DE102023115629A1 - System und verfahren zum vorhersagen eines postoperativen betttyps - Google Patents

System und verfahren zum vorhersagen eines postoperativen betttyps Download PDF

Info

Publication number
DE102023115629A1
DE102023115629A1 DE102023115629.2A DE102023115629A DE102023115629A1 DE 102023115629 A1 DE102023115629 A1 DE 102023115629A1 DE 102023115629 A DE102023115629 A DE 102023115629A DE 102023115629 A1 DE102023115629 A1 DE 102023115629A1
Authority
DE
Germany
Prior art keywords
prediction
bed
bed type
patient
postoperative
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
DE102023115629.2A
Other languages
English (en)
Inventor
Marko Đikić
Mariana Nikolova-Simons
Arthur BOUWMAN
Wilma Compagner
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of DE102023115629A1 publication Critical patent/DE102023115629A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • 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
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

Bereitgestellt werden ein System und ein Verfahren zum Erzeugen eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps, der von einem Patienten nach einer Operation verwendet werden soll. Das Vorhersagemodell wird mit Merkmalen, die aus medizinischen Daten extrahiert werden, und unter Verwendung eines postoperativen Betttyps als Vorhersageziel im Training trainiert. Das Vorhersagemodell ist konfiguriert, um eine Wahrscheinlichkeit auf einer Skala 400 auszugeben, die an ihrem unteren Ende eine Vorhersage eines ersten postoperativen Betttyps und an ihrem oberen Ende einer Vorhersage eines zweiten postoperativen Bettes entspricht. Es wird ein Hybridmodell erzeugt, das einen unteren 410 und einen oberen Schwellenwert 420 auf die Wahrscheinlichkeitsskala anwendet. Liegt die Ausgabewahrscheinlichkeit des Vorhersagemodells zwischen beiden Schwellenwerten, wird eine Expertenauswahl des Betttyps empfohlen, während ansonsten die Vorhersage des Vorhersagemodells ausgegeben wird. Die Werte der Schwellenwerte werden unter Verwendung einer Leistungsmetrik optimiert.

Description

  • GEBIET DER ERFINDUNG
  • Die Erfindung betrifft ein System und ein computerimplementiertes Verfahren zum Erzeugen eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation. Die Erfindung betrifft ferner ein System und ein computerimplementiertes Verfahren zum Verwenden eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation. Die Erfindung betrifft ferner ein computerlesbares Medium, das Anweisungen zum Durchführen eines oder beider der computerimplementierten Verfahren umfasst.
  • HINTERGRUND DER ERFINDUNG
  • Krankenhäuser und andere Gesundheitsinstitutionen sehen sich Kapazitätsanforderungen gegenüber, z. B. aufgrund eines erhöhten Bedarfs an Sorgfalt und Mangel an Gesundheitspersonal. Es ist daher wichtig, dass Ressourcen in Krankenhäusern und in anderen Gesundheitsinstitutionen effizient verwendet werden. Um die effiziente Verwendung dieser Ressourcen zu gewährleisten, ist es üblich, die Verwendung der Ressourcen vorab zu planen, um ihre rechtzeitige Verfügbarkeit für Patienten sicherzustellen.
  • Insbesondere kann bei einer solchen Ressourcenplanung der Typ des Bettes, der von einem Patienten nach einer Operation verwendet werden soll, vorhergesagt werden, um zu bestimmen, welcher Typ des Bettes zu welchem Zeitpunkt zugewiesen wird. Ein solches Bett wird auch als postoperatives Bett bezeichnet. Unterschiedliche Typen von postoperativen Betten zeigen, dass dem Patienten ein unterschiedliches Pflegeniveau bereitgestellt wird. Zum Beispiel kann einem Patienten in einem Bett auf einer Intensivstation (ITS) ein höheres Pflegeniveau bereitgestellt werden als in einem Bett in einem Aufwachraum (AWR). Ein anderes Beispiel ist, dass einem Patienten in einem AWR-Bett ein höheres Pflegeniveau bereitgestellt werden kann als einem Patienten in einem Bett auf einer Normalstation (S).
  • Die fehlerhafte Vorhersage des postoperativen Betttyps kann jedoch nachteilige Auswirkungen haben, nicht nur für Planungszwecke, sondern auch für die Gesundheit von Patienten. Wenn zum Beispiel aufgrund fehlerhafter Vorhersagen alle nicht belegten ITS-Betten den Patienten zugewiesen sind, die operiert werden oder operiert werden sollen, müssen elektive Operationen verschoben werden, obwohl ausreichend ITS-Betten verfügbar gewesen wären, wenn der postoperative Betttyp korrekt vorhergesagt worden wäre. Es ist daher wünschenswert, ein Vorhersagemodell zu erhalten, das einen postoperativen Betttyp für die Verwendung durch einen Patienten nach einer Operation genauer vorhersagt.
  • KURZDARSTELLUNG DER ERFINDUNG
  • In einem ersten Gesichtspunkt der Erfindung wird ein System zum Erzeugen eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation bereitgestellt. Das System umfasst:
    • - eine Eingabeschnittstelle zum Zugreifen auf medizinische Daten, die Datensätze von Operationen umfassen, wobei ein Datensatz einer Operation einen postoperativen Betttyp angibt, der von einem Patienten nach der Operation verwendet wird, wobei der postoperative Betttyp einer von mindestens zwei möglichen Betttypen ist, wobei die medizinischen Daten Daten umfassen, die die Operation und den Patienten charakterisieren;
    • - ein Prozessorsubsystem, das konfiguriert ist, um ein Vorhersagemodell zum Vorhersagen des postoperativen Betttyps, der von einem Patienten nach einer Operation verwendet werden soll, zu erzeugen durch:
    • - Trainieren eines Vorhersagemodells mit den medizinischen Daten, wobei das Training den postoperativen Betttyp als Vorhersageziel verwendet, wobei das Vorhersagemodell konfiguriert ist, um eine Wahrscheinlichkeit auf einer Skala auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht;
    • - Erzeugen eines hybriden Vorhersagemodells durch Festlegen eines oberen Schwellenwerts und eines unteren Schwellenwerts innerhalb oder an einem Endpunkt der Skala, wobei das hybride Vorhersagemodell während des Gebrauchs zu Folgendem konfiguriert ist:
      • wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, Ausgeben des ersten der mindestens zwei möglichen Betttypen als die Vorhersage;
      • wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, Ausgeben des zweiten der mindestens zwei möglichen Betttypen als die Vorhersage;
      • wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, Empfehlen oder Verweisen auf eine Expertenauswahl des Betttyps,
      • wobei das Erzeugen des Hybridmodells das Auswählen des oberen Schwellenwerts und des unteren Schwellenwerts umfasst, um eine Leistungsmetrik unter Verwendung des postoperativen Betttyps, der durch die medizinischen Daten als Vorhersageziel angegeben wird, zu optimieren.
  • In einem weiteren Gesichtspunkt der Erfindung wird ein computerimplementiertes Verfahren zum Erzeugen eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation bereitgestellt. Das Verfahren umfasst:
    • - Zugreifen auf medizinische Daten, die Datensätze von Operationen umfassen, wobei ein Datensatz einer Operation einen postoperativen Betttyp angibt, der von einem Patienten nach der Operation verwendet wird, wobei der postoperative Betttyp einer von mindestens zwei möglichen Betttypen ist, wobei die medizinischen Daten Daten umfassen, die die Operation und den Patienten charakterisieren;
    • - Erzeugen eines Vorhersagemodells zum Vorhersagen des postoperativen Betttyps, der von dem Patienten nach einer Operation verwendet werden soll, durch:
    • - Trainieren eines Vorhersagemodells mit den medizinischen Daten, wobei das Training den postoperativen Betttyp als Vorhersageziel verwendet, wobei das Vorhersagemodell konfiguriert ist, um eine Wahrscheinlichkeit auf einer Skala auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht;
    • - Erzeugen eines hybriden Vorhersagemodells durch Festlegen eines oberen Schwellenwerts und eines unteren Schwellenwerts innerhalb oder an einem Endpunkt der Skala, wobei das hybride Vorhersagemodell während des Gebrauchs zu Folgendem konfiguriert ist:
      • wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, Ausgeben des ersten der mindestens zwei möglichen Betttypen als die Vorhersage;
      • wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, Ausgeben des zweiten der mindestens zwei möglichen Betttypen als die Vorhersage;
      • wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, Empfehlen oder Verweisen auf eine Expertenauswahl des Betttyps,
      • wobei das Erzeugen des Hybridmodells das Auswählen des oberen Schwellenwerts und des unteren Schwellenwerts umfasst, um eine Leistungsmetrik unter Verwendung des postoperativen Betttyps, der durch die medizinischen Daten als Vorhersageziel angegeben wird, zu optimieren.
