12 kann in verteilten Cloud-Computing-Umgebungen betrieben werden, in denen Aufgaben durch entfernt angeordnete Verarbeitungseinheiten ausgeführt werden, die durch ein Datenübertragungsnetzwerk verbunden sind. In einer verteilten Cloud-Computing-Umgebung können sich Programmmodule sowohl in lokalen als auch in entfernt angeordneten Speichermedien des Computersystems einschließlich Kurzzeit-Speichereinheiten befinden.
  • Wie in 1 gezeigt, wird das Computersystem/der Server 12 in dem Cloud-Computing-Knoten 10 in Form einer Universal-Datenverarbeitungseinheit gezeigt. Zu den Komponenten des Computersystems/Servers 12 können, ohne auf diese beschränkt zu sein, ein oder mehrere Prozessoren oder Verarbeitungseinheiten 16, ein Systemspeicher 28 und ein Bus 18 zählen, der verschiedene Systemkomponenten einschließlich des Systemspeichers 28 mit dem Prozessor 16 verbindet.
  • Der Bus 18 stellt eine oder mehrere von verschiedenen Arten von Bus-Strukturen dar, darunter ein Speicherbus oder eine Speichersteuereinheit, ein Peripherie-Bus, ein AGP-Bus und ein Prozessor- oder lokaler Bus, der jedwede einer Vielfalt von Busarchitekturen verwendet. Als nicht einschränkende Beispiele gehören zu solchen Architekturen ein ISA-(Industry-Standard-Architecture-) Bus, ein Mikrokanal- (Micro-Channel-Architecture, MCA-) Bus, ein EISA- (Enhanced-ISA-) Bus, VESA- (Video-Electronics-Standards-Association-) Localbus und ein PCI- (Peripheral-Component-Interconnect-) Bus.
  • Das Computersystem/der Server 12 umfasst üblicherweise eine Vielfalt durch ein Computersystem lesbarer Medien. Bei solchen Medien kann es sich um jedwedes verfügbare Medium handeln, auf das von dem Computersystem/Server 12 zugegriffen werden kann, und hierzu können sowohl flüchtige als auch nichtflüchtige Medien, auswechselbare sowie nichtauswechselbare Medien zählen.
  • Der Systemspeicher 28 kann durch ein Computersystem lesbare Medien in Form eines flüchtigen Speichers wie beispielsweise Arbeitsspeicher (RAM) 30 und/oder Cache 32 umfassen. Das Computersystem/der Server 12 kann ferner weitere auswechselbare/nichtauswechselbare, flüchtige/nichtflüchtige Speichermedien des Computersystems umfassen. Lediglich beispielhaft kann das Speichersystem 34 zum Lesen von einem sowie Schreiben auf ein nichtentfernbares nichtflüchtiges magnetisches Medium (nicht gezeigt und üblicherweise als „Festplattenspeicher“ bezeichnet) bereitgestellt sein. Auch wenn dies nicht gezeigt ist, können ein Magnetplattenlaufwerk zum Lesen von einer und Schreiben auf eine auswechselbare, nichtflüchtige Magnetplatte (z.B. eine „Floppy Disk“) und ein optisches Plattenlaufwerk zum Lesen von einer oder Schreiben auf eine auswechselbare, nichtflüchtige optische Platte wie beispielsweise einen CD-ROM, DVD-ROM oder andere optische Medien bereitgestellt sein. In solchen Fällen kann jedes der Genannten über eine oder mehrere Daten-Medien-Schnittstellen mit dem Bus 18 verbunden sein. Wie nachstehend weiter dargestellt und beschrieben wird, kann der Systemspeicher 28 mindestens ein Programmprodukt mit einer Gruppe (z.B. mindestens einem) von Programmmodulen umfassen, die so konfiguriert sind, dass sie die Funktionen von Ausführungsformen der Erfindung ausführen.
  • Beispielhaft und nichteinschränkend kann im Systemspeicher 28 ein Programm/Dienstprogramm 40 mit einem Satz (mindestens einem) von Programmmodulen 42 gespeichert sein. Im Systemspeicher 28 können zudem ein Betriebssystem, ein oder mehrere Anwendungsprogramme, andere Programmmodule und Programmdaten gespeichert sein. Die Betriebssysteme, ein oder mehrere Anwendungsprogramme, andere Programmmodule und Programmdaten oder eine Kombination aus diesen können jeweils eine Implementierung einer Netzwerkumgebung beinhalten. Allgemein führen die Programmmodule 42 die Funktionen und/oder Methodiken aus Ausführungsformen der Erfindung wie hierin beschrieben aus.
  • Das Computersystem/der Server 12 kann zudem mit einer oder mehreren externen Einheiten 14 wie beispielsweise einer Tastatur, einer Zeigeeinheit, einer Anzeige 24 usw., einer oder mehreren Einheiten, die einem Nutzer eine Interaktion mit dem Computersystem/Server 12 ermöglichen, und/oder jedweden Einheiten (z.B. Netzwerkkarte, Modem usw.) in Datenaustausch stehen, die dem Computersystem/Server 12 einen Datenaustausch mit einer oder mehreren anderen Datenverarbeitungseinheiten ermöglichen. Ein solcher Datenaustausch kann über Ein/Ausgabe- (E/A-) Schnittstellen 22 erfolgen. Dennoch kann das Computersystem/der Server 12 über einen Netzwerkadapter 20 in Datenaustausch mit einem oder mehreren Netzwerken wie beispielsweise einem lokalen Netz (LAN), einem allgemeinen Weitverkehrsnetz (WAN) und/oder einem öffentlichen Netz (z.B. dem Internet) stehen. Wie dargestellt, tauscht der Netzwerkadapter 20 über den Bus 18 Daten mit den anderen Komponenten des Computersystems/Servers 12 aus. Es versteht sich von selbst, dass auch andere Hardware- und/oder Softwarekomponenten, die nicht dargestellt sind, in Verbindung mit dem Computersystem/Server 12 verwendet werden können. Zu Beispielen zählen, ohne auf diese beschränkt zu sein: Mikrocode, Gerätetreiber, redundante Prozessoren, externe Plattenlaufwerk-Arrays, RAID-Systeme, Bandlaufwerke und Speichersysteme zur Datenarchivierung usw.
  • 2 zeigt eine veranschaulichende Cloud-Computing-Umgebung 50. Wie gezeigt ist, weist die Cloud-Computing-Umgebung 50 einen oder mehrere Cloud-Computing-Knoten 10 auf, mit denen von Cloud-Nutzern verwendete lokale Datenverarbeitungseinheiten wie der elektronische Assistent (PDA, personal digital assistant) oder das Mobiltelefon 54A, der Desktop-Computer 54B, der Laptop-Computer 54C und/oder das Automobil-Computer-System 54N Daten austauschen können. Die Cloud-Computing-Knoten 10 können miteinander Daten austauschen. Sie können physisch oder virtuell in ein oder mehrere Netzwerke wie private, Benutzergemeinschafts-, öffentliche oder hybride Clouds gruppiert werden (nicht gezeigt), wie vorstehend beschrieben wurde, oder in eine Kombination daraus. Dies ermöglicht es der Cloud-Computing-Umgebung 50, Infrastruktur, Plattformen und/oder Software als Dienste anzubieten, für die ein Cloud-Nutzer keine Ressourcen auf einer lokalen Datenverarbeitungseinheit vorhalten muss. Es versteht sich, dass die in 2 gezeigten Arten von Datenverarbeitungseinheiten 54A bis N lediglich veranschaulichend sein sollen und dass die Datenverarbeitungsknoten 10 und die Cloud-Computing-Umgebung 50 über eine beliebige Art Netzwerk und/oder über eine beliebige Art von über ein Netzwerk aufrufbarer Verbindung (z.B. unter Verwendung eines Web-Browsers) mit einer beliebigen Art von computergestützter Einheit Daten austauschen können.
  • In 3 ist ein Satz funktionaler Abstraktionsschichten dargestellt, die von der in 2 gezeigten Cloud-Computing-Umgebung 50 bereitgestellt werden. Es sei vorab angemerkt, dass die in 3 gezeigten Komponenten, Schichten und Funktionen als lediglich veranschaulichend zu verstehen sind und Ausführungsformen der Erfindung hierauf nicht beschränkt sind. Wie abgebildet ist, werden die folgenden Schichten und entsprechenden Funktionen bereitgestellt:
  • Eine Hardware- und Software-Schicht 60 enthält Hardware- und SoftwareKomponenten. Zu Beispielen für Hardware-Komponenten gehören: Mainframe-Computer 61; auf der RISC- (Reduced Instruction Set Computer) Architektur beruhende Server 62; Server 63; Blade-Server 64; Speichereinheiten 65; und Netzwerke sowie Netzwerkkomponenten 66. In einigen Ausführungsformen umfassen SoftwareKomponenten eine Netzwerk-Anwendungsserver-Software 67 und eine Datenbank-Software 68.
  • Die Virtualisierungsschicht 70 stellt eine Abstraktionsschicht bereit, aus der die folgenden Beispiele für virtuelle Einheiten bereitgestellt werden können: virtuelle Server 71, virtueller Speicher 72, virtuelle Netzwerke 73, darunter virtuelle private Netzwerke, virtuelle Anwendungen und Betriebssysteme 74; und virtuelle Clients 75.
  • In einem Beispiel kann die Verwaltungsschicht 80 die nachstehend beschriebenen Funktionen bereitstellen. Eine Ressourcen-Bereitstellung 81 stellt die dynamische Beschaffung von Datenverarbeitungsressourcen sowie anderen Ressourcen bereit, die zum Durchführen von Aufgaben innerhalb der Cloud-Computing-Umgebung verwendet werden. Ein Messen und eine Preisfindung 82 stellen die Kostenverfolgung beim Verwenden von Ressourcen innerhalb der Cloud-Computing-Umgebung sowie die Abrechnung oder Rechnungsstellung für den Verbrauch dieser Ressourcen bereit. In einem Beispiel können diese Ressourcen Anwendungs-Software-Lizenzen aufweisen. Die Sicherheit stellt die Identitätsüberprüfung für Cloud-Kunden und Aufgaben sowie Schutz für Daten und andere Ressourcen bereit. Ein Benutzerportal 83 stellt Nutzern und Systemadministratoren den Zugang zu der Cloud-Computing-Umgebung bereit. Eine Verwaltung des Dienstumfangs 84 stellt die Zuordnung und Verwaltung von Cloud-Computing-Ressourcen bereit, so dass die benötigten Dienstziele erreicht werden. Ein Planen und Erfüllen von Vereinbarungen zum Dienstumfang (SLA, Service Level Agreement) 85 stellt die Anordnung vorab und die Beschaffung von Cloud-Computing-Ressourcen, für die eine zukünftige Anforderung vorausgesehen wird, gemäß einem SLA bereit.
  • Eine Workload-Schicht 90 stellt Beispiele für die Funktionalität bereit, für welche die Cloud-Computing-Umgebung verwendet werden kann. Zu Beispielen für Workloads und Funktionen, die von dieser Schicht bereitgestellt werden können, gehören: Abbildung und Navigation 91; Software-Entwicklung und Lebenszyklusverwaltung 92; Bereitstellung von Ausbildung in virtuellen Klassenzimmern 93; Datenanalytikverarbeitung 94; Transaktionsverarbeitung 95; und Bewertung einer Verringerung eines Krankheitsrisikos 96.
  • Bei einer normalen Risikobewertung chronischer Krankheiten werden Patientendaten wie demografische Daten, Vitalparameter, Labortests usw. als Eingabedaten empfangen. Für einen bestimmten Krankheitsverlauf werden Risikobewertungsalgorithmen oder -modelle verwendet, um einen Risikowert zu erhalten und entsprechende medizinische Empfehlungen zu erhalten. In diesem Fall kann der mögliche Krankheitsverlauf darin bestehen, eine bestimmte Krankheit zu haben oder einen durch eine Krankheit verursachten Ausgang zu haben. Tod, Taubheit usw. sind mögliche Ergebnisse. Ein Beispiel für Risikobewertungsalgorithmen und -modelle ist das Framingham-Risikomodell, das für kardiovaskuläre Erkrankungen verwendet wird. In einem Risikobewertungsbericht für den Patienten kann der Risikowert für den jeweiligen Krankheitsverlauf angegeben werden, und es können Empfehlungen gegeben werden. Ein möglicher Vorschlag für einen Patienten, der ein hohes Risiko für eine chronisch obstruktive Lungenerkrankung (COPD) aufweist, kann zum Beispiel „das Rauchen aufgeben“ lauten. Dieser Vorschlag, eine positive Intervention in den zukünftigen Gesundheitszustand des Patienten zu bewirken, kann als Interventionsvorschlag bezeichnet werden.
  • Einige Interventionsvorschläge können auf klinischen Leitlinien beruhen. In solchen Fällen kann einem Patienten ein Interventionsvorschlag auf Grundlage einer bereits erstellten klinischen Leitlinie unterbreitet werden. Diese Art von Leitlinie bietet jedoch in der Regel einen allgemeinen Interventionsleitfaden und liefert keine quantitative Bewertung, welchen Effekt eine Intervention erzielen wird. Außerdem wird die Leitlinie nicht in Bezug auf einen Risikowert angegeben.
  • Ein weiteres Verfahren zum Bereitstellen eines Interventionsvorschlags umfasst Durchführen einer Risikobewertung durch Ändern des Werts eines Risikofaktors. Mit anderen Worten: Bei diesem Ansatz werden Änderungen des Risikowerts mit Änderungen des Werts des Risikofaktors verglichen. Hier ist der Risikofaktor Teil der Patientendaten, die als Eingabe für einen Algorithmus oder ein Modell zur Risikobewertung verwendet werden. Bei einem Patienten mit Bluthochdruck zum Beispiel gilt der Blutdruck als Risikofaktor. Wenn der Patient seinen Blutdruck nicht senkt, d.h. den Risikofaktor nicht verringert, könnte der Risikowert dafür, dass der Patient einen zerebrovaskulären Unfall (cerebrovascular accident, CVA) erleidet, 0,8 betragen. Wenn der Patient seinen Blutdruck senkt, kann der Risikowert dafür, dass der Patient den CVA erleidet, auf 0,4 gesenkt werden. Die Senkung des Blutdrucks würde eine Intervention in die Gesundheit des Patienten darstellen. Bei diesem Verfahren werden zwei Bewertungen mit unterschiedlichen Eingaben in dasselbe Modell verwendet, die tatsächliche Wirksamkeit von Interventionen kann jedoch nicht gezeigt werden. Außerdem können bei dieser Vergleichsmethode einige Risikofaktoren wie Alter und Geschlecht eines Patienten nicht gesteuert oder verändert werden.
  • Die Durchführung einer quantitativen Bewertung von Interventionsoptionen für eine Krankheit war bisher schwierig, da die meisten Forscher nicht über die notwendigen Ressourcen oder die Zeit verfügen, um Kohorten mit Risikobewertungen in medizinisch kontrollierten Experimenten auszuwählen und zu verwenden, um die Vor- und Nachteile verschiedener Interventionen für verschiedene Krankheiten zu bewerten.
  • Das Verfahren, das Computersystem und das Computerprogrammprodukt, die vorliegend beschrieben werden, helfen medizinischem Personal, die in der medizinischen Forschung ermittelten Werte zu nutzen, um Ärzten, medizinischem Personal und Patienten zu helfen, die Wirksamkeit möglicher gesundheitlicher Interventionsmaßnahmen quantitativ zu bewerten, um die Risiken negativer gesundheitlicher Folgen oder negativer Krankheitsverläufe zu verringern. Mit den in der vorliegenden Offenbarung vorgestellten Lösungen können durch die Verwendung veröffentlichter Daten zur Berechnung einer Veränderung eines Risikowerts verschiedene Interventionsoptionen und verschiedene Kombinationen von Interventionsoptionen automatisch und genau bewertet werden, um quantitativ wirksame Empfehlungen zu geben, ohne dass Forscher redundante medizinisch kontrollierte Experimente durchführen müssen.
  • 4 zeigt ein Flussdiagramm, das einen Prozess 400 zum Bewerten einer Verringerung eines Krankheitsrisikos gemäß einer Ausführungsform der vorliegenden Offenbarung veranschaulicht.
  • Die Verarbeitung der Bewertung der Verringerung des Krankheitsrisikos gemäß den Ausführungsformen dieser Offenbarung kann zumindest in einigen Ausführungsformen von dem in 1 gezeigten Computersystem/Server 12 durchgeführt werden.
  • Nach dem Start 401 des in 4 gezeigten Prozesses 400 wird in Schritt 402 eine Krankenakten-Datenstruktur angelegt. Die Krankenakten-Datenstruktur kann eine Wissenstabelle oder eine Krankenaktentabelle enthalten, die Informationen aus medizinischen Studien enthält, die Patientendaten mit Risiken und Krankheitsverläufen auf Grundlage durchgeführter Tests verknüpfen.
  • Der Schritt 402 des Erstellens der Krankenakten-Datenstruktur kann Sammeln von Informationen und Speichern der gesammelten Informationen in der Datenstruktur, z.B. in einer Wissenstabelle, umfassen. Die Datenstruktur kann Datensätze über Wissen enthalten, das aus der medizinischen Literatur oder aus medizinischen Studien stammen kann. Die Wissensdatensätze der Datenstruktur können auch oder alternativ eine Zusammenfassung von Informationen aus solcher medizinischer Literatur oder aus solchen medizinischen Studien enthalten. In jedem der Wissensdatensätze können Informationen gespeichert sein, die bestimmte Bevölkerungsgruppen mit Patientendaten, mit bestimmten Krankheitsverläufen, mit möglichen Interventionsmaßnahmen und entsprechenden relativen Risikoverringerungen abgleichen. Die nachstehende Tabelle 1 zeigt ein Beispiel für eine solche Wissenstabelle. Zumindest in einigen Ausführungsformen kann eine Aufzeichnung in der Wissenstabelle einen Namen oder Code der referenzierten Literatur oder der referenzierten Studie speichern.
  • Zu den Patientendaten können beispielsweise demografische Daten, Vitalparameter, Messungen zum Gesundheitszustand und/oder Labortestergebnisse gehören. Die demografischen Daten können beispielsweise Größe, Gewicht, Alter, Geschlecht usw. von Patienten umfassen, die an der jeweiligen Studie teilgenommen haben. Die Vitalparameter können beispielsweise Körpertemperatur, Blutdruck, Herzfrequenz, Atemfrequenz usw. derjenigen umfassen, die als Patienten an der Studie teilgenommen haben. Die Labortestergebnisse können beispielsweise Low-Density-Lipoprotein-Cholesterin (LDL-C), z.B. ein LDL-C von 2 mmol/L, High-Density-Lipoprotein-Cholesterin (HDL-C), z.B. ein HDL-C von 3 mmol/L, den Blutzuckerspiegel, z.B. einen Blutzuckerspiegel von 7 mmol/L, und einen Serumharnsäurespiegel, z.B. einen Serumharnsäurespiegel von 450 µmol/L, usw. umfassen. Die Krankenakten können zudem Verknüpfungen zwischen Diagnoseergebnissen der Patienten und ihren Patientendaten enthalten. Beispielsweise können die Patientendaten Verknüpfungen oder Tendenzen von Patienten oder Patientengruppen zu arteriosklerotischen kardiovaskulären Erkrankungen (arteriosclerotic cardiovascular disease, ASCVD), Hyperlipidämie oder Diabetes enthalten. Bei den vorstehend genannten konkreten Daten handelt es sich um Beispiele. Es können auch andere Daten als die vorstehend genannten Beispiele in die Patientendaten aufgenommen werden, die Teil der Krankenakten sind, die in der erstellten Krankenakten-Datenstruktur enthalten sind. Die Krankenakten können Informationen über Risikofaktoren für Patienten und Patientengruppen enthalten. So können beispielsweise bestimmte Vitalparameter, Messungen zum Gesundheitszustand und/oder Labortestergebnisse von Patienten in Verbindung mit entsprechenden Risikofaktoren gespeichert werden.
  • Die nachstehende Tabelle 1 ist ein Beispiel für eine Krankenakten-Datenstruktur, die in Schritt 402 des Prozesses 400 erstellt werden kann. In Tabelle 1 werden die Literaturquellen oder Studien allgemein als R1, R2 und R3 bezeichnet. Es sind drei Zeilen enthalten, wobei jede Zeile einen Eintrag für Informationen aus einer der drei medizinischen Literaturquellen R1, R2 und R3 darstellt. Tabelle 1
    Patientendaten Interventionsmaßnahme Ergebnis RRR Literatur
    P1 I1 O1 0,31 R1