  • In einem weiteren Gesichtspunkt der Erfindung wird ein System zum Verwenden eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation bereitgestellt. Das System umfasst:
    • - eine Eingabeschnittstelle zum Zugreifen auf:
    • - ein Vorhersagemodell zum Vorhersagen des postoperativen Betttyps, der nach einer Operation vom Patienten verwendet werden soll, wobei das Vorhersagemodell konfiguriert ist, um eine Wahrscheinlichkeit auf einer Skala auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht;
    • - Werte für einen oberen Schwellenwert und einen unteren Schwellenwert innerhalb oder an einem Endpunkt der Skala;
    • - Eingabedaten, die eine geplante Operation des Patienten charakterisieren und/oder den Patienten charakterisieren;
    • - ein Prozessorsubsystem, das konfiguriert ist, um das Vorhersagemodell mit den Werten für den oberen Schwellenwert und den unteren Schwellenwert zu verwenden, um einen postoperativen Betttyp zur Verwendung durch einen Patienten nach einer Operation vorherzusagen, durch:
    • - Verwenden der Eingabedaten als Eingabe in das Vorhersagemodell, um eine Wahrscheinlichkeit zu erhalten;
    • - wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, Ausgeben des ersten der mindestens zwei möglichen Betttypen als die Vorhersage;
    • - wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, Ausgeben des zweiten der mindestens zwei möglichen Betttypen als die Vorhersage; und
    • - wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, Empfehlen oder Verweisen auf eine Expertenauswahl des Betttyps.
  • In einem weiteren Gesichtspunkt der Erfindung wird ein computerimplementiertes Verfahren zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation bereitgestellt. Das Verfahren umfasst:
    • - Zugreifen auf:
    • - ein Vorhersagemodell zum Vorhersagen des postoperativen Betttyps, der nach einer Operation vom Patienten verwendet werden soll, wobei das Vorhersagemodell konfiguriert ist, um eine Wahrscheinlichkeit auf einer Skala auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht;
    • - Werte für einen oberen Schwellenwert und einen unteren Schwellenwert innerhalb oder an einem Endpunkt der Skala;
    • - Eingabedaten, die eine geplante Operation des Patienten charakterisieren und/oder den Patienten charakterisieren;
    • - Verwenden des Vorhersagemodells mit den Werten für den oberen Schwellenwert und den unteren Schwellenwert, um einen postoperativen Betttyp zur Verwendung durch den Patienten nach einer Operation vorherzusagen, durch:
    • - Verwenden der Eingabedaten als Eingabe in das Vorhersagemodell, um eine Wahrscheinlichkeit zu erhalten;
    • - wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, Ausgeben des ersten der mindestens zwei möglichen Betttypen als die Vorhersage;
    • - wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, Ausgeben des zweiten der mindestens zwei möglichen Betttypen als die Vorhersage; und
    • - wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, Empfehlen oder Verweisen auf eine Expertenauswahl des Betttyps.
  • In einem weiteren Gesichtspunkt der Erfindung wird ein transitorisches oder nichttransitorisches computerlesbares Medium bereitgestellt, wobei das computerlesbare Medium Daten umfasst, die ein Computerprogramm darstellen, das Anweisungen umfasst, um zu bewirken, dass ein Prozessorsystem eines oder mehrere der in dieser Patentschrift beschriebenen Verfahren durchführt.
  • Die vorstehenden Gesichtspunkte der Erfindung beinhalten das Erzeugen und Verwenden eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten. In einigen Gesichtspunkten der Erfindung kann das Vorhersagemodell durch ein und dasselbe System und/oder Verfahren erzeugt und verwendet werden, während in anderen Gesichtspunkten der Erfindung das Vorhersagemodell von einem System und/oder Verfahren erzeugt werden kann, das sich von dem System und/oder Verfahren unterscheidet, das anschließend das Vorhersagemodell für Vorhersagezwecke verwendet.
  • Das Vorhersagemodell kann unter Verwendung von medizinischen Daten erzeugt werden, die Datensätze von Operationen umfassen. Ein solcher Datensatz kann zum Beispiel ein Datensatz in einer Datenbank sein, die sich auf eine bestimmte Operation bezieht, kann aber auch ein Zeilenelement in einem Protokoll von Operationen sein. In der Regel können die Datensätze tatsächliche Operationen betreffen, die in der Vergangenheit durchgeführt wurden, z. B. in einem Krankenhaus oder einer anderen Gesundheitsinstitution. Die Datensätze können beispielsweise spezifisch für ein bestimmtes Krankenhaus sein. Für jede oder mindestens eine Teilmenge der Operationen können die medizinischen Daten einen postoperativen Betttyp angeben, der von dem jeweiligen Patienten nach der Operation verwendet wurde. Der Betttyp kann einer von mindestens zwei möglichen Typen sein. Beispielsweise kann der Betttyp entweder ein ITS- oder ein AWR-Bett sein. Der Typ des Bettes kann beispielsweise durch eine oder mehrere Kategorisierungen und/oder durch ein oder mehrere Etiketten angegeben werden. Die medizinischen Daten können ferner die Operation und den Patienten charakterisieren. Eine solche Charakterisierung kann das Charakterisieren mindestens eines Gesichtspunkts der Operation, wie zum Beispiel einen Typ oder eine Dringlichkeit der Operation, und mindestens eines Gesichtspunkts des Patienten, wie zum Beispiel ein Alter oder eine Körpermassenzahl (BMI) des Patienten, einschließen.
  • Gemäß den vorstehenden Maßnahmen wird ein Maschinenlern- (ML-) Vorhersagemodell bereitgestellt und trainiert, um den postoperativen Betttyp vorherzusagen. Der postoperative Betttyp, wie in den medizinischen Daten angegeben, kann als Vorhersageziel verwendet werden, während die Charakterisierung der Operation und/oder des Patienten als Merkmalseingabe(n) verwendet werden kann. Solche Merkmale können manuell aus den medizinischen Daten ausgewählt werden oder können automatisch ausgewählt werden, zum Beispiel unter Verwendung einer univariaten und/oder multivariaten inferentiellen Analyse. Das Vorhersagemodell selbst kann unter Verwendung bekannter Maschinenlerntechniken trainiert werden. Beispielsweise kann ein Gradientenverstärkungsmodell wie CatBoost verwendet werden.
  • Durch das Training wird ein Klassizierungsvorhersagemodell erhalten, das in der Lage ist, den postoperativen Betttyp vorherzusagen, der für einen Patienten benötigt wird. Die Eingabedaten können den Patienten und die geplante Operation charakterisieren. Die durch das Vorhersagemodell erhaltene Vorhersage kann als Empfehlung für den postoperativen Betttyp interpretiert werden, der für den Patienten verwendet werden soll. Insbesondere ist die Ausgabe des Vorhersagemodells eine Wahrscheinlichkeitsbewertung, die einen Wert auf einer Wahrscheinlichkeitsskala annehmen kann, zum Beispiel mit einem Bereich von [0,1] oder 0 % - 100 %. Ein Ende der Skala kann eine Vorhersage eines postoperativen Betttyps und am anderen Ende der Skala eine Vorhersage eines anderen postoperativen Betttyps darstellen. In einem spezifischen Beispiel kann eine Vorhersagebewertung von 0,0 eine Vorhersage eines ITS-Betts darstellen, während eine Vorhersagebewertung von 1,0 eine Vorhersage eines AWR-Betts darstellen kann, während eine Bewertung zwischen 0,0 und 1,0 eine Zwischenwahrscheinlichkeit darstellen kann (wobei z. B. eine Vorhersagebewertung von 0,5 eine ausgeglichene Chance zwischen einem ITS- oder AWR-Bett, das der Patient benötigt, darstellt).
  • Nach dem Erzeugen des Vorhersagemodells wird ein Hybridmodell erzeugt, das die Ausgabe des Vorhersagemodells und eine Empfehlung eines Experten wie folgt kombiniert. Es wird darauf hingewiesen, dass dieses Hybridmodell auch ein Vorhersagemodell ist und auch als solches bezeichnet werden kann. Ein oberer Schwellenwert und ein unterer Schwellenwert werden innerhalb oder an einem Endpunkt der Skala festgelegt. Wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, kann das Hybridmodell als Vorhersage den Betttyp ausgeben, der dem unteren Endpunkt der Skala entspricht, wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, kann das Hybridmodell als Vorhersage den Betttyp ausgeben, der dem oberen Endpunkt der Skala entspricht, und wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, kann das Hybridmodell eine Expertenauswahl des Betttyps empfehlen oder darauf verweisen. Effektiv kann in dem Bereich zwischen beiden Schwellenwerten ein Benutzer auf die Expertenauswahl des Betttyps verwiesen werden, während außerhalb dieses Bereichs die Vorhersage des Vorhersagemodells als Ausgabe verwendet werden kann. Die Expertenauswahl kann Domänenwissen, z. B. in einer bestimmten chirurgischen Domäne, darstellen und kann beispielsweise durch eine manuelle Auswahl durch einen Klinikarzt, aber auch als eine Vorhersage aus einem anderen Modell, z. B. einem sogenannten Expertenmodell, erhalten werden. Ein solches Expertenmodell kann zum Beispiel eine Übersetzung von Expertendomänenwissen bei der Auswahl des postoperativen Betttyps in eine computerlesbare Form darstellen. In der Regel ist das Expertenmodell ein Nicht-Maschinenlernmodell.
  • Die Werte der Schwellenwerte des Hybridmodells können optimiert werden, wenn das Hybridmodell erzeugt wird, nämlich durch Auswählen der Schwellenwerte, um eine Leistungsmetrik unter Verwendung des postoperativen Betttyps als Vorhersageziel zu optimieren. Mit anderen Worten können die Schwellenwerte so gewählt werden, dass die beste Leistung gemäß einer Leistungsmetrik erhalten wird. Zu diesem Zweck können die medizinischen Daten zusätzlich zu dem vom Patienten verwendeten tatsächlichen Betttyp auch eine ärztliche Vorhersage des Betttyps zu diesem Zeitpunkt umfassen, der dem tatsächlichen Betttyp entsprechen kann, aber nicht muss. Dies ermöglicht, dass die Schwellenwertoptimierung berücksichtigt, ob die Expertenauswahl korrekt ist oder nicht, und insbesondere welche Typen von Vorhersagefehlern (z. B. falsche negative Ergebnisse) üblich sind und welche Typen von Vorhersagefehlern (z. B. falsche positive Ergebnisse) weniger üblich sind.
  • Das Hybridmodell kann dann z. B. in Form von Modelldaten, die das Vorhersagemodell definieren, und Schwellendaten, die die Schwellenwerte definieren, ausgegeben werden, um verwendet zu werden, um den postoperativen Betttyp vorherzusagen. Zum Beispiel kann das Hybridmodell in einer chirurgischen Planungsabteilung verwendet werden, um die Zuweisung von Betten zu planen, die nach einer Operation in einem Krankenhaus verwendet werden sollen. Während der Verwendung kann ein System unter Verwendung des Hybridmodells beispielsweise entweder „ITS-Bett empfohlen“ oder „AWR-Bett empfohlen“ oder „ärztliche Empfehlungen einholen“ für einen neuen Patienten anzeigen. In einigen Beispielen kann die Expertenauswahl dem System und/oder dem Hybridmodell selbst zur Verfügung stehen und kann entsprechend ausgegeben werden, wenn die durch das Vorhersagemodell erzeugte Wahrscheinlichkeit zwischen den unteren Schwellenwert und den oberen Schwellenwert fällt. In solchen Beispielen kann das System angeben, ob ein bestimmter Betttyp durch das Vorhersagemodell vorhergesagt wurde oder eine Expertenauswahl ist.
  • Die vorstehenden Maßnahmen haben den Vorteil, dass der postoperative Betttyp, der für einen Patienten verwendet werden soll, genauer vorhergesagt werden kann als herkömmlich, z. B. durch eine Expertenauswahl allein. Interessanterweise haben die Erfinder beobachtet, dass sich Maschinenlernmodelle bei einer Expertenauswahl nicht immer verbessern müssen. Wenn zum Beispiel die Wahrscheinlichkeitsbewertung keine klare Präferenz für einen Betttyp angibt, kann es bevorzugt sein, auf eine Expertenauswahl anstelle der Ausgabe des Vorhersagemodells zu verweisen. Das Hybridmodell, wie vorstehend beschrieben, beinhaltet diese Erkenntnis, indem Schwellenwerte verwendet werden, um das trainierte Vorhersagemodell mit der Expertenauswahl zu kombinieren. Die Schwellenwerte selbst werden während des Trainings für den bestimmten Typ von medizinischen Daten optimiert, um zu berücksichtigen, dass sich die Stärke und Schwäche sowohl des Vorhersagemodells als auch der Expertenauswahl unterscheiden können, z. B. für verschiedene medizinische Spezialisten, für verschiedene Krankenhäuser usw. Experimente zeigen, dass das Hybridmodell verglichen mit dem Verwenden nur des Vorhersagemodells oder nur der Expertenauswahl bessere Ergebnisse erzielt. Vorteilhafterweise kann eine genauere Operationsplanung die Gesundheit von Patienten schützen, zum Beispiel durch Sicherstellen, dass ausreichend Ressourcen für akute Operationen verfügbar sind, oder durch Vermeiden, dass elektive Operationen aufgrund eines vermeintlichen Ressourcenmangels verschoben werden müssen.
  • Optional unterscheiden sich die mindestens zwei postoperativen Betttypen in Bezug auf das dem Patienten bereitgestellte Pflegeniveau. Zum Beispiel können die mindestens zwei Betttypen einen ITS-Betttyp und einen AWR-Betttyp umfassen, wobei der erste ein höheres Pflegeniveau als der letztere bereitstellt. Ein weiteres Beispiel ist, dass die mindestens zwei Betttypen einen ITS-Betttyp und einen Normalstation- (S-) Typ umfassen können, wobei der erste ein höheres Pflegeniveau als der letztere bereitstellt. Noch ein weiteres Beispiel besteht darin, dass die mindestens zwei Betttypen einen AWR-Betttyp und einen S-Betttyp umfassen können, wobei der erste ein höheres Pflegeniveau als der letztere bereitstellt.
  • Der folgende optionale Gesichtspunkt kann sich auf das System zum Erzeugen des Vorhersagemodells beziehen, kann jedoch, sofern nicht anderweitig aus technischen Gründen ausgeschlossen, auch optionale Gesichtspunkte des entsprechenden computerimplementierten Verfahrens, in dem die Funktionalität des Systems ein Verfahrensschritt ist, und optionale Gesichtspunkte eines Systems und/oder eines computerimplementierten Verfahrens zum Verwenden des Vorhersagemodells für Vorhersagezwecke darstellen.