    P1 I2 O1 0,23 R2
    P3 I2 O2 0,15 R3
  • In Tabelle 1 sind Informationen aus der Literatur R1 enthalten, die besagen, dass bei einem Patienten mit den Patientendaten P1 das Risiko für den Krankheitsverlauf O1 um 0,31 gesenkt werden kann, wenn die Interventionsmaßnahme I1 angewendet wird. Tabelle 1 ist ein Beispiel für eine Krankenakten-Datenstruktur, die in Schritt 402 erstellt werden kann.
  • In einer anderen Ausführungsform der Offenbarung kann in einer Wissenstabelle die Spalte „Patientendaten“ fehlen, und die aufgezeichnete RRR für eine Interventionsmaßnahme würde für alle möglichen Patienten oder für alle gelten. In einer weiteren Ausführungsform der Offenbarung können die gesammelten Informationen in einer Vielzahl von Tabellen organisiert werden. In diesen Tabellen kann beispielsweise die Spalte „Ergebnis“ fehlen und jede der Tabellen kann für ein bestimmtes Ergebnis verwendet werden.
  • Die in den Beispielen gezeigten Möglichkeiten, die gesammelten Informationen zu organisieren, sind nicht die einzigen, die im Rahmen der Offenbarung möglich sind. Andere Arten der Informationsorganisation sind gemäß der Offenbarung ebenfalls möglich.
  • Die in 9A gezeigte Krankenaktentabelle 902 ist ein Beispiel für eine Krankenakten-Datenstruktur gemäß einigen Ausführungsformen. Die Krankenaktentabelle 902 wird als Teil von BEISPIEL A zur Durchführung des Prozesses 400 verwendet, der in der nachfolgenden Offenbarung näher beschrieben wird. Die Krankenaktentabelle 902 enthält sechs Spalten und fünf Zeilen. Jede Spalte steht für eine andere Kategorie von Informationen. Jede Zeile entspricht einer Information aus einer anderen medizinischen Studie oder einer anderen medizinischen Literaturquelle. So enthält die Krankenaktentabelle 902 eine erste Krankenaktentabellenzeile 904 und darüber hinaus vier weitere Datenzeilen, die Informationen aus vier anderen medizinischen Studien oder aus vier anderen medizinischen Literaturquellen entsprechen und diese enthalten. Die erste Zeile 904 der Krankenaktentabelle enthält Informationen zu einer medizinischen Studie, die von Estess verfasst und 2002 veröffentlicht wurde.
  • Die erste und zweite Spalte „P“ und „P: extended“ enthalten Informationen zu Patientendaten. Die Verweise in der ersten und zweiten Spalte beziehen sich auf Einträge oder Knoten eines Patientendaten-Knotendiagramms 500, der später beschrieben wird und in 5 dargestellt ist. Die dritte Spalte „I“ bezieht sich auf Einträge oder Knoten eines Interventionsbaums 700, der später beschrieben wird und in 7 gezeigt ist. Die vierte Spalte „O“ bezieht sich auf Einträge oder Knoten eines Krankheitsverlaufs-Beziehungsdiagramms 600, das später beschrieben wird und in 6 gezeigt ist. Die fünfte Spalte „RRR“ bezieht sich auf einen Wert einer relativen Risikoverringerung (relative risk reduction), die später ausführlicher beschrieben wird. Die relative Risikoverringerung in der fünften Spalte ist ein Wert, der eine Verringerung oder eine relative Risikoverringerung in Bezug auf die Wahrscheinlichkeit angibt, dass bei Patienten, die die Patientendatenkategorien in den ersten beiden Spalten erfüllen und die der in der dritten Spalte angegebenen Interventionsoption unterzogen wurden, der in der vierten Spalte angegebene Krankheitsverlauf eintritt. Der Betrag der relativen Risikoverringerung in der fünften Spalte kann in der medizinischen Studie oder in der medizinischen Literaturquelle angegeben werden, auf die sich die Zeile bezieht, z.B. wurde die RRR von 0,31, die das Risiko des Auftretens des Krankheitsverlaufs für 602a reduziert, in der medizinischen Studie von Estess aus dem Jahr 2002 in Bezug auf Patienten angegeben, die Patientendaten 502a und 502d aufweisen und die der Interventionsoption 602a unterzogen wurden.
  • So kann die Krankenaktentabelle 902, wenn sie in Verbindung mit zusätzlichen Diagrammen oder Bäumen verwendet wird, mehr Informationen liefern, als in Tabelle 1 angegeben sind, und insbesondere kann sie mehr Informationen in den Spalten für Patientendaten, Interventionsmaßnahmen und Ergebnisse liefern, einschließlich hierarchischer Informationen über Beziehungen zwischen Patientendaten, Ergebnissen und Interventionsmaßnahmen.
  • Die Krankenakten-Datenstruktur kann manuell von einer medizinischen Fachkraft erstellt werden, die verschiedene medizinische Studien und/oder verschiedene medizinische Literaturquellen sammelt und überprüft. Alternativ kann die Krankenakten-Datenstruktur auch von einem Computerprogramm erstellt werden, das Methoden zur Verarbeitung natürlicher Sprache (natural language processing, NLP) einsetzt und medizinische Studien und/oder medizinische Literaturquellen durchsucht, die in den Computer, z.B. in das Computersystem/den Server 12, hochgeladen werden. Zusätzlich oder alternativ kann das Computerprogramm das Internet nach veröffentlichten medizinischen Studien und/oder veröffentlichten medizinischen Literaturquellen durchsuchen und solche veröffentlichten Arbeiten oder Quellen sammeln und Methoden zur Verarbeitung natürlicher Sprache (NLP) anwenden, um nach neuen geeigneten Studien oder medizinischer Literatur zu suchen, deren Daten für die Eingabe in die Krankenakten-Datenstruktur geeignet sind. Die Krankenakten-Datenstruktur kann in einer Tabellenkalkulationssoftware oder in einer anderen geeigneten Informationsspeicherungssoftware erstellt werden, die es ermöglicht, die gespeicherten Informationen schnell und effizient durch einen Prozessor, z.B. die Verarbeitungseinheit 16, zu durchsuchen und zu analysieren. Die Krankenakten-Datenstruktur kann in einem Speicher, z.B. im Speicher 28, gespeichert und auf einem Bildschirm, z.B. der Anzeige 24, angezeigt werden.
  • In Schritt 404 des Prozesses 400 wird ein Patientendaten-Knotendiagramm erstellt. 5 zeigt ein Beispiel eines Patientendaten-Knotendiagramms 500 gemäß einer Ausführungsform der Offenbarung. Das Patientendaten-Knotendiagramm 500 ist Teil von BEISPIEL A, das vorstehend für Schritt 402 vorgestellt wurde. Das Patientendaten-Knotendiagramm 500 veranschaulicht Beziehungen zwischen zwei verschiedenen Arten von Patientendaten - zum einen aus einem diagnostischen Ergebnis, nämlich einem diagnostischen Ergebnis eines akuten Myokardinfarkts (AMI), und zum anderen aus dem Alter des Patienten.
  • Wenn bei einem Patienten ein akuter Myokardinfarkt (AMI) diagnostiziert wird, kann dieser Befund in zwei Untertypen klassifiziert werden: ST-Segmenthebungs-Myokardinfarkt (ST-Segment-Elevation Myocardial Infarction, STEMI) und Nicht-ST-Segmenthebungs-Myokardinfarkt (NON-STEMI). In Anbetracht der Tatsache, dass in der Literatur teilweise nur ein Subtyp des AMI behandelt wird, z.B. eine Behandlung für STEMI, nicht aber für NON-STEMI, kann diese Klassifizierung in die beiden Subtypen zu einer genaueren Vorhersage beitragen. Das Patientendaten-Knotendiagramm 500 in 5 zeigt die Beziehungen zwischen AMI-, STEMI- und NON-STEMI-Diagnosen. Die in 9A gezeigte Krankenaktentabelle 902 enthält in ihrer ersten und zweiten Spalte Einträge, die sich auf Knoten aus dem Patientendaten-Knotendiagramm 500 beziehen.
  • Das Patientendaten-Knotendiagramm 500 in 5 kann auch als Datenstruktur betrachtet werden und zeigt, wie hierarchische Informationen zwischen Patientendaten angezeigt und gespeichert werden können. In 5 sind die AMI-, STEMI- und NON-STEMI-Befunde als erster, zweiter und dritter Patientendatenknoten 502a, 502b und 502c in einem Diagramm dargestellt. Hierbei stellen die durchgezogenen Pfeile 506 in 5 eine Beziehung zwischen den durch die Knoten dargestellten Entitäten dar. In dieser Beziehung handelt es sich bei einer Entität oder Information, die durch den Startknoten der durchgezogenen Pfeile 506 dargestellt wird, um einen Untertyp der Entität oder Information, die durch den Endknoten des Pfeils dargestellt wird. In 5 ist beispielsweise eine STEMI-Diagnose (angezeigt durch den zweiten Patientendatenknoten 502b) ein Untertyp einer AMI-Diagnose (angezeigt durch den ersten Patientendatenknoten 502a). Eine NON-STEMI-Diagnose (angezeigt durch den dritten Patientendatenknoten 502c) ist ebenfalls ein Subtyp einer AMI-Diagnose (angezeigt durch den ersten Patientendatenknoten 502a).
  • In einigen Ausführungsformen können die Patientendaten zudem erweiterte Daten wie das Alter enthalten. Somit kann bei dieser Ausführungsform eine Kombination aus Alter und Befunden für den Abgleich in der Krankenakten-Datenstruktur verwendet werden. In 5 repräsentiert der vierte Patientendatenknoten 502d Patientendaten bezüglich des Alters der Patienten. Der gestrichelte Pfeil 504 beginnt am vierten Patientendatenknoten 502d und endet am ersten Patientendatenknoten 502a. Der gestrichelte Pfeil 504 zeigt an, dass „Alter“ zu Bewertungs- und Vorhersagezwecken mit der „AMI“-Diagnose verknüpft wird.
  • In 5 klassifiziert das Patientendaten-Knotendiagramm 500 das Alter der Patienten in vier Gruppen: ≤ 55 Jahre alt (dargestellt durch den fünften Patientendatenknoten 502e), 56-64 Jahre alt (dargestellt durch den sechsten Patientendatenknoten 502f), 65-74 Jahre alt (dargestellt durch den siebten Patientendatenknoten 502g) und ≥ 75 Jahre alt (dargestellt durch den achten Patientendatenknoten 502h). Ein durchgehender Pfeil 506 verläuft jeweils vom fünften, sechsten, siebten und achten Patientendatenknoten 502e, 502f, 502g, 502h zum vierten Patientendatenknoten 502d und zeigt an, dass der fünfte, sechste, siebte und achte Patientendatenknoten 502e, 502f, 502g, 502h jeweils Informationen repräsentieren, bei denen es sich um einen Untertyp der durch den vierten Patientendatenknoten 502d repräsentierten Informationen handelt.
  • Das Patientendaten-Knotendiagramm 500 kann manuell von einer medizinischen Fachkraft erstellt werden, die verschiedene medizinische Studien und/oder verschiedene medizinische Literaturquellen und/oder eine in Schritt 402 erstellte Krankenakten-Datenstruktur sammelt und überprüft. Alternativ kann das Patientendaten-Knotendiagramm 500 auch von einem Computerprogramm erstellt werden, das Methoden zur Verarbeitung natürlicher Sprache (NLP) einsetzt und medizinische Studien und/oder medizinische Literaturquellen und/oder Datenstrukturen durchsucht, die in den Computer, z.B. in das Computersystem/den Server 12, hochgeladen werden. Zusätzlich oder alternativ kann das Computerprogramm das Internet nach veröffentlichten medizinischen Studien und/oder veröffentlichten medizinischen Literaturquellen durchsuchen und solche veröffentlichten Arbeiten oder Quellen sammeln und Methoden zur Verarbeitung natürlicher Sprache (NLP) anwenden, um nach neuen geeigneten Studien oder medizinischer Literatur zu suchen, deren Daten für die Eingabe in das Patientendaten-Knotendiagramm 500 geeignet sind. Das Patientendaten-Knotendiagramm 500 kann mit einer Grafiksoftware oder einer anderen geeigneten Software erstellt werden, die es ermöglicht, Informationen in Diagrammform zu speichern und dann schnell und effizient mit einem Prozessor zu durchsuchen und zu analysieren. Das Patientendaten-Knotendiagramm 500 kann in einem Speicher, z.B. im Speicher 28, gespeichert und auf einem Bildschirm, z.B. der Anzeige 24, angezeigt werden.
  • Das Patientendaten-Knotendiagramm 500 kann in Verbindung mit einer Krankenakten-Datenstruktur verwendet werden, um medizinisches Personal und Patienten dabei zu unterstützen, besser zu ermitteln, welche medizinischen und patientenbezogenen Wirkungen mit bestimmten medizinischen Interventionen erzielt wurden und welche Interventionen daher am besten zu empfehlen sind.
  • In Schritt 406 des Prozesses 400 wird ein Krankheitsverlaufs-Beziehungsdiagramm erstellt. 6 zeigt ein Beispiel eines Krankheitsverlaufs-Beziehungsdiagramms 600 gemäß einer Ausführungsform der Offenbarung. Das Krankheitsverlaufs-Beziehungsdiagramm 600 in 6 ist Teil von BEISPIEL A, das vorstehend in der Beschreibung der Schritte 402 und 404 vorgestellt wurde. Das Krankheitsverlaufs-Beziehungsdiagramm 600 veranschaulicht Beziehungen zwischen bestimmten möglichen Krankheitsverläufen, die sich bei bestimmten Krankheiten ergeben können. Das Krankheitsverlaufs-Beziehungsdiagramm 600 in 6 kann auch als Datenstruktur betrachtet werden und zeigt eine Möglichkeit, wie hierarchische Informationen zu Krankheitsverläufen angezeigt und gespeichert werden können.
  • In 6 haben die durchgezogenen Pfeile 506 die gleiche Bedeutung wie die durchgezogenen Pfeile 506 in 5. Einer der durchgezogenen Pfeile 506 zeigt zum Beispiel an, dass der zweite Krankheitsverlaufsknoten 602b einen Ausgang repräsentiert, bei dem es sich um einen Untertyp des durch den ersten Krankheitsergebnisknoten 602a repräsentierten Ausgangs handelt. Gemäß 6 handelt es sich beim Myokardinfarkt (MI) (dargestellt durch den zweiten Krankheitsverlaufsknoten 602b) um einen Untertyp schwerer unerwünschter kardiovaskulärer Ereignisse (Major Adverse Cardiovascular Events, MACE) (dargestellt durch den ersten Krankheitsverlaufsknoten 602a). Beim kardiovaskulären Tod (dargestellt durch den vierten Krankheitsverlaufsknoten 602d) handelt es sich um einen Untertyp von MACE (dargestellt durch den ersten Krankheitsverlaufsknoten 602a) und zudem um einen Untertyp von Mortalität (dargestellt durch den dritten Krankheitsverlaufsknoten 602c).
  • Das Krankheitsverlaufs-Beziehungsdiagramm 600 kann manuell von einer medizinischen Fachkraft erstellt werden, die verschiedene medizinische Studien und/oder verschiedene medizinische Literaturquellen und/oder eine in Schritt 402 erstellte Krankenakten-Datenstruktur sammelt und überprüft. Alternativ kann das Krankheitsverlaufs-Beziehungsdiagramm 600 auch von einem Computerprogramm erstellt werden, das Methoden zur Verarbeitung natürlicher Sprache (NLP) einsetzt und medizinische Studien und/oder medizinische Literaturquellen und/oder Datenstrukturen durchsucht, die in den Computer, z.B. in das Computersystem/den Server 12, hochgeladen werden. Zusätzlich oder alternativ kann das Computerprogramm zudem das Internet nach veröffentlichten medizinischen Studien und/oder veröffentlichten medizinischen Literaturquellen durchsuchen und solche veröffentlichten Arbeiten oder Quellen sammeln und Methoden zur Verarbeitung natürlicher Sprache (NLP) anwenden, um nach neuen geeigneten Studien oder medizinischer Literatur zu suchen, deren Daten für die Eingabe in das Krankheitsverlaufs-Beziehungsdiagramm 600 geeignet sind. Das Krankheitsverlaufs-Beziehungsdiagramm 600 kann mit einer Grafiksoftware oder einer anderen geeigneten Software erstellt werden, die es ermöglicht, Informationen in Diagrammform zu speichern und dann schnell und effizient mit einem Prozessor zu durchsuchen und zu analysieren. Das Krankheitsverlaufs-Beziehungsdiagramm 600 kann in einem Speicher, z.B. im Speicher 28, gespeichert und auf einem Bildschirm, z.B. der Anzeige 24, angezeigt werden.
  • Das Krankheitsverlaufs-Beziehungsdiagramm 600 kann in Verbindung mit einer Krankenakten-Datenstruktur und wahlweise mit einem Patientendaten-Knotendiagramm 500 verwendet werden, um medizinisches Personal und Patienten dabei zu unterstützen, besser zu ermitteln, welche medizinischen und patientenbezogenen Auswirkungen mit bestimmten medizinischen Interventionen erzielt wurden und welche Interventionen daher am besten zu empfehlen sind, um das Risiko möglicher negativer Krankheitsverläufe zu verringern.
  • In Schritt 408 des Prozesses 400 wird ein Interventionsbaum erstellt. 7 zeigt ein Beispiel für einen Interventionsbaum 700 gemäß einer Ausführungsform der Offenbarung. Der Interventionsbaum 700 in 7 ist Teil von BEISPIEL A, das vorstehend in Bezug auf die Schritte 402, 404, 406 vorgestellt wurde. Der Interventionsbaum 700 veranschaulicht Beziehungen zwischen bestimmten möglichen Krankheitsinterventionsoptionen, die durchgeführt werden können, um einzugreifen und die Wahrscheinlichkeit zu verringern, dass Patienten negative Verläufe erleiden. Der Interventionsbaum 700 in 7 kann auch als Datenstruktur betrachtet werden und zeigt, wie hierarchische Informationen über verschiedene Interventionsoptionen angezeigt und gespeichert werden können. Einige am Patienten durchgeführte Interventionen werden möglicherweise nicht in Kombination mit anderen Interventionen durchgeführt oder angewendet. Solche Interventionen können als Exklusivinterventionen bezeichnet werden. Alternativ können einige Interventionen in Kombination mit einer oder mehreren anderen Interventionsmaßnahmen durchgeführt werden und als Inklusivmaßnahmen bezeichnet werden. Eine Intervention kann eine oder mehrere pharmazeutische Maßnahmen und/oder eine oder mehrere nicht-pharmazeutische Maßnahmen umfassen. Beispielsweise kann eine Intervention sowohl die Intervention „das Rauchen aufgeben“, die als nichtpharmazeutische Maßnahme betrachtet werden kann, als auch die Intervention „Aspirin einnehmen“ umfassen, bei welcher es sich um eine pharmazeutische Maßnahme handelt.
  • 7 zeigt den Interventionsbaum 700, dessen Blattknoten Interventionsmaßnahmen darstellen. Der erste und der zweite Inklusivknoten 702a und 702b in 7 zeigen an, dass es ratsam oder möglich ist, Interventionsmaßnahmen zumindest einiger ihrer Kindknoten kombiniert auf einen Patienten anzuwenden. So kann es beispielsweise sinnvoll sein, dass ein Patient eine Thrombolyse (dargestellt durch den ersten Interventionsknoten 708a) in Kombination mit der regelmäßigen Einnahme von Aspirin (dargestellt durch den zweiten Interventionsknoten 708b) erhält. Die Thrombolyse, auch thrombolytische Therapie genannt, umfasst den Einsatz von Medikamenten zur Auflösung gefährlicher Gerinnsel in den Blutgefäßen, zur Verbesserung des Blutflusses und zur Vermeidung von Schäden an Gewebe und Organen. Die Thrombolyse (dargestellt durch den ersten Interventionsknoten 708a) kann auch in Kombination mit Betablocker-Behandlungen (dargestellt durch den dritten Interventionsknoten 708c) und/oder mit Angiotensinkonversionsenzym- (ACE-) Hemmern (dargestellt durch den vierten Interventionsknoten 708d) angewendet werden. Betablocker, auch bekannt als betaadrenerge Blocker, sind Medikamente oder Arzneimittel, die den Blutdruck senken. In einigen Fällen können der erste, zweite, dritte und vierte Interventionsknoten 708a, 708b, 708c, 708d, die als Inklusivinterventionen betrachtet werden können, auch in Kombination mit einer Exklusivintervention, wie sie nachstehend für den fünften, sechsten, siebten und achten Interventionsknoten 708e, 708f, 708g, 708h beschrieben wird, bei einem Patienten angewendet werden.