  • Optional straft die Leistungsmetrik einen ersten Typ von fehlerhafter Vorhersage, durch die ein Betttyp mit niedrigerem Pflegeniveau vorhergesagt wird, mehr als einen zweiten Typ von fehlerhafter Vorhersage, durch die ein Betttyp mit höherem Pflegeniveau vorhergesagt wird. Wenn die Vorhersage des AWR-Betttyps 1 oder 100 % auf der Wahrscheinlichkeitsskala entspricht und die Vorhersage eines ITS-Betttyps 0 oder 0 % auf der Wahrscheinlichkeitsskala entspricht, kann der erste Fehlertyp als ein Fehler vom Typ 1 (d. h. eine falsch-positive Vorhersage) bekannt sein, durch den ein Betttyp mit niedrigerem Pflegeniveau vorhergesagt wird (z. B. vorhergesagtes Bett = AWR, tatsächliches Bett = ITS), während der zweite Type von fehlerhafter Vorhersage als Fehler vom Typ 2 (d. h. eine falsch-negative Vorhersage) bekannt sein kann, durch den ein Betttyp mit höherem Pflegeniveau vorhergesagt wird (z. B. vorhergesagtes Bett = ITS, tatsächliches Bett = AWR). Bei der Vorhersage des zu verwendenden postoperativen Betttyps kann sich die Auswirkung fehlerhafter Vorhersagen zwischen den verschiedenen Betttypvorhersagen unterscheiden. Wenn nämlich fälschlicherweise vorhergesagt wird, dass ein Patient ein höheres Pflegeniveau, z. B. ITS, benötigt, während in Wirklichkeit ein niedrigeres Pflegeniveau, z. B. AWR, ausreicht, ist die Hauptauswirkung dieser fehlerhaften Vorhersage eine suboptimale Verwendung von Ressourcen und zusätzliche finanzielle Kosten (da ein höheres Pflegeniveau teurer sein kann). Wenn jedoch fälschlicherweise vorhergesagt wird, dass ein Patient ein niedrigeres Pflegeniveau, z. B. AWR oder S, benötigt, während in Wirklichkeit ein höheres Pflegeniveau, z. B. ITS, benötigt wird, kann dies ein Gesundheitsrisiko darstellen, da das höhere Pflegeniveau möglicherweise nicht verfügbar ist, da es nicht eingeplant wurde. Mit anderen Worten kann ein fehlerhaftes Vorhersagen eines Betttyps mit niedrigerem Pflegeniveau ein größeres Gesundheitsrisiko darstellen als ein fehlerhaftes Vorhersagen eines höheren Pflegeniveaus. Um diese Asymmetrie zu berücksichtigen, kann die Leistungsmetrik den ersteren Typ fehlerhafter Vorhersage mehr als den letzteren bestrafen. Auf diese Weise können Gesundheitsrisiken für den Patienten aufgrund fehlerhafter Vorhersagen reduziert werden.
  • Optional belohnt die Leistungsmetrik eine Minimierung des Auftretens des ersten Typs fehlerhafter Vorhersage, während das Auftreten des zweiten Typs von fehlerhafter Vorhersage unter einem Akzeptanzschwellenwert gehalten wird. Beim Bestimmen optimaler Werte für die Schwellenwerte kann es wünschenswert sein, fehlerhafte Vorhersagen eines Betttyps mit niedrigerem Pflegeniveau, z. B. aus den vorstehend genannten gesundheitsbezogenen Gründen, zu minimieren. Wenn jedoch nur für diesen Gesichtspunkt optimiert wird, kann dies dazu führen, dass das Hybridmodell systematisch einen Betttyp mit höherem Pflegeniveau vorhersagt, z. B. tendenziell immer ein ITS-Bett vorhersagt, was auch nachteilig ist, da Betttypen mit höherem Pflegeniveau knappe und teure Ressourcen sind. Durch Halten des Auftretens fehlerhafter Vorhersagen eines Betttyps mit höherem Pflegeniveau unter einem Schwellenwert können solche systematischen Tendenzen vermieden oder reduziert werden.
  • Optional umfasst das Auswählen des oberen Schwellenwerts und des unteren Schwellenwerts eines von:
    • - Bewerten unterschiedlicher Kombinationen von Werten für den oberen Schwellenwert und den unteren Schwellenwert;
    • - Auswählen des unteren Schwellenwerts, sodass er gleich dem oberen Schwellenwert ist, und Auswerten unterschiedlicher Werte für sowohl den unteren Schwellenwert als auch den oberen Schwellenwert;
    • - Auswählen des unteren Schwellenwerts an dem unteren Endpunkt der Skala und Auswerten unterschiedlicher Werte für den oberen Schwellenwert; und
    • - Auswählen des oberen Schwellenwerts an dem oberen Endpunkt der Skala und Auswerten unterschiedlicher Werte für den unteren Schwellenwert.
  • Optional ist das Prozessorsubsystem ferner konfiguriert zum:
    • - Verwenden einer Merkmalsextraktionstechnik, um einen Satz von Merkmalen in den medizinischen Daten zu identifizieren, wobei der Merkmalssatz prädiktiv für den postoperativen Betttyp ist; und
    • - Trainieren des Vorhersagemodells unter Verwendung des Satzes von Merkmalen als Eingabe.
  • Optional ist das Prozessorsubsystem ferner konfiguriert zum:
    • - Empfangen einer Identifikation einer Teilmenge von Datensätzen in den medizinischen Daten, wobei bei Operationen, die durch die Teilmenge von Datensätzen dargestellt werden, der postoperative Betttyp durch externe Faktoren bestimmt wird, die durch das Vorhersagemodell zu ignorieren sind;
    • - Bestimmen, ob die medizinischen Daten die Teilmenge von Datensätzen ausschließen, um das Vorhersagemodell zu trainieren;
    • - wenn bestimmt wird, dass die medizinischen Daten, die die Teilmenge von Datensätzen ausschließen, für das Training des Vorhersagemodells nicht ausreichen:
    • - Trainieren des Vorhersagemodells mit den medizinischen Daten, einschließlich der Teilmenge von Datensätzen;
    • - wenn der obere Schwellenwert und der untere Schwellenwert ausgewählt werden, um die Leistungsmetrik zu optimieren, Ausschließen der Teilmenge von Datensätzen aus den medizinischen Daten.
  • Es kann Situationen geben, in denen der postoperative Betttyp durch andere Faktoren als vollständig medizinische Faktoren bestimmt werden kann. Zum Beispiel kann die Uhrzeit, zu der eine Operation geplant ist, den Betttyp beeinflussen. Ein spezifisches Beispiel ist, dass eine AWR-Einheit Patienten möglicherweise nur nach Vormittagsoperationen empfängt und diese Patienten am Abend desselben Tages an nachgelagerte Pflegeeinheiten weiterleitet, da eine AWR-Einheit während der Nacht geschlossen sein kann. Es kann bevorzugt sein, Operationen auszuschließen, bei denen der postoperative Betttyp durch solche externen Faktoren aus dem Training des Vorhersagemodells bestimmt wird. Es kann jedoch unmöglich sein, diejenigen Operationen zu unterscheiden, bei denen der postoperative Betttyp trotz medizinischer Faktoren hauptsächlich durch externe Faktoren bestimmt wurde, während das Ausschließen aller Operationen mit möglicher Interferenz externer Faktoren, wie aller Nachmittagsoperationen, zu unzureichenden Trainingsdaten für das Vorhersagemodell führen kann. Dementsprechend kann das Training des Vorhersagemodells dennoch die Datensätze solcher Operationen verwenden, aber diese Datensätze können von der Optimierung der Schwellenwerte ausgeschlossen werden. Auf diese Weise kann sichergestellt werden, dass Schwellenwerte mit einem Satz von Operationen optimiert werden, bei denen der Einfluss der externen Faktoren minimiert ist, was zu einer zuverlässigeren Beurteilung der Leistung führt. Gleichzeitig können die von externen Faktoren betroffenen Datensätze von Operationen immer noch geeignet sein, um das Vorhersagemodell zu trainieren, da das Vorhersagemodell lernen kann, die Auswirkung dieser externen Faktoren vorherzusagen, wobei dem Modell Eingabemerkmale bereitgestellt werden, die das Vorhandensein und/oder den Typ solcher Faktoren vorhersagen. Zum Beispiel kann, wie nachstehend auch erläutert, der Zeitpunkt, zu dem eine Operation stattgefunden hat, dem Vorhersagemodell als Eingabemerkmal während des Trainings bereitgestellt werden.
  • Optional ist das Prozessorsubsystem konfiguriert, um die Identifikation der Teilmenge von Datensätzen in Form eines Zeitbereichs zu empfangen, in dem, oder eine Zeit nach oder vor dem, eine jeweilige Operation durchgeführt wird. Auf diese Weise können Operationen, die in einem bestimmten Zeitbereich oder zu einer bestimmten Zeit stattfinden und bei denen die Auswahl des postoperativen Betttyps zumindest teilweise durch externe Faktoren bestimmt werden können, für das System identifiziert werden. Zum Beispiel können Nachmittagsoperationen für das System identifiziert werden, sodass sie in das Training des Vorhersagemodells eingeschlossen werden können, wenn ansonsten unzureichende Trainingsdaten verfügbar wären, aber bei der Optimierung der Schwellenwerte ausgeschlossen werden.
  • Optional ist die Leistungsmetrik eine benutzerdefinierbare Metrik.
  • Optional ist die Expertenauswahl eine Auswahl durch einen Klinikarzt.
  • Es versteht sich für Fachleute, dass zwei oder mehr der Ausführungsformen, Implementierungen und/oder optionalen Gesichtspunkte der Erfindung auf jede Weise kombiniert werden können, die als nützlich erachtet wird.
  • Modifikationen und Variationen eines beliebigen Systems, computerimplementierten Verfahrens und/oder Computerprogrammprodukts, die den beschriebenen Modifikationen und Variationen einer anderen der Entitäten entsprechen, können von einem Fachmann auf der Basis der vorliegenden Beschreibung durchgeführt werden.
  • KURZBESCHREIBUNG DER ZEICHNUNGEN
  • Diese und andere Aspekte der Erfindung werden offensichtlich aus den und weiter erklärt in Bezug auf die beispielhaft in der folgenden Beschreibung beschriebenen Ausführungsformen und in Bezug auf die beiliegenden Zeichnungen, in denen Folgendes gilt:
    • 1 zeigt ein beispielhaftes System zum Erzeugen und/oder Verwenden eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps, wobei das System eine Eingabeschnittstelle zum Zugreifen auf medizinische Daten, ein Prozessorsubsystem zum Erzeugen und/oder Verwenden des Vorhersagemodells und ein Benutzeroberflächensubsystem zum Anzeigen einer grafischen Benutzeroberfläche an einen Benutzer umfasst;
    • 2 zeigt eine Fehler-/Konfusionsmatrix für die Empfehlung eines postoperativen Betttyps durch einen Klinikarzt, wobei der postoperative Betttyp entweder ein ITS- oder ein AWR-Bett ist;
    • 3 veranschaulicht Operationen, für die ein Fehler vom Typ 1 in der Empfehlung des Klinikarztes aufgetreten ist, d. h. ein AWR-Bett wurde empfohlen, aber der Patient bekam letztendlich ein ITS-Bett, zusammen mit dem kumulativen Prozentsatz solcher Operationen, je nach Zeitschlitz während des Tages, als die Operation stattfand;
    • 4 zeigt eine Fehler-/Konfusionsmatrix für die Vorhersage des postoperativen Betttyps durch ein Vorhersagemodell, das zum Vorhersagen des postoperativen Betttyps trainiert wurde;
    • 5 zeigt eine Wahrscheinlichkeitsskala, in der zwei Schwellenwerte verwendet werden, um zwischen der Vorhersage des Vorhersagemodells und der Empfehlung des Klinikarztes auszuwählen;
    • 6 veranschaulicht eine Auswahl von Schwellenwerten, in denen falsch-negative Werte unter 10 % gehalten werden, während die Leistung des Hybridmodells für eine Leistungsmetrik optimiert wird;
    • 7 zeigt eine Fehler-/Konfusionsmatrix für die Vorhersage des postoperativen Betttyps durch ein Hybridmodell, wobei das Hybridmodell zwischen der Vorhersage des Vorhersagemodells und der Empfehlung des Klinikarztes unter Verwendung von Schwellenwerten auswählt;
    • 8A und 8B zeigen jeweils ein Beispiel einer grafischen Benutzeroberfläche eines Systems, das das Hybridmodell verwendet, um einen postoperative Betttyp zu empfehlen, wobei in dem Beispiel von 8A das System ein AWR-Bett empfiehlt, während in dem Beispiel von 8B das System auf eine Expertenauswahl des postoperativen Betttyps verweist; und
    • 9 zeigt ein nichttransitorisches computerlesbares Medium, das Daten umfasst.
  • Es versteht sich, dass die Figuren lediglich schematisch sind und nicht maßstabsgetreu gezeichnet sind. In den Figuren können Elemente, die bereits beschriebenen Elementen entsprechen, mit denselben Bezugszeichen versehen sein.
  • Liste der Bezugszeichen:
  • Die folgende Bezugszeichenliste dient zur Vereinfachung der Interpretation der Zeichnungen und soll die Ansprüche nicht einschränken.
    • 20
    Datenspeicher
    22
    medizinische Daten
    24
    Daten, die ein trainiertes Vorhersagemodell darstellen
    26
    Daten, die Schwellenwerte darstellen
    60
    Anzeige
    62
    Anzeigedaten
    80
    Benutzereingabevorrichtung (en)
    82
    Benutzereingabedaten
    100
    System zum Erzeugen und/oder Verwenden eines Vorhersagemodells
    120
    Datenspeicherschnittstelle
    140
    Prozessorsubsystem
    142-146
    Datenkommunikation
    160
    Speicher
    180
    Benutzeroberflächensubsystem
    182
    Anzeigeausgabeschnittstelle
    184
    Benutzereingabeschnittstelle
    200
    Fehler-/Konfusionsmatrix der Empfehlung der Klinikarztes
    202
    Fehler-/Konfusionsmatrix von trainiertem Vorhersagemodell
    204
    Fehler-/Konfusionsmatrix von Hybridmodell
    210
    vorhergesagter Betttyp
    220
    tatsächlicher Betttyp
    300
    Zeit
    310
    Zeitintervall
    320
    Vormittagsoperationen
    330
    Prozentsätze von Operationen im Zeitintervall oder in Zeitintervallen niedriger auf der vertikalen Achse
    400
    Wahrscheinlichkeitsskala
    410
    erster Schwellenwert
    420
    zweiter Schwellenwert
    500
    Visualisierung der Vorhersageleistung als Funktion von Schwellenwerten und falsch-negativer Rate
    510
    Vorhersageleistungsmetrikausgabe
    600
    Benutzeroberflächenfenster
    610
    Element, das Patientendaten zeigt
    620
    Element, das Operationsdaten zeigt
    630
    Element, das die Ausgabe des Vorhersagemodells zeigt
    640
    Element, das Empfehlungen zeigt
    642
    Empfehlung durch Vorhersagemodell
    644
    Aktionstaste, um die Empfehlung des Klinikarztes einzugeben
    700
    nichttransitorisches computerlesbares Medium
    710
    Daten, die Computerprogramm darstellen
  • DETAILLIERTE BESCHREIBUNG VON AUSFÜHRUNGSFORMEN
  • 1 zeigt ein System 100, das in einigen Ausführungsformen ein System zum Erzeugen eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation, in anderen Ausführungsformen ein System zum Verwenden des Vorhersagemodells, um den postoperativen Betttyp für einen Patienten vorherzusagen, für den eine Operation geplant ist, und in noch anderen Ausführungsformen ein System sowohl zum Erzeugen als auch Verwenden des Vorhersagemodells darstellen kann.