  • Der erste Exklusivknoten 704a in 7 bedeutet, dass seine Kindknoten in der Regel exklusiv als Intervention für einen Patienten verwendet werden müssen. So können beispielsweise die Interventionen primäre Angioplastie (dargestellt durch den fünften Interventionsknoten 708e), primäre Koronararterien-Bypass-Operation (coronary artery bypass surgery, „CABG“) (dargestellt durch den sechsten Interventionsknoten 708f), primäre perkutane transluminale Koronarangioplastie (percutaneous transluminal coronary angioplasty, „PTCA“) (dargestellt durch den siebten Interventionsknoten 708g) und primäre perkutane Koronarintervention („Primary PCI“) (dargestellt durch den achten Interventionsknoten 708h) nicht miteinander kombiniert werden, sondern müssen unabhängig von den anderen Exklusivinterventionsknoten durchgeführt werden, die denselben Elternknoten haben, in diesem Fall den ersten Exklusivknoten 704a als Elternknoten oder Vorgängerknoten. Im Falle des Exklusivknotens 704a und seiner vier Kindknoten müssen die durch diesen fünften, sechsten, siebten und achten Interventionsknoten 708e, 708f, 708g, 708h repräsentierten Interventionen unabhängig voneinander und nicht in Verbindung miteinander an einem Patienten durchgeführt werden. In einigen Ausführungsformen dürfen die Interventionen, die von einem Exklusivknoten abzweigen, mit keiner anderen Intervention kombiniert werden, auch nicht mit Interventionen, die ein Kindknoten eines Inklusivknotens wie dem zweiten Inklusivknoten 702b sind oder von diesem abzweigen, z.B. dürfen sie in einigen Ausführungsformen nicht mit dem ersten, zweiten, dritten und/oder vierten Interventionsknoten 708a, 708b, 708c, 708d kombiniert werden.
  • Der erste Inklusivknoten 702a wird mit einigen Enkelknoten dargestellt, die Inklusivinterventionen repräsentieren. Bei diesen Knoten, die Inklusivinterventionen repräsentieren, handelt es sich um den ersten, zweiten, dritten und vierten Interventionsknoten 708a, 708b, 708c, 708d. Es ist gezeigt, dass der erste Inklusivknoten 702a auch einige Enkelknoten hat, die Exklusivinterventionen repräsentieren. Bei diesen Knoten, die Exklusivinterventionen repräsentieren, handelt es sich um den fünften, sechsten, siebten und achten Interventionsknoten 708e, 708f, 708g, 708h. In 7 ist gezeigt, dass der zweite Inklusivknoten 702b Kindknoten hat, die ausschließlich Inklusivinterventionen repräsentieren. Somit kann ein Inklusivknoten alle oder einige Nachfolgerknoten haben, die Knoten repräsentieren, die Inklusivinterventionen repräsentieren. Ein Exklusivknoten hat in der Regel nur Nachfolgerknoten, die Interventionen repräsentieren, die bei einem Patienten nicht in Kombination miteinander angewendet werden dürfen (nicht in Kombination mit einem dieser anderen jeweiligen Nachfolgerknoten).
  • Die Darstellung von Patientendaten, Krankheitsverlaufsbeziehungen und Interventionen durch Diagramme oder Bäume ist in einigen Ausführungsformen nicht zwingend erforderlich. Dennoch ermöglicht diese Art der Strukturierung von Daten eine genauere Organisation von Informationen, die in der Literatur oder in Studien gesammelt werden. Diese Art der Strukturierung kann also zu einer genaueren Übereinstimmung und Vorhersage beitragen.
  • In Schritt 410 des in 4 dargestellten Prozesses 400 werden Patientendaten eines Patienten empfangen. Bei dem Patienten handelt es sich um eine Person oder ein Tier, für die eine Verringerung des Krankheitsrisikos bewertet werden kann. In einer Ausführungsform können die Patientendaten ein oder mehrere Patientendatenelemente enthalten. Zu diesen Datenelementen können demografische Daten, Vitalparameter, Messungen zum Gesundheitszustand und/oder Labortestergebnisse des Patienten gehören. Die demografischen Daten können den Namen, die Größe, das Gewicht, das Alter, das Geschlecht usw. eines Patienten umfassen. Die Vitalparameter können Körpertemperatur, Blutdruck, Herzfrequenz, Atemfrequenz usw. eines Patienten umfassen. Die Labortestergebnisse können Low-Density-Lipoprotein-Cholesterin (LDL-C), z.B. ein LDL-C von 2 mmol/L, High-Density-Lipoprotein-Cholesterin (HDL-C), z.B. ein HDL-C von 3 mmol/L, den Blutzuckerspiegel, z. B. einen Blutzuckerspiegel von 7 mmol/L, und den Serumharnsäurespiegel, z.B. einen Serumharnsäurespiegel von 450 µmol/L, usw. umfassen. In einer anderen Ausführungsform können die Patientendaten auch Befunde für den Patienten enthalten. Die Patientendaten können zum Beispiel angeben, dass bei dem Patienten eine arteriosklerotische kardiovaskuläre Erkrankung (ASCVD), Hyperlipidämie oder Diabetes diagnostiziert wurde. Bei diesen Daten handelt es sich um Beispiele, und es können auch andere Daten als die vorstehend genannten Beispiele in die Patientendaten aufgenommen werden. Die Patientendaten können einen Risikofaktor für den Patienten enthalten. So können beispielsweise bestimmte Vitalparameter, Messungen zum Gesundheitszustand und/oder Labortestergebnisse des Patienten als Risikofaktoren gelten. Mit anderen Worten: In zumindest einigen Ausführungsformen kann es sich bei von einem Modell verwendeten Risikofaktoren um einen Teilsatz der Patientendaten handeln.
  • Für das vorstehend in Bezug auf die Schritte 402, 404, 406 und 408 vorgestellte BEISPIEL A enthalten die empfangenen Patientendaten Daten, die angeben, dass der Patient 60 Jahre alt ist und ein STEMI diagnostiziert wurde.
  • Diese Patientendaten können von einem Computer, z.B. dem Computersystem/Server 12, empfangen werden, nachdem eine Person, ein Arzt oder eine andere medizinische Fachkraft auf den Computer zugreift, in dem die Krankenakten-Datenstruktur und wahlweise das Patientendaten-Knotendiagramm 500, das Krankheitsverlaufs-Beziehungsdiagramm 600 und der Interventionsbaum 700 gespeichert sind. Die Krankenakten-Datenstruktur, das Patientendaten-Knotendiagramm 500, das Krankheitsverlaufs-Beziehungsdiagramm 600 und der Interventionsbaum 700 können in einem Speicher des Computers, z.B. im Speicher 28, gespeichert sein. Dieser Computer kann sich in einer medizinischen Einrichtung befinden oder entfernt auf einem Computer gespeichert sein, der über die Cloud zugänglich ist und auf den daher ein Patient oder eine medizinische Fachkraft oder ein Arzt zugreifen kann. Der Patient kann auf eine Website oder App zugreifen, die eine grafische Benutzeroberfläche verwendet, um den Patienten um persönliche gesundheitsbezogene Angaben zu bitten. Die Website oder App kann dann die persönlichen gesundheitsbezogenen Informationen als Patientendaten an den Computer weitergeben.
  • Alternativ kann eine medizinische Fachkraft oder ein Arzt auf die Website oder die App zugreifen und die gesundheitsbezogenen Informationen des Patienten als Patientendaten über die grafische Benutzeroberfläche bereitstellen. Die medizinische Fachkraft oder der Arzt kann manuell Daten von einem Patienten über dessen gesundheitsbezogene Angaben einholen. Die medizinische Fachkraft oder der Arzt kann einen Fragebogen zur Verfügung stellen, den der Patient ausfüllt und zurücksendet. Die medizinische Fachkraft oder der Arzt kann alternativ einen Computer im Vorzimmer oder Büro haben, auf den ein Patient zugreifen kann, um Patientendaten zu übermitteln, die von einem anderen Computer empfangen werden können, auf dem ein Programm zur Bewertung einer Verringerung eines Krankheitsrisikos gespeichert ist. Die medizinische Fachkraft oder der Arzt kann alternativ Informationen über den Patienten visuell sichten und dann Informationen in die Website, die App oder das Computerprogramm eingeben. Die medizinische Fachkraft oder der Arzt kann dabei eine grafische Benutzeroberfläche einer Website oder einer App verwenden, um die persönlichen gesundheitsbezogenen Angaben in den Computer oder Datenverarbeitungsknoten einzugeben. In Fällen, in denen die Krankenakten-Datenstruktur auf einem anderen Computer gespeichert ist, kann die Website oder App die persönlichen gesundheitsbezogenen Informationen als Patientendaten an den Computer weitergeben, auf dem die Krankenakten-Datenstruktur gespeichert ist. In Fällen, in denen die Krankenakten-Datenstruktur auf einem lokalen Computer einer medizinischen Fachkraft oder eines Arztes, z.B. in deren Praxis, gespeichert ist, kann die medizinische Fachkraft oder der Arzt die persönlichen gesundheitsbezogenen Informationen über eine Tastatur oder einen berührungsempfindlichen Bildschirm, z.B. die externe Einheit 14, eingeben oder in ein Mikrofon sprechen, so dass der lokale Computer diese Informationen in Bezug auf die Krankenakten-Datenstruktur und möglicherweise in Bezug auf die Diagramme und den Baum verarbeiten und verwenden kann.
  • In Schritt 412 des in 4 dargestellten Prozesses wird ein möglicher Krankheitsverlauf, dessen Möglichkeit untersucht werden soll, in das Computersystem eingegeben oder vom Computersystem empfangen. Die medizinische Fachkraft oder der Patient kann über die Möglichkeit besorgt sein, dass der Patient einen bestimmten Krankheitsverlauf erlebt oder erleidet, und das Gesamtverfahren wird zumindest teilweise auf der Bewertung beruhen, wie das Risiko, dass der Patient diesen Krankheitsverlauf erlebt, verringert werden kann und wie es am wirksamsten verringert werden kann. Das System muss also wissen, welcher Krankheitsverlauf analysiert werden soll und wessen Risiko verringert werden soll. Der Patient oder die medizinische Fachkraft kann den möglichen Krankheitsverlauf in eine grafische Benutzeroberfläche eingeben, die vom Computerprogramm generiert und auf einem Bildschirm, z.B. der Anzeige 24, angezeigt wird. Das Computerprogramm kann alternativ eine Liste verschiedener möglicher Krankheitsverläufe erstellen, die auf der Anzeige 24 angezeigt wird und dem Patienten oder der medizinischen Fachkraft die Möglichkeit geben kann, mit Hilfe der externen Einheit 14 durch die erstellte Liste zu scrollen und einen der Krankheitsverläufe auszuwählen.
  • Beispielsweise kann eine medizinische Fachkraft oder ein Patient in Schritt 412 eingeben, dass sie daran interessiert sind, die Risiken eines möglichen Krankheitsverlaufs von schwerwiegenden unerwünschten kardiovaskulären Ereignissen (Major Adverse Cardiovascular Events, MACE) auf Grundlage ihrer Patientendaten zu ermitteln. Dieser Krankheitsverlauf von MACE wird als Beispiel für einen Krankheitsverlauf verwendet, der im Beispiel dieses Prozesses 400 gemäß BEISPIEL A eingegeben wird, das oben für die vorherigen Schritte beschrieben wurde. Bei der in BEISPIEL A durchgeführten Bewertung zur Verringerung eines Krankheitsrisikos wird also bewertet, welche Intervention am besten dazu beiträgt, das Risiko zu verringern, dass der 60-jährige Patient, der einen STEMI erlitten hat, innerhalb eines bestimmten Zeitraums einen weiteren MACE erleidet.
  • In Schritt 414 des in 4 gezeigten Prozesses wird ein Risikowert dafür ermittelt, dass der Patient den ausgewählten, eingegebenen Krankheitsverlauf durchmacht. Die Ermittlung erfolgt anhand der Patientendaten, die in Schritt 410 empfangen wurden. Die Ermittlung des Risikowerts kann Berechnen des Risikowerts unter Verwendung eines Algorithmus oder Modells zur Risikobewertung umfassen. Der Risikowert ist auf einen bestimmten Krankheitsverlauf gerichtet. Ein Beispiel für einen Algorithmus oder ein Modell zur Risikobewertung, das verwendet werden kann, ist das Framingham-Risikomodell, das für kardiovaskuläre Erkrankungen verwendet wird. In einer Ausführungsform der vorliegenden Offenbarung wird der Risikowert r als r = f (X) angegeben. X ist ein Vektor mit Elementen, die sich aus den Patientendaten zusammensetzen, einschließlich der Risikofaktoren des Patienten, die für den Algorithmus oder das Modell zur Risikobewertung benötigt werden. r ist der Risikowert, dass der Patient den jeweiligen Krankheitsverlauf hat, durchmacht oder erleidet. f( ) stellt hierbei eine Funktionsbeziehung zwischen r und X dar. f(X) ist das Risikomodell zur Berechnung des Risikowerts anhand individueller Patientendaten. Das Risikomodell kann durch die Anwendung von Datenanalysen mittels maschinellen Lernens, Deep Learning oder anderer Technologien auf die Daten der Patientengeschichte gemäß der medizinischen Forschungsmethodik erstellt werden.
  • Für das vorstehend angegebene BEISPIEL A wird in Schritt 414 durch einen Eintrag in einer Krankenakten-Datenstruktur, der der medizinischen Fachliteratur entspricht oder aus einer medizinischen Studie stammt, angegeben, dass für Patienten im Alter zwischen 57 und 63 Jahren, bei denen ein STEMI diagnostiziert wurde, der Risikowert für einen weiteren MACE 0,43 beträgt.
  • BEISPIEL B wird im Folgenden vorgestellt und veranschaulicht das Ermitteln von Risikowerten durch die Durchführung von Berechnungen gemäß einigen Ausführungsformen. In BEISPIEL B umfasst ein Risikomodell zur Berechnung des MACE-(Major Adverse Cardiac Events) Risikos eines Patienten, der einen AMI (akuten Myokardinfarkt) erlitten hat, drei Risikofaktoren: Alter, Anzahl der weißen Blutkörperchen (WBC) und Killip-Level (killip_score). Das Risikomodell berechnet das Risiko, ob der Patient innerhalb von dreißig Tagen nach dem AMI ein MACE-Ereignis erleiden wird. Bei der Anzahl der weißen Blutkörperchen handelt es sich um ein Labortestergebnis. Der Killip-Level ist eine ärztliche Diagnose des Patienten durch einen Arzt, nachdem der Arzt den Patienten nach dem AMI untersucht hat. Ein AMI (akuter Myokardinfarkt) ist eine Art von MACE (Major Adverse Cardiac Events, schwerwiegende unerwünschte kardiale Ereignisse), so dass der Risikowert eine Wahrscheinlichkeit angibt, mit der diese Patienten einen zweiten MACE, d.h. einen zweiten Myokardinfarkt z.B. innerhalb eines kurzfristigen Zeitraums wie dreißig Tagen erleiden werden. Das Risikomodell für dieses BEISPIEL B zur Ermittlung des Risikowerts f(X) für die Mortalität ist ein LR- (logistisches Regressions-) Modell, das in der nachstehenden Gleichung (1) angegeben ist: ƒ ( x ) = 1 1 + e 8.230 − 0.056 ∗ a g e − 0.095 ∗ w b c − k i l l i _ s c o r e
    Figure DE102021123842A1_0001
    wobei k i l l i p _ s c o r e = { 0, k i l l i p _ l e v e l = 1 0.295, K i l l i p _ l e v e l = 2 1.007, K i l l i p _ l e v e l = 3 2.647, K i l l i p _ l e v e l = 4
    Figure DE102021123842A1_0002
  • Die Killip-Klassifikation ist ein System, das bei Personen, die einen AMI erlitten haben, unter Berücksichtigung einer körperlichen Untersuchung und der Entwicklung von Herzinsuffizienz zur Vorhersage und Stratifizierung ihres Sterberisikos verwendet wird. Bei Personen mit einer niedrigen Killip-Klasse ist die Wahrscheinlichkeit, innerhalb der ersten 30 Tage nach einem Herzinfarkt zu sterben, geringer als bei Personen mit einer hohen Killip-Klasse. Die vier Killip-Klassen sind wie folgt definiert:
    • • Zur Killip-Klasse I gehören Personen, die keine klinischen Anzeichen einer Herzinsuffizienz aufweisen.
    • • Zur Killip-Klasse II gehören Personen mit Rasselgeräuschen oder Knistern in der Lunge, einem S3 und erhöhtem Jugularvenendruck.
    • • Die Killip-Klasse III beschreibt Personen mit einem offenen akuten Lungenödem.
    • • Die Killip-Klasse IV beschreibt Personen mit kardiogenem Schock oder Hypotonie (gemessen als systolischer Blutdruck unter 90 mmHg) und Anzeichen einer peripheren Vasokonstriktion (Oligurie, Zyanose oder Schwitzen).
  • Im Rahmen von BEISPIEL B wurden Berechnungen für fünf verschiedene Patienten, bei denen ein AMI diagnostiziert worden war, unter Verwendung des oben genannten Risikomodells durchgeführt, um ihr Mortalitätsrisiko, d.h. ihr Sterberisiko, zu ermitteln. Die Patientendaten der fünf Patienten wurden in die ersten drei Spalten der nachstehenden Tabelle 2 eingetragen, und der Risikowert, der für jeden Patienten auf Grundlage der Formel und der drei Variablen berechnet wurde, ist in der vierten Spalte angegeben. Tabelle 2 - für BEISPIEL B
    • X f(X) = Risikowert
    Alter WBC (10^9/L) Killip_level
    89 12 3 0,249
    56 22 4 0,412
    45 23 2 0,038
    45 21 3 0,062
    34 11 2 0,007
  • Die Berechnungen zeigen, dass der zweite Patient (der 56-jährige Patient) das höchste Risiko eines weiteren MACE innerhalb von dreißig Tagen hat, während der fünfte Patient (der 34-jährige Patient) das geringste Risiko eines weiteren MACE innerhalb von dreißig Tagen hat.
  • Ein Patientendatenelement aus empfangenen Patientendaten kann ein Risikofaktor für ein erstes Risikobewertungsmodell, aber kein Risikofaktor für ein zweites Risikobewertungsmodell sein. Bei einem Modell zur Bewertung eines Risikos einer Lungenentzündung kann beispielsweise das Patientendatenelement darüber, ob der Patient raucht, ein Risikofaktor sein. Für ein Modell zur Bewertung eines Arthritisrisikos ist das Patientendatenelement darüber, ob ein Patient raucht, jedoch möglicherweise kein Risikofaktor.
  • Ein absolutes Risiko (AR) ist definiert als Verhältnis zwischen der Anzahl der Personen, die ein Ereignis durchmachen, und der Anzahl der Personen in der Bevölkerung. Wenn zwei Gruppen von Personen oder Patienten eine erste Gruppe umfassen, die einer Interventionsmaßnahme unterzogen wird, und eine zweite Gruppe, die der Interventionsmaßnahme nicht unterzogen wird, wird die erste Gruppe als Behandlungsgruppe und die zweite Gruppe als Kontrollgruppe oder Referenzgruppe bezeichnet. In der Kontrollgruppe wird das AR eines bestimmten Ereignisses, z.B. das Erleben eines bestimmten Krankheitsverlaufs, als absolutes Risiko der Kontrollgruppe (ARC) bezeichnet. In der Behandlungsgruppe wird das AR des spezifischen Ereignisses, z.B. einen bestimmten Krankheitsverlauf zu erleben, als absolutes Risiko der Behandlungsgruppe (ART) bezeichnet.