  • Das System 100 ist so gezeigt, dass es eine Datenspeicherschnittstelle 120 mit einem Datenspeicher 20 umfasst. In einigen Ausführungsformen kann der Datenspeicher 20 medizinische Daten 22 speichern, die Datensätze von Operationen umfassen. Diese Datensätze oder andere Teile der medizinischen Daten 22 können eine jeweilige Operation und den Patienten, der operiert wird, charakterisieren. In einigen Ausführungsformen kann der Datenspeicher 20 Modelldaten 24 speichern, die ein maschinenlernfähiges Vorhersagemodell darstellen. In einigen Ausführungsformen kann der Datenspeicher 20 Schwellenwertdaten 26 von Schwellenwerten speichern, die an anderer Stelle in dieser Patentschrift beschrieben sind. Im Allgemeinen kann der Datenspeicher 20 als Kurzzeitspeicher und/oder als Langzeitdatenspeicher dienen. In dem Beispiel von 1 ist die Datenspeicherschnittstelle 120 so gezeigt, dass sie mit einem externen Datenspeicher 20, wie einem netzwerkzugänglichen Datenspeicher 20, verbunden ist. Alternativ kann der Datenspeicher 20 ein interner Datenspeicher des Systems 100 sein (in 1 nicht gezeigt). Im Allgemeinen kann die Datenspeicherschnittstelle 120 verschiedene Formen annehmen, wie eine Festplatten- oder Halbleiterplattenschnittstelle mit einer oder mehreren Festplatten und/oder Halbleiterplatten oder eine Netzwerkschnittstelle mit einem lokalen Netzwerk (LAN) oder einem Weitverkehrsnetzwerk (WAN). Im Allgemeinen kann die Datenspeicherschnittstelle 120 ein Beispiel für eine Eingabeschnittstelle darstellen, wie an anderer Stelle in dieser Patentschrift beschrieben.
  • Das System 100 ist ferner so gezeigt, dass es ein Prozessorsubsystem 140 umfasst, das konfiguriert ist, um intern mit der Datenspeicherschnittstelle 120 über die Datenkommunikation 142, mit einem Speicher 160 über die Datenkommunikation 144 und mit einem Benutzeroberflächensubsystem 180 über die Datenkommunikation 146 zu kommunizieren. Der Speicher 160 kann zum Beispiel ein flüchtiger Speicher sein, in dem ein Computerprogramm geladen werden kann, das das Prozessorsubsystem 140 veranlassen kann, Funktionen auszuführen, die in dieser Patentschrift beschrieben sind, zum Beispiel in Bezug auf das Erzeugen eines Vorhersagemodells und/oder auf das Verwenden des Vorhersagemodells.
  • In einigen Ausführungsformen kann das System 100 ein Benutzeroberflächensubsystem 180 umfassen, wobei das Benutzeroberflächensubsystem dazu konfiguriert sein kann, während des Betriebs des Systems 100 einem Benutzer zu ermöglichen, mit dem System 100 zu interagieren, zum Beispiel unter Verwendung einer grafischen Benutzeroberfläche. Insbesondere, wie auch an anderer Stelle beschrieben, kann die grafische Benutzeroberfläche dem Benutzer ermöglichen, eine Empfehlung für einen postoperativen Betttyp zu erhalten. Für diese und andere Zwecke ist das Benutzeroberflächensubsystem 180 so gezeigt, dass es eine Benutzereingabeschnittstelle 184 umfasst, die konfiguriert ist, um Benutzereingabedaten 82 von einer oder mehreren Benutzereingabevorrichtungen 80 zu empfangen, die vom Benutzer bedienbar sind. Die Benutzereingabevorrichtungen 80 können verschiedene Formen annehmen, einschließlich, aber nicht beschränkt auf eine Tastatur, eine Maus, einen Touchscreen, ein Mikrofon usw. 1 zeigt die Benutzereingabevorrichtungen als Tastatur und Maus 80. Im Allgemeinen kann die Benutzereingabeschnittstelle 184 von einem Typ sein, der dem Typ der Benutzereingabevorrichtung(en) 80 entspricht, d. h. sie kann ein dementsprechender Typ der Benutzervorrichtungsschnittstelle sein. Das Benutzeroberflächensubsystem 180 ist ferner so gezeigt, dass es eine Anzeigeausgabeschnittstelle 182 umfasst, die konfiguriert ist, um einer Anzeige 60 Anzeigedaten 62 bereitzustellen, um die Ausgabe des Systems 100 zu visualisieren. In dem Beispiel von 1 ist die Anzeige eine externe Anzeige 60. Alternativ kann die Anzeige eine interne Anzeige des Systems 100 sein.
  • In einigen Ausführungsformen kann das Prozessorsubsystem 140 konfiguriert sein, um während des Betriebs des Systems 100 ein Vorhersagemodell zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation zu erzeugen. Zu diesem Zweck kann das Prozessorsubsystem 140 konfiguriert sein, um ein Vorhersagemodell mit den medizinischen Daten 22 unter Verwendung des postoperativen Betttyps als Vorhersageziel zu trainieren. Das Vorhersagemodell kann z. B. durch Gestaltung dazu konfiguriert werden, eine Wahrscheinlichkeit auf einer Skala auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht. Das Prozessorsubsystem 140 kann ferner konfiguriert sein, um ein hybrides Vorhersagemodell durch Festlegen eines oberen Schwellenwerts und eines unteren Schwellenwerts innerhalb oder an einem Endpunkt der Skala zu erzeugen. Das hybride Vorhersagemodell kann dazu konfiguriert sein, wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, während der Verwendung als die Vorhersage den ersten der mindestens zwei möglichen Betttypen auszugeben, wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, als die Vorhersage den zweiten der mindestens zwei möglichen Betttypen auszugeben und, wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, eine Expertenauswahl des Betttyps zu empfehlen oder darauf zu verweisen. Das Prozessorsubsystem 140 kann ferner konfiguriert sein, um beim Erzeugen des Hybridmodells den oberen Schwellenwert und den unteren Schwellenwert auszuwählen, um eine Leistungsmetrik unter Verwendung des postoperativen Betttyps, der durch die medizinischen Daten als Vorhersageziel angegeben wird, zu optimieren.
  • In anderen Ausführungsformen kann das Prozessorsubsystem 140 alternativ oder zusätzlich dazu konfiguriert sein, während des Betriebs des Systems 100 das erzeugte Vorhersagemodell für Vorhersagezwecke zu verwenden. Zu diesem Zweck kann das Prozessorsubsystem 140 konfiguriert sein, um auf das Vorhersagemodell, wie an anderer Stelle in dieser Patentschrift beschrieben, Werte für einen oberen Schwellenwert und einen unteren Schwellenwert, wie an anderer Stelle in dieser Patentschrift beschrieben, und Eingabedaten, die eine Operation eines Patienten charakterisieren und/oder den Patienten charakterisieren, zuzugreifen. Das Prozessorsubsystem 140 kann ferner konfiguriert sein, um das Vorhersagemodell mit den Werten für den oberen Schwellenwert und den unteren Schwellenwert zu verwenden, um einen postoperativen Betttyp zur Verwendung durch den Patienten nach einer Operation vorherzusagen, indem die Eingabedaten als Eingabe in das Vorhersagemodell verwendet werden, um eine Wahrscheinlichkeit zu erhalten, und wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, als die Vorhersage den ersten der mindestens zwei möglichen Betttypen auszugeben, wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, als die Vorhersage den zweiten der mindestens zwei möglichen Betttypen auszugeben und, wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, eine Expertenauswahl des Betttyps zu empfehlen oder darauf zu verweisen.
  • Diese und andere Vorgänge des Systems 100 und verschiedene optionale Gesichtspunkte davon werden unter Bezugnahme auf 2 ff. näher erläutert.
  • Im Allgemeinen kann das System 100 als oder in einer einzigen Vorrichtung oder Einrichtung ausgeführt sein. Die Vorrichtung oder Einrichtung kann eine Universalvorrichtung oder -einrichtung sein, wie eine Arbeitsstation oder ein Computer, kann aber auch anwendungsspezifisch sein, wie ein Patientenmonitor. Die Vorrichtung oder Einrichtung kann einen oder mehrere Mikroprozessoren umfassen, die das Prozessorsubsystem darstellen können und die eine geeignete Software ausführen können. Die Software kann in einem entsprechenden Speicher, z. B. einem flüchtigen Speicher wie RAM oder einem nichtflüchtigen Speicher wie Flash, heruntergeladen und/oder gespeichert worden sein. Alternativ können die Funktionseinheiten des Systems, z. B. die Eingabeschnittstelle, das Benutzeroberflächensubsystem und das Prozessorsubsystem, in der Vorrichtung oder Einrichtung in Form einer programmierbaren Logik, z. B. als Field Programmable Gate Array (FPGA), implementiert sein. Im Allgemeinen kann jede Funktionseinheit des Systems 100 in Form einer Schaltung implementiert sein. Es wird darauf hingewiesen, dass das System 100 auch auf verteilte Weise implementiert sein kann, wobei z. B. verschiedene Vorrichtungen oder Einrichtungen involviert sind. Zum Beispiel kann die Verteilung gemäß einem Client-Server-Modell sein, z. B. unter Verwendung eines Servers und einer Arbeitsstation. Zum Beispiel können die Benutzereingabeschnittstelle und die Anzeigeausgabeschnittstelle Teil der Arbeitsstation sein, während das Prozessorsubsystem ein Subsystem des Servers sein kann. Es sei darauf hingewiesen, dass verschiedene andere Verteilungen gleichermaßen denkbar sind.
  • 2 zeigt eine Fehler-/Konfusionsmatrix 200 für die Empfehlung eines postoperativen Betttyps durch einen Klinikarzt, wobei der postoperative Betttyp entweder ein ITS- oder ein AWR-Bett ist, wobei entlang der horizontalen Achse 210 der vorhergesagte Betttyp und auf der vertikalen Achse der tatsächliche Betttyp gezeigt ist. Diese Fehlermatrix wurde basierend auf tatsächlichen medizinischen Daten von Kardiothoraxoperationen erzeugt, in denen sowohl die Empfehlung des Klinikarztes vor der Operation als auch der tatsächliche Betttyp, den der Patient nach der Operation letztendlich bekam, identifiziert und als Spalten bzw. Zeilen der Konfusionsmatrix dargestellt wurden. Die Werte in der Fehlermatrix 200 sowie diejenigen anderer Fehlermatrizen, die in dieser Patentschrift beschrieben sind, werden auf 1,0 (=100 %) normalisiert. Es ist zu erkennen, dass für 34 % der Patienten vor der Operation ein AWR-Bett von dem Klinikarzt vorhergesagt wird und ein AWR-Bett tatsächlich nach einer Operation ausreicht (manchmal auch als „Fast-Track‟ bezeichnet), und dass für 43 % der Patienten vor der Operation ein ITS-Bett von dem Klinikarzt vorhergesagt wird und ein ITS-Bett tatsächlich nach der Operation benötigt wird. Für die Fehler-/Konfusionsmatrix 200 von 2 und die von 4 und 7 kann die korrekte Vorhersage eines AWR-Bettes als richtig-positiv (TP) betrachtet werden, während die korrekte Vorhersage eines ITS-Bettes als richtig-negativ (TN) betrachtet werden kann. Es gibt jedoch auch fehlerhafte Vorhersagen in Form von falschpositiven (FP) und falsch-negativen (FN) Ergebnissen. Es erhielten nämlich 19 % der Patienten ein ITS-Bett, obwohl der Klinikarzt ein AWR-Bett empfohlen hatte (falsch-positiv oder Fehler vom Typ 1, es wurde ein niedrigeres Pflegeniveau als erforderlich vorhergesagt). In ähnlicher Weise erhielten 4 % der Patienten ein AWR-Bett, obwohl der Klinikarzt ein ITS-Bett empfohlen hatte (falsch-negativ oder Fehler vom Typ 2, es wurde ein höheres Pflegeniveau vorhergesagt).
  • Der postoperative Betttyp kann basierend auf medizinischen Faktoren bestimmt werden, z. B. der Art der Operation und dem Alter und BMI eines Patienten sowie externen Faktoren wie Start- und Endzeit der Operation. Die Erfassung von Operationen, bei denen externe Faktoren vorherrschen, kann zu einer genaueren Fehleranalyse und zum Training eines genaueren Vorhersagemodells führen. 3 zeigt alle Kardiothoraxoperationen, für die ein Fehler vom Typ 1 (niedrigeres Pflegeniveau als erforderlich vorhergesagt) in der Empfehlung des Klinikarztes in Bezug auf den Zeitschlitz aufgetreten ist, als die Operation durchgeführt wurde. Die vertikale Achse 310 zeigt unterschiedliche Zeitintervalle, in denen die Operationen durchgeführt wurden, wobei die horizontale Achse 300 eine Zeitachse (in Stunden des Tages) ist, und die Balken wiederum eine Visualisierung der in der vertikalen Achse 310 dargelegten Zeitintervalle sind. Die Prozentsätze 330 neben den Balken geben den Prozentsatz aller dargestellten Operationen an, die in dem jeweiligen Zeitschlitz oder in jedem anderen Zeitschlitz durchgeführt wurden, der auf der vertikalen Achse 310 niedriger dargestellt ist, und werden daher kumulativ berechnet. Die AWR-Einheit kann nachts geschlossen sein, und Patienten, die am späten Vormittag oder am Nachmittag operiert wurden und mindestens das Pflegeniveau benötigen, das von einer AWR-Einheit bereitgestellt wird, kann somit ein ITS-Bett zugewiesen werden. Somit können für alle Operationen, die am späten Vormittag oder am Nachmittag durchgeführt wurden, die externen Faktoren bei der Zuweisung eines Bettes über den medizinischen Faktoren vorherrschen. Andererseits kann für Vormittagsoperationen, die in 3 durch den Rahmen 320 angegeben sind, die Wahl des ITS-Bettes oder AWR-Bettes hauptsächlich durch medizinische Faktoren bestimmt sein. Die Schlussfolgerung kann sein, dass nur 39 % aller Operationen mit Fehler vom Typ 1 als fehlerhafte Empfehlung betrachtet werden sollten, während der Rest lediglich fehlerhafte Vorhersagen zu sein scheinen, während der Empfehlung in Wirklichkeit aufgrund externer Faktoren nicht gefolgt wurde.
  • Ein Vorhersagemodell wurde trainiert, um den postoperativen Betttyp zur Verwendung durch einen Patienten nach einer Operation basierend auf den medizinischen Daten der vorstehend genannten Kardiothoraxoperationen vorherzusagen. In diesem spezifischen Beispiel wurde auf Datensätze von 2363 Kardiothoraxoperationen zugegriffen, die auf 1481 Kardiothoraxoperationen gefiltert wurden, z. B. durch Auswählen von nur elektiven Operationen, Auswählen von Operationen, bei denen der postoperative Betttyp spezifiziert ist usw. Außerdem wurden durch die Filterung einige Operationen weggelassen, von denen bestimmt wurde, dass die Wahl des Betttyps durch externe Faktoren statt durch medizinische Faktoren bestimmt wurde. Von diesen 1481 Operationen wurden 1049 zum Trainieren des Vorhersagemodells und 251 für Testzwecke verwendet. Das Modell selbst war ein binäres Klassifizierungsmodell, das unter Verwendung von CatBoost trainiert wurde, um entweder ein ITS-Bett (Vorhersageziel = 0) oder ein AWR-Bett (Vorhersageziel = 1,0) vorherzusagen. Die Merkmale, die während des Trainings als Eingabe verwendet werden, beinhalteten Patientenmerkmale, wie die ASA-Bewertung, die Anzahl von Medikamenten, die von einem Patienten zu Hause eingenommen werden, den Kreatinspiegel, das Geschlecht, den BMI, die Altersgruppe, zu der der Patient gehört, die Anzahl der Eingriffe, denen der Patient unterzogen wird, usw. sowie operationsbezogene Merkmale, wie die Art der Operation, einschließlich zum Beispiel Aortenklappenreparatur und Koronararterienbypassoperationen.