  • In einigen alternativen Ausführungsformen kann der in Schritt 414 ermittelte Risikowert durch Nachschlagen der Daten aus der in Schritt 402 erstellten Krankenakten-Datenstruktur ermittelt werden. Bei diesen Ausführungsformen können medizinische Studien oder Literaturquellen, deren Informationen bereits in der Krankenakten-Datenstruktur gespeichert sind, bereits Risikowerte für verschiedene Patientengruppen in Bezug auf bestimmte potenzielle Krankheitsverläufe ermittelt haben. Der Risikowert oder diese Risikowerte können in Schritt 402 in die Krankenakten-Datenstruktur eingegeben werden, so dass die Ermittlung des Risikowerts in Schritt 414 Zugreifen auf die Krankenakten-Datenstruktur und Abrufen des Risikowerts aus der Krankenakten-Datenstruktur auf Grundlage der Patientendaten umfassen kann. Das Computerprogramm kann eine Suche durch die in der Krankenakten-Datenstruktur gespeicherten Einträge durchführen und dabei Patientendaten als Eingabe verwenden, um Übereinstimmungen in Einträgen zu finden, die ebenfalls dieselben Patientendaten enthalten. Dann kann der mit diesem Eintrag verknüpfte Risikowert an den Prozessor oder die medizinische Fachkraft zurückgegeben oder vorübergehend gespeichert werden, damit das Computerprogramm weitere Berechnungen durchführen kann.
  • In einer Krankenakten-Datenstruktur, die der in 9A gezeigten Krankenaktentabelle 902 ähnlich ist, kann beispielsweise eine Spalte mit der Bezeichnung „r“ für Risikowert vorhanden sein. Diese alternative Krankenakten-Datenstruktur kann anzeigen, dass für Patienten, die zwischen 50 und 59 Jahre alt sind und Labortestergebnisse erhalten haben, die darauf hinweisen, dass ihr Gesamtcholesterinspiegel 290 mg/dL beträgt, der r für MACE (dargestellt durch den ersten Krankheitsverlaufsknoten 602a aus 6) 0,6 betragen kann, der r für MI (dargestellt durch den zweiten Krankheitsverlaufsknoten 602b aus 6) 0,35 betragen kann, der r für Mortalität (dargestellt durch den dritten Krankheitsverlaufsknoten 602c aus 6) 0,5 betragen kann und der r für kardiovaskulären Tod (dargestellt durch den vierten Krankheitsverlaufsknoten 602d aus 6) 0,2 betragen kann.
  • In Schritt 416 des in 4 gezeigten Prozesses 400 werden die in Schritt 410 empfangenen Patientendaten mit einem oder mehreren Knoten aus dem in 5 gezeigten Patientendaten-Knotendiagramm 500 abgeglichen. Dieser Schritt kann von einer Textsuche-Software durchgeführt werden, die die im Patientendaten-Knotendiagramm 500 gespeicherten Informationen und Texte durchsucht oder liest, um die dortigen Texte und Informationen mit den Texten und Informationen der Patientendaten zu vergleichen. Software mit logischen Vergleichsfunktionen kann ebenfalls verwendet werden, beispielsweise wenn es sich bei Patientendaten um ein bestimmtes Alter handelt, die Knoten aber einen Bereich möglicher Altersstufen des Patienten repräsentieren. Diese Software kann verwendet und programmiert werden, um den erforderlichen Abgleich durchzuführen.
  • Beispielsweise kann nach BEISPIEL A, in dem die in Schritt 410 empfangenen Patientendaten Altersinformationen darüber enthalten, dass der Patient 60 Jahre alt ist und dass der Patient eine STEMI-Diagnose erhalten hat, der Prozessor diese Patientendaten nehmen und als Teil des Schritts 416 das Patientendaten-Knotendiagramm 500 durchsuchen, um die Altersdaten und die STEMI-Diagnose mit dem sechsten Patientendatenknoten 502f bzw. mit dem zweiten Patientendatenknoten 502b abzugleichen. Diese übereinstimmenden Knoteninformationen können für das Computersystem in nachfolgenden Schritten nützlich sein, wenn es eine Krankenakten-Datenstruktur durchsucht, die mit den Knotennummern codiert ist, die im Patientendaten-Knotendiagramm 500 angegeben sind. Diese übereinstimmenden Knoteninformationen können in einem Speicher, z.B. im Speicher 28, gespeichert werden, der mit dem Prozessor, z.B. der Verarbeitungseinheit 16, verbunden ist, um für den Zugriff für späteren Abgleich und Zuordnung verfügbar zu sein.
  • In Schritt 418 des in 4 gezeigten Prozesses 400 wird der in Schritt 412 eingegebene Krankheitsverlauf mit einem Knoten aus dem in 6 gezeigten Krankheitsverlaufs-Beziehungsdiagramm 600 abgeglichen. Dieselbe oder eine ähnliche Software, die vorstehend beschrieben wurde, um den Abgleich in Schritt 416 durchzuführen, kann auch verwendet und programmiert werden, um den Abgleich in Schritt 418 durchzuführen.
  • Für das BEISPIEL A, in dem der mögliche Krankheitsverlauf eines schwerwiegenden unerwünschten kardiovaskulären Ereignisses (MACE) ausgewählt und wie vorstehend in Schritt 412 erläutert eingegeben wurde, würde der Abgleich in Schritt 418 Durchsuchen des Krankheitsverlaufs-Beziehungsdiagramms 600 umfassen, um die eingegebene Krankheit mit dem ersten Krankheitsverlaufsknoten 602a abzugleichen, der den Krankheitsverlauf von MACE repräsentiert. Diese übereinstimmenden Knoteninformationen können für das Computersystem in nachfolgenden Schritten nützlich sein, wenn es eine Krankenakten-Datenstruktur durchsucht, die mit den Knotennummern codiert ist, die im Krankheitsverlaufs-Beziehungsdiagramm 600 angegeben sind. Diese übereinstimmenden Knoteninformationen können in einem Speicher, z.B. im Speicher 28, gespeichert werden, der mit dem Prozessor, z.B. der Verarbeitungseinheit 16, verbunden ist, um für den Zugriff für späteren Abgleich und Zuordnung verfügbar zu sein.
  • In Schritt 420 des in 4 gezeigten Prozesses 400 werden die abgeglichenen Knoten aus den Schritten 416 und 418 mit Datensätzen aus der in Schritt 402 erstellten Krankenakten-Datenstruktur abgeglichen. Dieser Abgleich in Schritt 420 dient dazu, Interventionsoptionen zu finden, die für die empfangenen Patientendaten und den zu analysierenden Krankheitsverlauf, dessen Risiko verringert werden soll, relevant sind. Dieselbe oder eine ähnliche Software, die vorstehend beschrieben wurde, um den Abgleich in den Schritten 416 und 418 durchzuführen, kann auch verwendet und programmiert werden, um den Abgleich in Schritt 420 durchzuführen. Die gefundenen relevanten Interventionsoptionen können in einem Speicher, z.B. dem Speicher 28, gespeichert werden, der mit dem Prozessor, z.B. der Verarbeitungseinheit 16, verbunden ist, um für den Zugriff für späteren Abgleich und Zuordnung zur Verfügung zu stehen.
  • Wenn in BEISPIEL A der sechste Patientendatenknoten 502f und der zweite Patientendatenknoten 502b, die in Schritt 416 abgeglichen wurden, und der erste Krankheitsverlaufsknoten 602a, der in Schritt 418 abgeglichen wurde, für Schritt 420 verwendet werden, können diese mit Datensätzen aus der in 9A gezeigten Krankenaktentabelle 902 abgeglichen werden. Die Krankenaktentabelle 902 ist ein Beispiel für eine Krankenakten-Datenstruktur.
  • Der Abgleich in Schritt 420 für BEISPIEL A kann erkennen, dass die erste Krankenaktentabellenzeile 904 sowie die zweite, dritte und fünfte Datenzeile mit dem ersten Krankheitsverlaufsknoten 602a übereinstimmen, dass aber die vierte Datenzeile keine Übereinstimmung ist. Die vierte Datenzeile ist keine Übereinstimmung, da ihr Eintrag „602b“ in der Krankheitsverlaufsspalte O dem zweiten Krankheitsverlaufsknoten 602b und nicht dem ersten Krankheitsverlaufsknoten 602a entspricht.
  • Der Abgleich in Schritt 420 in BEISPIEL A kann beim Abgleich für die Patientendatenknoten zudem erkennen, dass die dritte Datenzeile allein eine erste Übereinstimmung für den zweiten Patientendatenknoten 502b und für den sechsten Patientendatenknoten 502f ist. Die dritte Datenzeile ist die einzige Datenzeile mit dem Eintrag „502b“, der dem zweiten Patientendatenknoten 502b entspricht. Auch wenn die dritte Datenzeile keine ausdrückliche Übereinstimmung für den sechsten Patientendatenknoten 502f enthält, enthält die dritte Datenzeile auch keine Knoteninformationen, die mit dem sechsten Patientendatenknoten 502f in Konflikt stehen. Die dritte Datenzeile hat einen leeren Eintrag für die Spalte „P: extended“ und enthält daher keine Patientendaten, die mit dem sechsten Patientendatenknoten 502f in Konflikt stehen.
  • Ein Vergleich des Abgleichs der Patientendatenknoten in der Krankenaktentabelle 902 (erste, zweite, dritte und fünfte Datenzeile ist eine Patientenübereinstimmung) und des Abgleichs der Krankheitsverlaufsknoten in der Krankenaktentabelle 902 (dritte Datenzeile ist eine Verlaufsübereinstimmung), die in Schritt 420 von BEISPIEL A durchgeführt wurden, zeigt, dass für den ersten Abgleich allein die dritte Datenzeile eine übereinstimmende Datenzeile ist, die verwendet werden sollte, um eine Interventionsoption zu finden. Die in der dritten Spalte „I“ in der dritten Datenzeile angegebene Interventionsinformation „708e“ gilt somit als durch den ersten Abgleich gefunden.
  • Wenn also mehrere Knoten, z.B. mehrere Patientendatenknoten, für den Abgleich verwendet werden, kann eine Zeile oder ein Datensegment in der Krankenakten-Datenstruktur als übereinstimmend angesehen werden, wenn mindestens ein Patientendatenknoten mit der Zeile oder dem Datensegment übereinstimmt und wenn kein Eintrag in der Zeile oder dem Segment mit einem anderen Patientendatenknoten in Konflikt steht. Wenn jeder von mehreren Patientendatenknoten mit einem Eintrag oder Segment in der Datenstruktur übereinstimmt, dann würde diese Gruppe aus mehreren Patientendatenknoten natürlich ebenfalls als mit der Zeile oder dem Datensegment übereinstimmend betrachtet.
  • In Schritt 422 des in 4 gezeigten Prozesses 400 werden die in Schritt 420 gefundenen Interventionsoptionen im in Schritt 408 erstellten Interventionsbaum zugeordnet. Dieselbe oder eine ähnliche Software, die vorstehend beschrieben wurde, um den Abgleich in den Schritten 416, 418 und 420 durchzuführen, kann auch verwendet und programmiert werden, um den Abgleich in Schritt 422 durchzuführen. Die Zuordnung zeigt oder offenbart die spezifische Interventionsoption auf Grundlage der in Schritt 420 gefundenen Interventionsoptionsinformationen. Diese spezifische Interventionsoption kann dann in einem Speicher, z.B. dem Speicher 28, gespeichert werden, der mit dem Prozessor, z.B. der Verarbeitungseinheit 16, verbunden ist, um für den Zugriff für spätere Anzeige für die medizinische Fachkraft oder den Patienten verfügbar zu sein, wenn eine Empfehlung gegeben wird.
  • Aufbauend auf dem vorstehenden BEISPIEL A, in dem die in der Krankenaktentabelle 902 abgeglichenen Knoten den Interventionseintrag „708e“ ergaben, zeigt die Zuordnung dieses Interventionseintrags „708e“ im Interventionsbaum 700 in BEISPIEL A, dass dieser Eintrag dem fünften Interventionsknoten 708e entspricht, der die Interventionsoption einer primären Angioplastie darstellt. Die Zuordnung in Schritt 422 für BEISPIEL A kann auch anzeigen, dass der fünfte Interventionsknoten 708e ein Kindknoten eines ersten Exklusivknotens 704a ist, was bedeutet, dass die primäre Angioplastie, die durch den fünften Interventionsknoten 708e repräsentiert wird, nicht in Verbindung mit mehreren anderen möglichen Interventionen durchgeführt werden darf, die durch die anderen Kindknoten des ersten Exklusivknotens 704a repräsentiert werden, nämlich nicht in Verbindung mit den Behandlungen oder Interventionsoptionen, die dem sechsten, siebten und achten Interventionsknoten 708f, 708g, 708h entsprechen. Diese mögliche Intervention, dass der Patient eine primäre Angioplastie erhalten könnte, kann für BEISPIEL A im Speicher, z.B. Speicher 28, gespeichert werden, um dem Patienten später als Teil einer Empfehlung präsentiert werden zu können.
  • In Schritt 424 des in 4 gezeigten Prozesses 400 werden Vorgängerknoten in den Diagrammen, der Krankenakten-Datenstruktur und/oder dem Interventionsbaum überprüft, um weitere relevante Interventionsoptionen zu finden. Die Vorgängerknoten wären die Vorgänger der Knoten, die in den Schritten 416, 418 und 422 abgeglichen wurden. Ein Vorgängerknoten eines ersten Knotens kann ein mit dem ersten Knoten verbundener Knoten sein, der in der durch ein Knotendiagramm definierten Hierarchie höher liegt. Dieselbe oder eine ähnliche Software, die vorstehend beschrieben wurde, um den Abgleich in den Schritten 416, 418 und 420 und die Zuordnung in Schritt 422 durchzuführen, kann auch verwendet und programmiert werden, um die Prüfung in Schritt 424 durchzuführen. Die gefundenen zusätzlichen relevanten Interventionsoptionen können dann in einem Speicher, z.B. dem Speicher 28, gespeichert werden, der mit dem Prozessor, z.B. der Verarbeitungseinheit 16, verbunden ist, um für nachfolgende Schritte zur Verfügung zu stehen, in denen verringerte Risikowerte ermittelt werden, und in einigen Fällen, um für den Zugriff für spätere Anzeige für die medizinische Fachkraft oder den Patienten verfügbar zu sein, wenn eine Empfehlung ausgesprochen wird. Das Prüfen auf Vorgängerknoten kann dazu beitragen, zusätzliche in der Krankenakten-Datenstruktur gespeicherte Datensätze zu finden, die relevante Informationen über mögliche Interventionsoptionen in Bezug auf den gewählten möglichen Krankheitsverlauf enthalten.
  • Für BEISPIEL A wird in Schritt 424 das Patientendaten-Knotendiagramm 500 daraufhin überprüft, ob der zweite Patientendatenknoten 502b einen Vorgängerknoten hat und ob der sechste Patientendatenknoten 502f einen Vorgängerknoten hat. Bei der Prüfung wird festgestellt, (1) dass der erste Patientendatenknoten 502a, der die Patientendiagnose AMI repräsentiert, von der STEMI ein Untertyp ist, ein Vorgängerknoten des zweiten Patientendatenknotens 502b ist und (2) dass der vierte Patientendatenknoten 502d, der alle Altersgruppen repräsentiert, ein Vorgängerknoten des sechsten Patientendatenknotens 502f ist, der den Altersbereich von 56 bis 64 Jahren repräsentiert. Ebenso zeigt die Prüfung in Schritt 424 von BEISPIEL A im Krankheitsverlaufs-Beziehungsdiagramm 600 an, dass der erste Krankheitsverlaufsknoten 602a keinen Vorgängerknoten hat.
  • Im Rahmen des Schritts 424 werden die Informationen über die identifizierten Vorgängerknoten in die Krankenakten-Datenstruktur zurückgeführt, um weitere Einträge, Zeilen oder Datensegmente zu finden, die mit den identifizierten Vorgängerknoten übereinstimmen.
  • Für BEISPIEL A, bei dem der erste Patientendatenknoten 502a und der vierte Patientendatenknoten 502d als relevante Vorgängerknoten für die empfangenen Patientendaten und für den Patienten, von dem die Patientendaten stammen, identifiziert wurden, wird die Krankenaktentabelle 902 mit dem ersten Patientendatenknoten 502a und dem vierten Patientendatenknoten 502d als Eingabe für die Suche durchsucht.
  • In BEISPIEL A führt diese Suche dazu, dass die erste Krankenaktentabellenzeile 904 als übereinstimmend identifiziert wird, weil die erste Krankenaktentabellenzeile 904 „502a“ und „502d“ als Einträge in ihrer ersten und zweiten Spalte bezüglich der Patientendaten enthält. Die erste Krankenaktentabellenzeile 902 ist ebenfalls eine Übereinstimmung, da der Verlaufseintrag für die Verlaufsspalte „602a“ lautet, was mit dem in BEISPIEL A gewählten oder eingegebenen Krankheitsverlauf von MACE übereinstimmt. Der eingegebene Krankheitsverlauf kann in der Regel mit der Absicht gewählt werden, die beste Intervention zur Vermeidung dieses Krankheitsverlaufs zu finden.
  • Die zweite Datenzeile in der Krankenaktentabelle 902 ist in BEISPIEL A keine Übereinstimmung, denn auch wenn der erste Spalteneintrag „502a“ für diese zweite Datenzeile eine Übereinstimmung mit den Informationen aus einem der relevanten Vorgängerknoten darstellt, steht der zweite Spalteneintrag „502e“ für diese zweite Datenzeile in Konflikt zum sechsten Patientendatenknoten 502f. Der zweite Spalteneintrag „502e“ entspricht dem fünften Patientendatenknoten 502e, der dem Altersbereich kleiner oder gleich 55 Jahre entspricht. Diese Altersspanne steht in Konflikt zu den Patientendaten in BEISPIEL A, wonach der Patient 60 Jahre alt ist.
  • Die dritte Datenzeile in der Krankenaktentabelle 902 wurde bereits beim ersten Abgleich (Schritt 420) in BEISPIEL A als übereinstimmend mit den Patientendaten und dem ausgewählten möglichen Krankheitsverlauf identifiziert. Die Interventionsinformation „708e“ aus dieser dritten Datenzeile wurde bereits in Schritt 422 zur Zuordnung im Interventionsbaum 700 verwendet.
  • Die vierte Datenzeile in der Krankenaktentabelle 902 wird in BEISPIEL A immer ebenfalls nicht als übereinstimmend identifiziert, weil der Patientendateneintrag „502c“, der einer Nicht-STEMI-Diagnose entspricht, immer noch mit den ursprünglichen Patientendaten einer STEMI-Diagnose in Konflikt steht. Diese Nichtübereinstimmung wird auch dadurch deutlich, dass keiner der Einträge in der ersten oder zweiten Spalte der vierten Datenzeile eine direkte Übereinstimmung mit dem Vorgängerknoten ist, der als neu relevant gefunden wurde. Mit anderen Worten: Keiner dieser Einträge („502c“, leer) stimmt direkt mit dem ersten Patientendatenknoten 502a überein, der ein Vorgängerknoten des zweiten Patientendatenknotens 502b ist.
  • Die fünfte Datenzeile in der Krankenaktentabelle 902 würde ebenfalls neu als Übereinstimmung für BEISPIEL A identifiziert werden, da die fünfte Datenzeile in ihrer ersten Spalte zu den Patientendaten den Eintrag „502a“ enthält. Dieser Eintrag „502a“ ist eine direkte Übereinstimmung mit dem ersten Patientendatenknoten 502a, der als Vorgängerknoten des zweiten Patientendatenknotens 502b erkannt wurde, der den Patientendaten einer STEMI-Diagnose entspricht. Diese neue Übereinstimmung würde auch deshalb auftreten, weil die zweite Spalte leer ist und daher keinen Eintrag enthält, der mit dem zweiten Patientendatenknoten 502b in Konflikt steht. Diese neue Übereinstimmung würde auch auftreten, weil der Eintrag „602a“ in der Verlaufsspalte eine direkte Übereinstimmung mit dem ersten Krankheitsverlaufsknoten 602a ist, der dem möglichen Krankheitsverlauf von MACE entspricht, für den eine wirksame Intervention gesucht wird.
  • Somit ergab die Prüfung auf Vorgängerknoten in Schritt 424 in BEISPIEL A, dass die erste Krankenaktentabellenzeile 904 und die fünfte Datenzeile, zusätzlich zur dritten Datenzeile, mit den Patientendaten und dem gewählten Krankheitsverlauf übereinstimmen.
  • Somit würden im Rahmen von Schritt 424 in BEISPIEL A die Interventionsoption „708a“ aus der ersten Krankenaktentabellenzeile 904 und die Interventionsoption „708f“ aus der fünften Datenzeile ebenfalls als Verweis auf relevante Interventionsoptionen gespeichert, für die in der Krankenakten-Datenstruktur Informationen über deren Interventionswirkungen enthalten sind. Eine Rückkehr zur Zuordnung im Interventionsbaum 700 würde anzeigen, dass der erste Interventionsknoten 708a, der einer Thrombolysebehandlung entspricht, der Information „708a“ entspricht und dass der sechste Interventionsknoten 708f, der einer primären CABG entspricht, der Information „708f“ entspricht. Diese Informationen können auch als Referenz bei der Abgabe einer oder mehrerer Empfehlungen an den Patienten gespeichert werden, z.B. im Speicher 28.
  • In Schritt 426 des in 4 dargestellten Prozesses 400 wird der Interventionsbaum, z.B. der Interventionsbaum 700, auf alle gefundenen geeigneten Kombinationen der Interventionsoptionen überprüft. Dieselbe oder eine ähnliche Software, die vorstehend beschrieben wurde, um den Abgleich, die Zuordnung und die Prüfung durchzuführen, kann auch verwendet und programmiert werden, um die Prüfung in Schritt 426 durchzuführen. Jede ermittelte geeignete Kombination von Interventionsoptionen kann dann in einem Speicher, z.B. dem Speicher 28, gespeichert werden, der mit dem Prozessor, z.B. der Verarbeitungseinheit 16, verbunden ist, um für nachfolgende Schritte zur Verfügung zu stehen, in denen verringerte Risikowerte ermittelt werden, und in einigen Fällen, um für den Zugriff für spätere Anzeige für die medizinische Fachkraft oder den Patienten verfügbar zu sein, wenn eine Empfehlung ausgesprochen wird. Die Prüfung auf geeignete Kombinationen kann in einigen Fällen dazu beitragen, dass festgestellt wird, dass die beste Behandlung eine Kombination von Einzelbehandlungen oder einzelnen Interventionsmaßnahmen oder -optionen ist.
  • Für BEISPIEL A wird der Interventionsbaum 700 in Schritt 426 im Hinblick auf die identifizierten Interventionsinformationen „708e“, „708a“ und „708f“ überprüft, um festzustellen, ob Interventionsmaßnahmen, die diesen Informationen entsprechen, in geeigneter Weise für einen Behandlungsplan für den Patienten kombiniert werden können, um die beste Intervention zur Verringerung des Risikos des Auftretens des negativen Krankheitsverlaufs bereitzustellen. Die Überprüfung des Interventionsbaums 700 zeigt, dass der fünfte und der sechste Interventionsknoten 708e und 708f beide Kindknoten eines Exklusivknotens 704a sind und daher möglicherweise nicht beide als Kombination von Behandlungen an einem Patienten angewendet werden können. Vielmehr kann der Patient entweder eine primäre Angioplastie oder eine primäre CABG erhalten, aber nicht beides. Die Überprüfung zeigt jedoch auch, dass die Thrombolysebehandlung, die dem ersten Interventionsknoten 708a entspricht, ein Kindknoten eines zweiten Inklusivknotens 708b und zudem kein Kindknoten des Exklusivknotens 704a ist. Daher kann die Thrombolysebehandlung entweder mit der primären Angioplastie oder mit der primären CABG als zwei getrennte Behandlungsmöglichkeiten kombiniert werden, die aus einer Kombination einzelner Interventionsmaßnahmen oder einzelner Interventionsoptionen bestehen. Die beiden geeigneten Kombinationen können kurz als („708a“, „708e“) und („708a“, „708f“) bezeichnet werden. Diese beiden neu identifizierten Kombinationen können im Speicher, z.B. im Speicher 28, zur Verwendung in einer nachfolgenden Berechnung eines Risikowerts gespeichert werden, die von einem Prozessor, z.B. der Verarbeitungseinheit 16, durchgeführt werden kann.
  • Zumindest in einigen Ausführungsformen können die Schritte 416 bis 426 zusammen eine Erzeugung einer oder mehrerer Interventionsoptionen auf Grundlage der Patientendaten darstellen.
  • In Schritt 427 des in 4 gezeigten Prozesses 400 kann eine Aufforderung erfolgen, weitere Patientendaten vom Patienten bereitzustellen, um eine Prüfung auf weitere Übereinstimmungen von Interventionsoptionen zu ermöglichen. Schritt 427 wird weiter unten in Bezug auf Beispiel D ausführlicher erläutert.
  • In Schritt 428 des in 4 gezeigten Prozesses 400 wird für jede der gefundenen Interventionsoptionen aus den Schritten 420, 424, 427 und für jede der in Schritt 426 gefundenen geeigneten Kombinationen ein verringerter Risikowert ermittelt. Diese Ermittlung kann erfolgen, indem der Prozessor, z.B. die Verarbeitungseinheit 16, so programmiert wird, dass er bestimmte Formeln enthält, die die Berechnung eines verringerten Risikowerts ermöglichen. Diese Ermittlung kann auch Überprüfen der Krankenakten-Datenstruktur umfassen, um Informationen über die Änderung des Risikowerts zu erhalten, wie z.B. einen relativen Risikoverringerungsbetrag für eine bestimmte Intervention, der in der Krankenakten-Datenstruktur gespeichert ist. Die Verringerung des Risikowerts kann einen Interventionseffekt der jeweiligen Interventionsoption darstellen, so dass das Ermitteln des verringerten Risikowerts auch zur Analyse des Interventionseffekts dieser Interventionsoption beiträgt.
  • Eine absolute Risikoverringerung (ARR) für eine Behandlung oder eine Interventionsmaßnahme zur Verringerung der Wahrscheinlichkeit, dass ein Ereignis bei einer Gruppe von Personen eintritt, kann durch Subtraktion eines absoluten Risikos einer Behandlungsgruppe (ART) von einem absoluten Risiko einer Kontrollgruppe (ARC) berechnet werden. Mit anderen Worten: Die ARR kann als arithmetische Differenz der ARs (z.B. ART zur ARC) berechnet werden, die in der Behandlungsgruppe und der Kontrollgruppe auftreten. Mit anderen Worten: ARR = ARC - ART. Wenn beispielsweise das Risiko des Auftretens eines Ereignisses in der Kontrollgruppe 40 % (ARC = 40 %) und das Risiko des Auftretens des Ereignisses in der Behandlungsgruppe 30 % (ART = 30 %) beträgt, dann wird die ARR für diese Behandlung in Bezug auf das bestimmte Ereignis mit 40 % - 30 % = 10 % (oder 0,10) berechnet.
  • Gemäß einigen Ausführungsformen der Offenbarung wird ein Wert, der als „relative Risikoverringerung“ (RRR) bezeichnet wird, verwendet, um die Wirkung einer Interventionsoption und eines reduzierten Risikowerts zu bewerten. Die relative Risikoverringerung hilft, einen Interventionseffekt in der Behandlungsgruppe besser zu charakterisieren. Die relative Risikoverringerung (RRR) ist die relative Abnahme des Risikos eines unerwünschten Ereignisses in der Behandlungsgruppe im Vergleich zur Kontrollgruppe. Die relative Risikoreduktion (RRR) wird über RRR = (ARC - ART)/ARC = 1 - ART/ARC ermittelt. In dem obigen Beispiel, in dem ARC = 40 % und ART = 30 % ist, wird die RRR für diese Behandlung in Bezug auf das bestimmte Ereignis mit 1 - 0,75 = 0,25 berechnet.
  • Für eine bestimmte Interventionsmaßnahme kann die RRR der Interventionsmaßnahme in Bezug auf einen bestimmten Krankheitsverlauf aus der vorhandenen medizinischen Literatur oder aus Studien entnommen werden. So kann es beispielsweise eine Studie geben, die zeigt, dass bei regelmäßiger Einnahme von Aspirin bei bestimmten Patienten die RRR für kardiovaskuläre Todesfälle 0,25 beträgt. Die Einnahme von Aspirin verringert also die Möglichkeit oder Wahrscheinlichkeit, dass ein Patient einen kardiovaskulären Tod erleidet.
  • Für jede der einen oder der mehreren Interventionsoptionen kann ein Interventionseffekt bewertet werden, indem ein Einfluss jeder der einen oder der mehreren Interventionsmaßnahmen der entsprechenden Interventionsoption auf den Risikowert berücksichtigt wird. Gemäß einer Ausführungsform der Offenbarung kann die Berücksichtigung des Einflusses jeder der einen oder der mehreren Interventionsmaßnahmen auf den Risikowert Berechnen des Interventionseffekts durch Verwendung einer relativen Risikoverringerung der entsprechenden Intervention umfassen, wobei die relative Risikoverringerung aus medizinischem Wissen in Bezug auf die entsprechende Intervention identifiziert oder ermittelt wurde. Gemäß einer Ausführungsform der Erfindung kann das medizinische Wissen aus mindestens einer medizinischen Literaturquelle oder Studie gewonnen werden, deren Informationen in der Krankenakten-Datenstruktur gespeichert sind. Die ermittelte Wirkung der Intervention kann durch einen verringerten Risikowert dargestellt werden, wobei der niedrigste verringerte Risikowert der Intervention mit der größten Wirkung entspricht.
  • Gemäß einer Ausführungsform der Offenbarung kann der verringerte Risikowert q als Gleichung (2) angegeben werden: q = q ( ƒ ( X ) , T )
    Figure DE102021123842A1_0003
    wobei T ein Vektor von Interventionsmaßnahmen einer Interventionsoption ist und f(x) den Risikowert r wie oben beschrieben darstellt. Hierbei kann Gleichung (2) zu Gleichung (3) erweitert werden: q ( ƒ ( X ) , T ) = ƒ ( X ) * ∏ i = 1 n ( 1 − R R R ( t i ) )
    Figure DE102021123842A1_0004
    wobei n die Anzahl der Interventionsmaßnahmen einer Interventionsoption ist. RRR(t) ist die relative Risikoverringerung für eine Interventionsoption t.
  • Wie vorstehend erläutert, wurden in BEISPIEL A insgesamt fünf Interventionsoptionen generiert, nämlich diejenigen, die den Interventionsinformationen entsprechen: „708e“, „708a“, „708f“, („708a“, „708e“) und („708a“, „708f“), die sowohl die drei einzelnen Interventionsoptionen als auch die beiden geeigneten Kombinationen umfassen. Die in 9A gezeigte Krankenakten-Datentabelle 902 zeigt, dass die medizinische Studie Estess (2002) zu dem Schluss kam, dass die RRR für die Intervention „708a“ (Thrombolyse) 0,31 beträgt (angegeben in der ersten Krankenaktentabellenzeile 904), dass die medizinische Studie Chucherat (2003) zu dem Schluss kam, dass die RRR für die Intervention „708e“ (primäre Angioplastie) 0,15 beträgt (angegeben in der dritten Datenzeile) und dass die medizinische Studie Yusuf (1994) zu dem Schluss kam, dass die RRR für die Intervention „708f“ (primäre CABG) 0,39 beträgt.
  • Die vorstehend angegebene Formel (2) kann in BEISPIEL A verwendet werden, um den verringerten Risikowert für jede der drei vorstehend genannten Einzelinterventionen sowie für die beiden geeigneten Kombinationen von Interventionsoptionen zu berechnen. Die Berechnungen gehen von dem Risikowert von 0,43 aus, der in Schritt 414 von BEISPIEL A ermittelt wurde. Tabelle 3 - Beispiel A
    Interventionsoption RRR Berechnung geht von Risikowert von 0,43 aus Verringerter Risikowert (q)
    708a 0,31 0,43*(1-0,31) 0,297
    708e 0,15 0,43*(1-0,15) 0,366
    708f 0,39 0,43*(1-0,39) 0,262
    Kombination: 708a, 708e 0,31, 0,15 0,43*(1-0,31)*(1-0,15) 0,252
    Kombination: 708a, 708f 0,31, 0,39 0,43*(1-0,31)*(1-0,39) 0,181
  • Diese Berechnungen zeigen, dass die Daten darauf hindeuten, dass die Kombination aus Thrombolyse („708a“) und primärer CABG („708f“), die zusammen als Intervention bei dem Patienten aus BEISPIEL A eingesetzt wird, die größte Verringerung des Risikowerts erzielen würde, da der verringerte Risikowert von 0,181 kleiner ist als jeder der anderen vier berechneten verringerten Risikowerte von BEISPIEL A. Somit würde die Kombination aus Thrombolyse („708a“) und primärer CABG („708f“), die zusammen eingesetzt wird, den größten Interventionseffekt der fünf möglichen Behandlungsoptionen haben.
  • In einem alternativen Beispiel, nämlich in BEISPIEL D, wurde die in 9A gezeigte Krankenaktentabelle 902 ebenfalls in Schritt 402 erstellt, MACE war ebenfalls der Krankheitsverlauf in Schritt 412, und die empfangenen Patientendaten enthielten eine Diagnose eines STEMI, wie in BEISPIEL A. Anders als in BEISPIEL A enthielten die in Schritt 410 empfangenen Patientendaten in BEISPIEL D jedoch keine Informationen über das Alter des Patienten. Bei der Durchführung des Schritts 416 in BEISPIEL D würde das Computerprogramm erkennen, dass die zweite Datenzeile in der Krankenaktentabelle 902 eine mögliche Übereinstimmung für den Patienten enthielt, wenn der Patient ein Alter von kleiner oder gleich 55 Jahren hätte. Insbesondere enthält die zweite Datenzeile in der Krankenaktentabelle 902 einen Eintrag „502e“ in der Spalte „P: extended“, und dieser Eintrag „502e“ entspricht dem fünften Patientendatenknoten 502e, der im Patientendaten-Knotendiagramm 500 von 5 gezeigt ist. Der fünfte Patientendatenknoten 502e entspricht einem Alter, das kleiner oder gleich 55 Jahre alt ist.
  • In dieser Situation in BEISPIEL D, in der eine mögliche, aber unbestätigte Zeilenübereinstimmung festgestellt wird, kann eine Aufforderung an den Arzt, die medizinische Fachkraft oder den Patienten generiert werden, das Alter des Patienten einzugeben, damit das Computerprogramm ermitteln kann, ob die zweite Datenzeile mit dem Patienten übereinstimmt und ob sie daher nützliche quantitative Daten für die Erstellung eines Gesundheitsplans für den Patienten enthält. Diese Aufforderung ist ein Beispiel für Schritt 427 in Prozess 400. Diese Aufforderung kann durch die Erzeugung einer grafischen Benutzeroberfläche, die z.B. auf der Anzeige 24 angezeigt wird, oder durch die Erzeugung einer Audiofrage erfolgen. Wenn das Computerprogramm beispielsweise die Aufforderung durchgeführt hat und der Patient oder die medizinische Fachkraft dann ein Alter von 48 Jahren für den Patienten eingegeben hat, kann das Computerprogramm feststellen, dass die zweite Datenzeile für den Patienten eine Übereinstimmung darstellt. Anders als in BEISPIEL A würden sich in BEISPIEL D also vier individuelle Optionen finden. Mit der Prüfung auf geeignete Kombinationen in Schritt 426 im Interventionsbaum 700 wurden dann in BEISPIEL D geeignete Kombinationen von Interventionsoptionen ermittelt. Dieser Schritt 426 für BEISPIEL D würde neben den vier einzelnen Interventionsoptionen insgesamt sieben mögliche Kombinationen ergeben. Die nachstehend aufgeführten sieben geeigneten Kombinationen in BEISPIEL C sind die gleiche Kombination von Interventionsnummern wie die sieben geeigneten Kombinationen für BEISPIEL D.
  • Für das zuvor vorgestellte BEISPIEL B wurde in Schritt 414 ein Risikowert für MACE von 0,249 für einen Patienten ermittelt, der 89 Jahre alt ist, eine Anzahl weißer Blutkörperchen von 12*10^9/L hat und einen Killip-Level von 3 aufweist. Im Beispiel B enthält die Krankenakten-Datenstruktur ferner Einträge, die darauf hinweisen, dass die folgenden acht Interventionen einen relativen Risikoverringerungswert wie in der nachstehenden Tabelle 4 angegeben aufweisen. Diese relativen Risikoverringerungswerte stammen aus der medizinischen Fachliteratur, deren Informationen in einem anderen Schritt des Prozesses 400, z. B. in Schritt 402 des Prozesses, in die Krankenakten-Datenstruktur eingegeben wurden. Tabelle 4 - Beispiel B
    T - Interventionen RRR(t)
    1 Primäre PCI 0,32
    2 Thrombolyse 0,31
    3 ACEI ARB 0,07
    4 Aspirin 0,15
    5 Clopidogrel 0,07
    6 Ticagrelor 0,12
    7 Metoprolol 0,36
    8 hochdosiertes Statin 0,35
  • Die in BEISPIEL B durchgeführten Schritte 416 bis 424 des Prozesses 400 führten dazu, dass die Interventionen 1, 5 und 6 als Interventionsoptionen für den 89-jährigen Patienten generiert wurden. Der Schritt 426 zeigte auch an, dass die Kombinationen der Interventionen (1, 5) und (1, 6) für diesen 89-jährigen Patienten ebenfalls geeignet wären. Unter Verwendung dieser fünf Interventionsoptionen (drei Einzelinterventionen plus zwei Kombinationen) und unter Berücksichtigung der Tatsache, dass der Risikowert 0,249 betrug, werden in Schritt 428 für BEISPIEL B die folgenden verringerten Risikowerte für die Interventionen und die geeigneten Kombinationen von Interventionen ermittelt, wie in Tabelle 5 unten angegeben: Tabelle 5 - Beispiel B
    f(x) Primäre PCI Thromb. ACEI ARB Aspir. Clopidogrel Ticagrelor Metoprolol Hochdosiertes Statin q(f(x), T) verringerter Risikowert
    0,249 + 0,249 * (1- 0,32) = 0,169
    0,249 + 0,249 * (1 - 0,07) = 0,232
    0,249 + 0,249 * (1- 0,12) = 0,219
    0,249 + + 0.249*(1-0,32)* (1- 0,07) = 0,157
    0,249 + + 0,249 * (1- 0,32) * (1- 0,12) = 0,149
  • Diese Berechnungen zeigen, dass die Daten darauf hindeuten, dass die Kombination aus primärer PCI und Ticagrelor, die zusammen als Intervention bei dem 89-jährigen Patienten aus BEISPIEL B eingesetzt wird, die größte Verringerung des Risikowerts und den größten Interventionseffekt erzielen würde, da der verringerte Risikowert von 0,149 kleiner ist als jeder der anderen vier berechneten verringerten Risikowerte aus BEISPIEL B.
  • Nachfolgend wird ein weiteres BEISPIEL C angeführt, um die Merkmale des Schritts 428 des Bestimmens des Risikowerts für die Interventionsoptionen näher zu erläutern. In BEISPIEL C wurden in den Schritten 416 bis 424 des Verfahrens 400 vier Interventionsoptionen l1, l2, l5 und l6 erzeugt. Die Krankenakten-Datenstruktur für dieses BEISPIEL C enthielt die folgenden RRR-Informationen aus medizinischen Literaturquellen L1, L2, L3 bzw. L4. Diese RRR-Informationen sind in der nachstehenden Tabelle 6 für jede der vier einzelnen Interventionsmaßnahmen oder -optionen aufgeführt. Tabelle 6 - BEISPIEL C
    Interventionsoptionen RRR Literatur
    I1 0,1 L1
    I2 0,2 L2
    l5 0,25 L3
    I6 0,3 L4
  • Der Schritt 426 in BEISPIEL C zeigte, dass eine Kombination der Interventionsoptionen I5 und I6 ungeeignet ist, dass aber alle anderen Kombinationen der vier Interventionsoptionen geeignet wären. Für BEISPIEL C wurde der Risikowert aus Schritt 414 als 0,5 für den Krankheitsverlauf H des Patienten ermittelt. Unter Verwendung der Interventionsoptionen und ausgehend von dem Risikowert von 0,5 ermittelt Schritt 428 für BEISPIEL C die folgenden verringerten Risikowerte für die einzelnen Interventionsoptionen und die geeigneten Kombinationen von Interventionen, wie in Tabelle 7 unten angegeben: Tabelle 7- BEISPIEL C
    Interventionsoption Berechnung ausgehend von Risikowert von 0,5 Verringerter Risikowert (q)
    I1 0,5*(1-0,1) 0,45
    I2 0,5*(1-0,2) 0,4
    I5 0,5*(1-0,25) 0,38
    I6 0,5*(1-0,3) 0,35
    I1, I2 0,5*(1-0,1)*(1-0,2) 0,36
    I1, I5 0,5*(1-0,1)*(1-0,25) 0,34
    I1, I6 0,5*(1-0,1)*(1-0,3) 0,32
    I2, I5 0,5*(1-0,2)*(1-0,25) 0,3
    I2, I6 0,5*(1-0,2)*(1-0,3) 0,28
    I1, I2, I5 0,5*(1-0,1)*(1-0,2)*(1-0,25) 0,27
    I1, I2, I6 0,5*(1-0,1)*(1-0,2)*(1-0,3) 0,25
  • Diese Berechnungen zeigen, dass die Daten darauf hindeuten, dass die Kombination der Interventionsoptionen I1, I2 und I6, die zusammen als Interventionen bei dem Patienten aus BEISPIEL C eingesetzt wurden, die größte Verringerung des Risikowerts und den größten Interventionseffekt erzielen würde, da der verringerte Risikowert von 0,25 kleiner ist als jeder der anderen zehn berechneten verringerten Risikowerte aus BEISPIEL C.
  • In einigen Ausführungsformen der Offenbarung kann die Krankenakten-Datenstruktur Einträge aus mehr als einer Literaturquelle oder Studie enthalten, die Informationen oder Daten über die Wirksamkeit einer bestimmten Interventionsoption liefern, z.B. kann mehr als eine Studie einen eindeutigen RRR für eine einzelne Interventionsoption liefern. Gemäß dieser Ausführungsform kann das medizinische Wissen aus einer Vielzahl von Literaturquellen oder aus einer Vielzahl von Studien gewonnen werden. Bei der Berechnung des verringerten Risikowerts kann jeder der mehreren Literaturquellen oder Studien eine entsprechende Gewichtung oder Varianz zugewiesen werden. Mehr Gewicht kann der Literaturquelle beigemessen werden, die eine genauere Wirkung der Interventionsoption nachgewiesen hat.
  • Gemäß einigen Ausführungsformen der Offenbarung kann die Gewichtung jeder Literaturquelle oder Studie unter Berücksichtigung ihrer Genauigkeit, des Journal Impact Factors, der Peer-Review oder der Anzahl der Referenzen, die sie zitiert, oder der Anzahl der Zitatverweise auf sie in anderen Artikeln/Studien voreingestellt werden. Nach einer anderen Ausführungsform der Offenbarung kann die Gewichtung jeder Literaturquelle oder Studie mithilfe des Verfahrens nach DerSimonian und Laird (D-L-Verfahren) ermittelt werden, das die Varianz des beobachteten Effekts zwischen den Studien berücksichtigt. In einer weiteren Ausführungsform können auch andere Verfahren als das dem Fachmann bekannte D-L-Verfahren verwendet werden, um die Gewichtung jeder Literaturquelle oder Studie zu ermitteln.
  • So kann in diesen Ausführungsformen der Schritt 428 auch Zuweisen einer entsprechenden Gewichtung oder Varianz zu jeder der mehreren Literaturquellen oder Studien bei der Berechnung der verringerten Risikowerte oder der Ermittlung des Interventionseffekts umfassen. Zum Beispiel können für eine Intervention zur Raucherentwöhnung drei verschiedene medizinische Literaturquellen L1, L2 und L3 einen eindeutigen RRR-Wert für die Verringerung des Risikos, dass ein Patient oder eine Patientengruppe ein Ergebnis „O“ erfährt, liefern. Die nachstehende Tabelle 8 veranschaulicht diese Gewichtungen und eindeutigen RRR-Werte für L1, L2 und L3. Tabelle 8 - Beispiel E
    Literatur Gewichtung RRR
    L1 0,8 0,35
    L2 0,5 0,42
    L3 0,6 0,40
  • Für diese Ausführungsformen, die eine Gewichtung verschiedener Literaturquellen umfassen, kann RRR(t) aus Gleichung (3) als nachstehende Gleichung (4) dargestellt werden: R R R ( t ) = ∑ k = 1 m w k ∗ r r r ( t ) ∑ k = 1 m w k
    Figure DE102021123842A1_0005
    wobei m die Anzahl der Literaturquellen oder Studien ist, die für eine Intervention genutzt werden können, und wobei w die Gewichtung der Bedeutung der entsprechenden Literaturquelle oder Studie ist.
  • Nach der obigen Gleichung (4) ergibt sich dann in BEISPIEL E unter Verwendung der Informationen aus Tabelle 8 die kombinierte Wirkung RRR = {(0,8*0,35) + (0,5*0,42) + (0,6*0,40)} / (0,8+0.5+0,6) ≈ 0,38. Somit wird der berechnete Wert von „0,38“ als endgültiger RRR der Interventionsmaßnahme „Raucherentwöhnung“ gemäß den drei Literaturquellen L1 bis L3 festgehalten. Die Gewichtungen aus der obigen Tabelle 8 können mit dem D-L-Verfahren ermittelt werden.
  • Ein Beispiel für die Berechnung einer Gewichtung unter Verwendung des D-L-Verfahrens wird nun als BEISPIEL F beschrieben. In diesem Beispiel liefern sowohl Studie 1 als auch Studie 2 in der Krankenakten-Datenstruktur eine relative Risikoverringerung für die Verwendung hoher Statin-Dosierungen zur Verringerung des Risikos von MACE. In dieser Studie werden beide Studien gleich gewichtet, aber die Studien haben eine unterschiedliche Varianz der beobachteten Effektgröße um ihren tatsächlichen Effekt geliefert. Studie 1 ergab einen rrr = 0,42, aber eine Varianz v1 = 0,39. Studie 2 ergab einen rrr = 0,35, aber eine Varianz v2 = 0,1. Da die relativen Risikoverringerungswerte zwischen den beiden Studien kombiniert werden, wird der relative Risikoverringerungswert für eine Studie als „rrr“ und der kombinierte relative Risikoverringerungswert als „RRR“ bezeichnet.
  • Für die Berechnungen ist RRR(t) die kombinierte relative Risikoverringerung der für beide Studien ermittelten hohen Statin-Dosierungen. „k“ ist die Anzahl der Studien in der Analyse. Wi ist die Gewichtung, die jeder Studie zugewiesen wird. Yi ist der beobachtete Effekt in der Studie i. Vi ist die Varianz von Yi um den tatsächlichen Effekt. T2 ist die Varianz zwischen den Studien. Tabelle 9 - Beispiel F
    C = ∑ i = 1 k w i − ∑ i = 1 k w i 2 ∑ i = 1 k w i
    Figure DE102021123842A1_0006
         		k=2. wi=1, da beide Studien gleich gewichtet werden C=1
    df = k - 1 df =1
    Y ¯ w = ∑ i = 1 k w i Y i ∑ i = 1 k w i
    Figure DE102021123842A1_0007
         		Y w = 0,385
    Q = ∑ i = 1 k w i ( Y i − Y ¯ w ) 2
    Figure DE102021123842A1_0008
         		Q=0,00245
    T 2 = max { 0, Q − d ƒ C }
    Figure DE102021123842A1_0009
         		T2=0
    W i = 1 V i + T 2
    Figure DE102021123842A1_0010
         		W1=2,564, W2=10
    R R R ( t ) = ∑ i = 1 k w i r r r ( t ) ∑ i = 1 k w i
    Figure DE102021123842A1_0011
         		(2,564*0,42+10*0,35)/(2,564+10) = 0,364
  • Aus diesen Berechnungen geht hervor, dass in diesem BEISPIEL F mit den Studien 1 und 2 die gespeicherte relative Risikoverringerung für die hochdosierte Statin-Behandlung als 0,364 aufgenommen wird.
  • In Schritt 430 des in 4 gezeigten Prozesses 400 werden die in Schritt 428 ermittelten verringerten Risikowerte miteinander verglichen. Dieselbe oder eine ähnliche Software, die vorstehend für den Abgleich und die Zuordnung beschrieben wurde, kann auch für den Vergleich in Schritt 430 verwendet werden. Der Vergleich wird klären, welche Intervention oder welche Kombination von Interventionen den größten Interventionseffekt hatte und den niedrigsten verringerten Risikowert erzielte. Das Vergleichen kann Ordnen der Interventionen und der Kombinationen von Interventionen in einer aufsteigenden oder absteigenden Reihenfolge gemäß den verringerten Risikowerten umfassen.
  • In Schritt 432 des in 4 gezeigten Prozesses 400 wird eine Empfehlung für eine oder mehrere der gefundenen Interventionsoptionen oder für eine oder mehrere der Kombinationen von Interventionsoptionen gegeben. Diese Bereitstellung kann dadurch erfolgen, dass das Computerprogramm eine Nachricht auf einem Bildschirm anzeigt, z.B. auf der Anzeige 24, oder dass das Computerprogramm über einen an den Computer angeschlossenen Lautsprecher eine Audionachricht mit einer Empfehlung sendet. In einigen Ausführungsformen empfiehlt das Computerprogramm die Intervention oder die Kombination von Interventionen, die den größten Interventionseffekt hatte und den niedrigsten verringerten Risikowert erzielte. Die Erteilung der Empfehlung kann eine Behandlungsentscheidung darstellen.
  • Diese Empfehlung in Schritt 432 kann dadurch erfolgen, dass das Computerprogramm die Interventionen und die Kombinationen in einer aufsteigenden oder absteigenden Reihenfolge gemäß den verringerten Risikowerten auflistet oder anzeigt oder ankündigt und den am niedrigsten oder am höchsten positionierten Eintrag hervorhebt. Der hervorgehobene Eintrag würde die empfohlene Intervention darstellen. In einigen Ausführungsformen kann das Computerprogramm, wenn mehrere Interventionsoptionen einen ähnlichen Interventionseffekt haben, z.B. einen ähnlich verringerten Risikowert erzeugen, mehrere Interventionsoptionen empfehlen und gleichzeitig Informationen über die verschiedenen Effekte bereitstellen. Beispielsweise könnten mehrere Einträge hervorgehoben oder angekündigt werden, da sie den anderen Interventionen in Bezug auf ihre Interventionseffekte oder verringerten Risikowerte ähnlich überlegen sind, und jeder der mehreren Einträge könnte mit einer anderen Farbe auf dem Bildschirm oder mit unterschiedlichen Hintergrundgeräuschen oder Musik über den Lautsprecher hervorgehoben werden. Im Rahmen von Schritt 430 kann eine Intervention oder eine Kombination mit dem kleinsten q, das sich aus Gleichung (2) ergibt, empfohlen werden.
  • In BEISPIEL A kann das Computerprogramm im Rahmen von Schritt 432 empfehlen, dass der Patient die Interventionskombination aus Thrombolyse („708a“) und primärer CABG („708f“) erhält, weil diese Kombination den größten Interventionseffekt hatte und den niedrigsten verringerten Risikowert ergab, nämlich mit einem verringerten Risikowert von 0,181. In BEISPIEL B kann das Computerprogramm im Rahmen von Schritt 432 empfehlen, dass der Patient die Kombination aus primärer PCI und Ticagrelor erhält, da diese Kombination den größten Interventionseffekt und den niedrigsten verringerten Risikowert aufweist, wobei der verringerte Risikowert 0,149 beträgt. In BEISPIEL C kann das Computerprogramm im Rahmen von Schritt 432 die Empfehlung aussprechen, dass der Patient die Kombination der Interventionsoptionen I1, I2 und I6 erhält, da diese Kombination den größten Interventionseffekt hatte und den niedrigsten verringerten Risikowert, nämlich ein Risiko von 0,25, erreichte.
  • In Schritt 434 des in 4 gezeigten Prozesses 400 prüft das Computerprogramm, ob neue medizinische Datensätze, Studien oder Literatur zur Verfügung gestellt oder veröffentlicht wurden, die neue quantitative Informationen zum Krankheitsrisiko und quantitative Informationen zum Interventionseffekt liefern. Diese Überprüfung kann auf dieselbe Weise wie Schritt 402 durchgeführt werden, wobei entweder ein Mitarbeiter neu veröffentlichte medizinische Arbeiten manuell überprüft oder das Computerprogramm das Internet durchsucht oder medizinische Studien und/oder medizinische Literaturquellen durchsucht, die in das Programm hochgeladen werden, und NLP-Techniken verwendet, um medizinische Literatur mit quantitativen Informationen zu identifizieren.
  • Wenn die Prüfung in Schritt 434 anzeigt, dass eine oder mehrere neue medizinische Studien oder Literaturquellen mit quantitativen Informationen verfügbar sind, fügt das Computerprogramm in Schritt 436 des in 4 gezeigten Prozesses 400 die Informationen aus den neuen medizinischen Studien oder der Literatur in die Krankenakten-Datenstruktur, in das Patientendaten-Knotendiagramm 500, in das Krankheitsverlaufs-Beziehungsdiagramm 600 und/oder in den Interventionsbaum 700 ein. Diese Hinzufügung kann entweder dadurch erfolgen, dass ein Mitarbeiter die Informationen aus den neu veröffentlichten und identifizierten medizinischen Studien oder der Literatur manuell eintippt oder eingibt, oder dadurch, dass das Computerprogramm die Informationen aus der medizinischen Literatur oder den Studien sammelt und neue Einträge in der Krankenakten-Datenstruktur, dem Patientendaten-Knotendiagramm 500, dem Krankheitsverlaufs-Beziehungsdiagramm 600 und/oder dem Interventionsbaum 700 erstellt.
  • Beispiele für Schritt 436 für BEISPIEL A werden nachstehend mit Bezug auf 8 und 9B beschrieben. So wird beispielsweise in Schritt 434 eine Literaturquelle, Hjalmarson 1981, neu gefunden, aus der hervorgeht, dass das Sterberisiko um 0,36 gesenkt werden kann, wenn Metoprolol als Intervention eingesetzt wird. 9B zeigt eine Situation, in der eine neue Datensatzeintragszeile 908 zur Krankenaktentabelle 902 hinzugefügt wird, um eine aktualisierte Krankenaktentabelle 906 zu erstellen, wobei die neue Datensatzeintragszeile 908 die Informationen aus dem Artikel von Hjalmarson (1981) enthält und einen Eintrag „712“ in der Spalte „Verlauf“ mit der Bezeichnung „O“ enthält.
  • 8 zeigt einen aktualisierten Interventionsbaum 800, der durch Modifizierung des Interventionsbaums 700 gebildet wird, indem ein zweiter Exklusivknoten 704 hinzugefügt wird, der mit dem dritten Interventionsknoten 708c verbunden ist, und indem ein neuer Interventionsknoten 712 hinzugefügt wird, der mit dem zweiten Exklusivknoten 704b verbunden ist. Der Artikel von Hjalmarson enthielt Daten, die darauf hinwiesen, dass die Gabe von Metoprolol bei einem Patienten, der einen Herzinfarkt erlitten hat (entsprechend dem ersten Patientendatenknoten 502a), das Sterberisiko (entsprechend dem dritten Krankheitsverlaufsknoten 602c) um 0,36 senken kann. In der aktualisierten Krankenaktentabelle 906 wird also in der „Verlauf“-Spalte „O“ der neuen Datensatzeintragszeile 908 der Eintrag „602c“ und in der Patientendatenspalte „P“ der Eintrag „502a“ eingetragen. In dem Artikel von Hjalmarson wird darauf hingewiesen, dass Metoprolol ein Betablocker ist (entsprechend dem dritten Interventionsknoten 702c) und nicht als Behandlung in Kombination mit anderen Betablockern eingesetzt werden kann.
    8 zeigt daher, dass der neue Interventionsknoten 712 über den zweiten Exklusivknoten 704b mit dem dritten Interventionsknoten 702c verbunden ist.
  • In Schritt 438 des in 4 gezeigten Prozesses 400 kann das Computerprogramm prüfen, ob für einen anderen Patienten eine Bewertung der Krankheitsrisikoverringerung durchgeführt werden soll. Wenn der Schritt 438 eine Bejahung anzeigt, kann der Prozess zu Schritt 410 zurückkehren, um den Schritt 410 zu wiederholen, allerdings in Bezug auf den neuen Patienten. Die Schritte 402 bis 408 müssen nicht wiederholt werden, da die in Schritt 402 erstellte Krankenakten-Datenstruktur, das in Schritt 404 erstellte Patientendaten-Knotendiagramm 500, das in Schritt 406 erstellte Krankheitsverlaufs-Beziehungsdiagramm 600 und der in Schritt 408 erstellte Interventionsbaum 700 (oder der aktualisierte Interventionsbaum 800, der in Schritt 436 erstellt worden sein kann) für die Bewertung der Verringerung des Krankheitsrisikos in Bezug auf den neuen Patienten verwendet werden können. Mit der Prüfung auf einen neuen Patienten in Schritt 438 kann der Prozess 400 bis zu einem späteren Zeitpunkt warten, wenn ein neuer Patient interagiert, um eine Bewertung anzufordern, oder wenn derselbe Patient interagiert, um eine weitere Bewertung anzufordern. Dann kann der Prozess 400 mit Schritt 410 beginnen, weil die Krankenakten-Datenstruktur, das Patientendaten-Knotendiagramm 500, das Krankheitsverlaufs-Beziehungsdiagramm 600 und der Interventionsbaum 700 oder der aktualisierte Interventionsbaum 800 für die Bewertung der Krankheitsrisikoverringerung in Bezug auf den neuen Patienten verwendet werden können.
  • Das Verfahren, das Computersystem und das Computerprogrammprodukt, die vorliegend beschrieben werden, helfen medizinischen Fachkräften, die in der medizinischen Forschung ermittelten Werte zu nutzen, um die Auswahl medizinischer Behandlungen zu verbessern, die Automatisierung der Bewertung medizinischer Behandlungen zu verbessern und die Notwendigkeit für Forscher und medizinisches Pflegepersonal zu beseitigen, redundante medizinisch kontrollierte Experimente durchzuführen.
  • Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt jedes möglichen technisch detaillierten Integrationsgrads handeln. Das Computerprogrammprodukt kann (ein) durch einen Computer lesbare(s) Speichermedium (oder -medien) umfassen, auf dem/denen durch einen Computer lesbare Programmanweisungen gespeichert ist/sind, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
  • Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch eine Einheit zur Ausführung von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer Kompaktspeicherplatte-Nur-Lese-Speicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch codierte Einheit wie zum Beispiel Lochkarten oder gehobene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. ein Lichtwellenleiterkabel durchlaufende Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
  • Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter.
  • Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie Smalltalk, C++ o.ä. sowie herkömmliche prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem fernen Computer oder vollständig auf dem fernen Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, vor Ort programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
  • Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaltbilder bzw. Schaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es wird darauf hingewiesen, dass jeder Block der Ablaufpläne und/oder der Blockschaltbilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaltbildern mittels durch einen Computer lesbarer Programmanweisungen ausgeführt werden können.
  • Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Computers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaltbilder angegebenen Funktion/Schritts umsetzen.
  • Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte umsetzen.
  • Die Ablaufpläne und die Blockschaltbilder bzw. Schaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaltbildern bzw. Schaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zur Ausführung der bestimmten logischen Funktion(en) aufweisen. In einigen alternativen Ausführungen können die in den Blöcken angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. So können beispielsweise zwei nacheinander gezeigte Blöcke in Wirklichkeit in einem Schritt, gleichzeitig, im Wesentlichen gleichzeitig, teilweise oder vollständig zeitlich überlappend ausgeführt werden, oder die Blöcke können je nach der betreffenden Funktionalität auch in umgekehrter Reihenfolge ausgeführt werden. Es ist ferner anzumerken, dass jeder Block der Blockschaltbilder und/oder der Ablaufpläne sowie Kombinationen aus Blöcken in den Blockschaltbildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
  • Die Beschreibungen der verschiedenen Ausführungsformen der vorliegenden Erfindung wurden für Zwecke der Veranschaulichung dargelegt, sind jedoch nicht als abschließend oder auf die Ausführungsformen beschränkt zu verstehen. Für den Fachmann sind viele Abwandlungen und Variationen ersichtlich, ohne vom Umfang und Grundgedanken der beschriebenen Ausführungsformen abzuweichen. Die hierin verwendete Terminologie wurde gewählt, um bestmöglich die Grundgedanken der Ausführungsformen, der praktischen Anwendung oder technischen Verbesserung gegenüber den auf dem Markt erhältlichen Technologien zu erklären oder um dem Fachmann das Verständnis der hierin offenbarten Ausführungsformen zu ermöglichen.

Claims (13)

  1. Durch einen Computer implementiertes Verfahren, umfassend: Empfangen von Patientendaten eines Patienten durch einen oder mehrere Prozessoren, Empfangen einer Auswahl eines Krankheitsverlaufes durch den einen oder die mehreren Prozessoren, durch den einen oder die mehreren Prozessoren erfolgendes Ermitteln eines Risikowertes, dass der Patient den ausgewählten Krankheitsverlauf durchmacht, wobei das Ermitteln unter Verwendung der Patientendaten erfolgt, Erzeugen von Interventionsoptionen durch den einen oder die mehreren Prozessoren auf Grundlage der Patientendaten und durch Zugriff auf eine in einem Speicher gespeicherte Krankenakten-Datenstruktur, Ermitteln eines Interventionseffekts für jede der Interventionsoptionen durch den einen oder die mehreren Prozessoren, wobei der Interventionseffekt den Risikowert verändert, Vergleichen der Interventionseffekte durch den einen oder die mehreren Prozessoren und Bereitstellen einer Empfehlung für mindestens eine der Interventionsoptionen durch den einen oder die mehreren Prozessoren auf Grundlage des Vergleichens der Interventionseffekte.
  2. Durch einen Computer implementiertes Verfahren nach Anspruch 1, wobei die Interventionseffekte durch Ermitteln einer relativen Risikoverringerung einer entsprechenden Interventionsoption der Interventionsoptionen auf Grundlage von medizinischem Wissen in Bezug auf die entsprechende Interventionsoption ermittelt werden.
  3. Durch einen Computer implementiertes Verfahren nach Anspruch 2, wobei das medizinische Wissen aus einer Mehrzahl von Literaturquellen oder aus einer Mehrzahl von Studien gewonnen wird und wobei jeder der Mehrzahl von Literaturquellen oder jeder der Studien beim Ermitteln des Interventionseffekts eine jeweilige Gewichtung oder Varianz zugewiesen wird.
  4. Durch einen Computer implementiertes Verfahren nach Anspruch 1, wobei das Erzeugen der Interventionsoptionen Folgendes aufweist: Abgleichen der Patientendaten mit Einträgen in der Krankenakten-Datenstruktur durch den einen oder die mehreren Prozessoren, wobei jeder der Einträge eine spezifische Populationsinformation in Bezug auf mindestens ein Element enthält, das ausgewählt ist aus der Gruppe, bestehend aus aufgezeichneten Patientendaten, einem gegebenen Krankheitsverlauf, einer Interventionsmaßnahme und einer entsprechenden relativen Risikoverringerung, und durch den einen oder die mehreren Prozessoren erfolgendes Zuordnen von Interventionsoptionen der übereinstimmenden Einträge zu Knoten eines Interventionsbaums, der Beziehungen zwischen einer Mehrzahl von Interventionsoptionen definiert.
  5. Durch einen Computer implementiertes Verfahren nach Anspruch 4, wobei mindestens einer der abgeglichenen Knoten mindestens einen Vorgängerknoten in dem Interventionsbaum hat und wobei das Erzeugen der Interventionsoptionen auf den abgeglichenen Knoten und auf dem mindestens einen Vorgängerknoten beruht.
  6. System zur Bewertung einer Verringerung eines Krankheitsrisikos, wobei das System Folgendes aufweist: einen oder mehrere Prozessoren, einen Speicher, der mit mindestens einem des einen oder der mehreren Prozessoren verbunden ist, und einen Satz von Computerprogrammanweisungen, die in dem Speicher gespeichert sind und von mindestens einem des einen oder der mehreren Prozessoren ausgeführt werden, um das Verfahren nach einem der Ansprüche 1 bis 5 durchzuführen.
  7. Computerprogrammprodukt zur Bewertung einer Verringerung eines Krankheitsrisikos, wobei das Computerprogrammprodukt ein durch einen Computer lesbares Speichermedium mit darauf enthaltenen Programmanweisungen aufweist, wobei die Programmanweisungen von einem Prozessor ausgeführt werden können, um den Prozessor zu veranlassen, das Verfahren nach einem der Ansprüche 1 bis 5 durchzuführen.
  8. Durch einen Computer implementiertes Verfahren, umfassend: Empfangen von Patientendaten eines Patienten durch einen oder mehrere Prozessoren, Empfangen einer Auswahl eines Krankheitsverlaufes durch den einen oder die mehreren Prozessoren, durch den einen oder die mehreren Prozessoren erfolgendes Ermitteln eines Risikowertes, dass der Patient den ausgewählten Krankheitsverlauf durchmacht, wobei das Ermitteln unter Verwendung der Patientendaten erfolgt, Erzeugen von Interventionsoptionen durch den einen oder die mehreren Prozessoren auf Grundlage der Patientendaten und durch Zugreifen auf eine in einem Speicher gespeicherte Krankenakten-Datenstruktur, wobei die Interventionsoptionen individuelle Interventionsoptionen und mindestens eine Kombination von Interventionsoptionen umfassen, durch den einen oder die mehreren Prozessoren erfolgendes Ermitteln eines verringerten Risikowerts, der durch jede der Interventionsoptionen in Bezug auf den ausgewählten Krankheitsverlauf erreicht wird, Vergleichen der verringerten Risikowerte durch den einen oder die mehreren Prozessoren und Bereitstellen einer Empfehlung für mindestens eine der Interventionsoptionen durch den einen oder die mehreren Prozessoren auf Grundlage des Vergleichens der verringerten Risikowerte.
  9. Durch einen Computer implementiertes Verfahren nach Anspruch 8, ferner aufweisend: Beziehen einer Literaturquelle oder einer Studie mit quantitativen Informationen zum medizinischen Wissen und Aktualisieren der Krankenakten-Datenstruktur durch Hinzufügen eines Eintrags, der der bezogenen Literaturquelle oder Studie entspricht.
  10. Durch einen Computer implementiertes Verfahren nach Anspruch 8, wobei die Patientendaten mindestens ein Element enthalten, das ausgewählt ist aus der Gruppe, bestehend aus: demographischen Daten, einem Vitalparameter, einem Labortestergebnis und einem Befund.
  11. Durch einen Computer implementiertes Verfahren nach Anspruch 8, wobei das Erzeugen der Interventionsoptionen Folgendes aufweist: Abgleichen der Patientendaten mit Knoten eines Patientendaten-Knotendiagramms durch den einen oder die mehreren Prozessoren, Abgleichen des ausgewählten Krankheitsverlaufs mit Knoten eines Krankheitsverlaufs-Beziehungsdiagramms durch den einen oder die mehreren Prozessoren und Abgleichen der Patientendaten mit Einträgen in der Krankenakten-Datenstruktur durch den einen oder die mehreren Prozessoren.
  12. Durch einen Computer implementiertes Verfahren nach Anspruch 11, wobei mindestens einer der abgeglichenen Knoten mindestens einen Vorgängerknoten hat und wobei das Erzeugen der Interventionsoptionen auf den abgeglichenen Knoten und auf dem mindestens einen Vorgängerknoten beruht.
  13. System zur Bewertung einer Verringerung eines Krankheitsrisikos, wobei das System Folgendes aufweist: einen oder mehrere Prozessoren, einen Speicher, der mit mindestens einem des einen oder der mehreren Prozessoren verbunden ist, und einen Satz von Computerprogrammanweisungen, die in dem Speicher gespeichert sind und von mindestens einem des einen oder der mehreren Prozessoren ausgeführt werden, um das Verfahren nach einem der Ansprüche 8 bis 12 durchzuführen.
DE102021123842.0A 2020-09-24 2021-09-15 Bewertung einer verringerung eines krankheitsrisikos und behandlungsentscheidung Pending DE102021123842A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/031,592 US11670424B2 (en) 2020-09-24 2020-09-24 Evaluation of reduction of disease risk and treatment decision
US17/031,592 2020-09-24

Publications (1)

Publication Number Publication Date
DE102021123842A1 true DE102021123842A1 (de) 2022-03-24

Family

ID=78149280

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021123842.0A Pending DE102021123842A1 (de) 2020-09-24 2021-09-15 Bewertung einer verringerung eines krankheitsrisikos und behandlungsentscheidung

Country Status (4)

Country Link
US (1) US11670424B2 (de)
JP (1) JP2022053510A (de)
DE (1) DE102021123842A1 (de)
GB (1) GB2599233A (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220359075A1 (en) * 2021-05-10 2022-11-10 International Business Machines Corporation Synthesis for risk prediction models
WO2023047360A1 (en) * 2021-09-23 2023-03-30 The Joan and Irwin Jacobs Technion-Cornell Institute Multi-stage machine learning techniques for profiling hair and uses thereof

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6584445B2 (en) 1998-10-22 2003-06-24 Computerized Health Evaluation Systems, Inc. Medical system for shared patient and physician decision making
CA2650562A1 (en) 2005-04-25 2006-11-02 Caduceus Information Systems Inc. System for development of individualised treatment regimens
CN101236554B (zh) 2007-11-29 2011-05-11 中兴通讯股份有限公司 一种数据库海量数据比对的方法
CN103970792A (zh) 2013-02-04 2014-08-06 中国银联股份有限公司 一种基于索引进行文件比对的方法和装置
CN105653554B (zh) 2014-11-14 2019-07-16 卓望数码技术（深圳）有限公司 一种文件数据比对方法和系统
US11139081B2 (en) * 2016-05-02 2021-10-05 Bao Tran Blockchain gene system
US11869668B2 (en) * 2021-05-28 2024-01-09 Tempus Labs, Inc. Artificial intelligence based cardiac event predictor systems and methods

Also Published As

Publication number Publication date
GB2599233A (en) 2022-03-30
US11670424B2 (en) 2023-06-06
US20220093259A1 (en) 2022-03-24
JP2022053510A (ja) 2022-04-05
GB202113144D0 (en) 2021-10-27

Similar Documents

Publication Publication Date Title
CN102262707B (zh) 用于管理临床研究数据的机器和方法
US20140372140A1 (en) System and method for validating medical claim data
DE102007026799A1 (de) Systeme und Verfahren zur Verfeinerung der Identifikation von Kandidaten für klinische Studien
DE102021123842A1 (de) Bewertung einer verringerung eines krankheitsrisikos und behandlungsentscheidung
US11798690B2 (en) Method of using medical data related to patients suffering a given disease
Ly et al. The impact of managed care contracting on physicians
US20200176090A1 (en) Systems and methods for patient-trial matching
Murray et al. Designing studies that would address the multilayered nature of health care
Schneider et al. ASHP National Survey of Pharmacy Practice in Hospital Settings: clinical services and workforce—2021
US9336351B2 (en) Method and system for collecting, storing and analyzing clinical and radiologic data
Sultan et al. Are public hospitals reforming efficiently in West Bank?
Wang et al. Notechat: A dataset of synthetic doctor-patient conversations conditioned on clinical notes
Jiang et al. Risk of closure among independent and multihospital-affiliated rural hospitals
DE202015003281U1 (de) System zur individualisierten Preisgestaltung für die Gesundheitspflege
Yusuf et al. Understanding general health service readiness and its correlates in the health facilities of Bangladesh: evidence from the Bangladesh Health Facility Survey 2017
Chegini et al. Shared-decision-making Behavior in Hospitalized Patients: Investigating the Impact of Patient's Trust in Physicians, Emotional Support, Informational Support, and Tendency to Excuse Using a Structural Equation Modeling Approach
US20200312443A1 (en) Method and system for identifying variety in pathways and performance within an episode of care
Camacho de Anda et al. Hoping for a better tomorrow: Do hope and optimism serve as protective factors against discrimination in Latinx immigrants?
US9483527B2 (en) System and method for decision reasoning
Skånér et al. Quality of sickness certification in primary health care: a retrospective database study
Kimani Influence of information technology on the banking sector
Chepkwony Factors influencing the adoption of electronic medical records technology in public health institutions in Kenya: A case of hospitals in Nairobi County
Abobaker et al. Openmrs Framework: Health Information System Solution to Develop in Sabha, Libya
Choi et al. Cost-effectiveness of Dental Workforce Expansion Through the National Health Service Corps and Its Association With Oral Health Outcomes Among US Children
Keleb et al. Electronic Medical Record Utilization, Determinant Factors and Barriers Among healthcare Providers at Selected Health Facilities in Addis Ababa, Ethiopia

Legal Events

Date Code Title Description
R012 Request for examination validly filed