  • 4 zeigt eine Fehlermatrix 202 für die Vorhersage des postoperativen Betttyps durch das vorstehend genannte Vorhersagemodell. Es ist ersichtlich, dass für das Vorhersagemodell für 31 % der Patienten ein AWR-Bett durch das Vorhersagemodell vorhergesagt wird und ein AWR-Bett nach der Operation ausreichend ist und dass für 40 % der Patienten ein ITS-Bett durch das Vorhersagemodell vorhergesagt wird und ein ITS-Bett nach der Operation benötigt wird. Für 22 % der Patienten wird jedoch ein AWR-Bett durch das Vorhersagemodell vorhergesagt, aber ein ITS-Bett (d. h. ein höheres Pflegeniveau als ursprünglich vorhergesagt) wird nach der Operation benötigt, und für 7 % der Patienten sagt das Vorhersagemodell ein ITS-Bett voraus, aber ein AWR-Bett (d. h. ein niedrigere Pflegeniveau als vorhergesagt) ist nach der Operation ausreichend. Beim Vergleichen der Fehlermatrix 202 des Vorhersagemodells mit der Fehlermatrix 200 der Empfehlung des Klinikarztes, wie unter Bezugnahme auf 2 erörtert, erscheint es auf den ersten Blick, dass das Vorhersagemodell nicht besser ist als die Empfehlung des Klinikarztes. Dies wird in Tabelle 1 scheinbar bestätigt, die gut bekannte Leistungsmetriken für Klassifizierungsmodelle hinsichtlich Genauigkeit ((TP+TN)/( TP+TN+FP+FN)), Rückruf (Sensitivität = TP/(TP+FN)), Präzision (PPV=TP/(TP+FP)) zeigt. Tabelle 1: Vergleich der Leistung von Klinikarzt und Vorhersagemodellen
    Metrik Empfehlung des Klinikarztes Vorhersagemodell
    Genauigkeit 0,77 0,71
    Rückruf (Sensitivität) 0,89 0,84
    Präzision (PPV) 0,64 0,58
  • Wenn jedoch das Vorhersagemodell nur an Vormittagsoperationen bewertet wird (die eine Teilmenge der Testdaten sind, in denen die Auswahl des Betttyps nicht oder zumindest weniger durch externe Faktoren beeinflusst wurde), könnte eine Verbesserung gegenüber der Empfehlung des Klinikarztes in Bezug auf die Anzahl von Patienten, die für den AWR-Betttyp korrekt klassifiziert sind, zu sehen sein. Um diese Verbesserung zu quantifizieren, kann eine benutzerdefinierte Leistungsmetrik verwendet werden, die durch T P + F P c o r r e c t e d F P c o r r e c t e d
    Figure DE102023115629A1_0001
    ist, wobei sich TP auf die Anzahl richtig-positivee Ergebnisse und FPcorrected auf die Anzahl falsch-positiver Ergebnisse bezieht, die am Vormittag geplant wurden, da, wenn eine falsch-positive Operation nicht am Vormittag geplant wurde, man nicht sicher sein kann, ob es aufgrund von medizinischen Gründen oder aufgrund von externen Faktoren falsch-positiv ist, weshalb FPcorrected anstelle vonFP verwendet werden kann. Diese Leistungsmetrik kann als eine „Einer-pro“-Metrik betrachtet werden, die ausdrückt, einer pro wie viele Patienten ein AWR empfohlen bekam, aber letztendlich ein ITS erhielt, was ein Vorhersagefehler ist, der mehr Gesundheitsrisiken als anders herum darstellt und daher für die Beurteilung der Leistung der Vorhersage relevanter ist.
  • Bei Anwendung dieser „Einer-pro‟-Leistungsmetrik sowohl auf die Empfehlungen des Klinikarztes, wie in Bezug auf 2 erörtert, als auch auf das Vorhersagemodell, wie in Bezug auf 4 erörtert, ist insofern eine Verbesserung für die am Vormittag geplanten Operationen sichtbar, als bezüglich des Klinikarztes ungefähr 1 pro 5 Patienten für AWR empfohlen wurde und letztendlich ein ITS-Bett bekam, während bezüglich des Vorhersagemodells nur 1 pro 7 Patienten für AWR vorhergesagt wurde und letztendlich ein ITS-Bett bekam.
  • 5 zeigt eine Wahrscheinlichkeitsskala 400, die dem Vorhersagemodell zugeordnet ist. Hier stellt der untere Endpunkt der Skala, der einer Vorhersagebewertung von 0,0 entspricht, eine Vorhersage eines ITS-Bettes dar, während der höhere Endpunkt der Skala, der einem Vorhersagewert von 1,0 entspricht, eine Vorhersage eines AWR-Bettes darstellt. Um die Leistung des Vorhersagemodells weiter zu verbessern, kann ein hybrides Vorhersagemodell durch Festlegen eines oberen Schwellenwerts 420 und eines unteren Schwellenwerts 410 jeweils innerhalb oder an einem Endpunkt der Skala 400 erzeugt werden, wobei die Schwellenwerte verwendet werden, um auszuwählen, ob der Vorhersage des Vorhersagemodells zu folgen ist oder ob eine Expertenauswahl empfohlen wird. Insbesondere kann unter dem unteren Schwellenwert 410 der Vorhersage des Vorhersagemodells eines ITS-Bettes gefolgt werden, während über dem oberen Schwellenwert 420 der Vorhersage des Vorhersagemodells eines AWR-Bettes gefolgt werden kann, während zwischen dem unteren Schwellenwert 410 und dem oberen Schwellenwert 420 einem Benutzer die Expertenauswahl empfohlen oder darauf verwiesen werden kann.
  • Um optimale Werte für den oberen Schwellenwert 420 und den unteren Schwellenwert 410 zu bestimmen, kann eine Leistungsmetrik verwendet werden. Diese Leistungsmetrik kann die vorstehend erwähnte „Einer-pro“- Leistungsmetrik sein oder umfassen, um zu quantifizieren, wie viele Patienten, für die ein AWR-Bett empfohlen wurde, letztendlich ein ITS-Bett erhielten. Bei der Optimierung der Schwellenwerte kann die Leistungsmetrik so optimiert werden, dass die Anzahl der Patienten, für die AWR empfohlen werden und die letztendlich ein ITS-Bett erhielten, reduziert oder sogar minimiert wird.
  • 6 veranschaulicht die Auswahl von Schwellenwerten und zeigt ein Diagramm 500, in dem entlang einer Achse ein Wert des unteren Schwellenwerts (thIC), entlang einer anderen Achse ein Wert des oberen Schwellenwerts (thPA) und entlang noch einer anderen Achse ein Prozentsatz falsch-negativer Vorhersagen (fn) (d. h. ein Fehler vom Typ 2) dargestellt ist. In dem Diagramm 500 ist eine Oberfläche gezeigt, die für verschiedene Kombinationen von Schwellenwerten den Prozentsatz falsch-negativer Vorhersagen angibt, wobei die Oberfläche unter Verwendung des Werts der „Einer-pro‟-Leistungsmetrik (onein) für die Kombination von thIC und thPA farbcodiert ist. In diesem Beispiel werden mit thIC = 0,49 und thPA = 0,76 die besten Ergebnisse erzielt, was den Prozentsatz von falsch-negativen Ergebnissen unter 10 % hält (entsprechend <0,1 im Diagramm) und die beste „Einer-pro‟-Leistung erhält, d. h. die niedrigste Fehlklassifizierung eines AWR-Bettes, wenn es ein ITS-Bett sein sollte.
  • 7 zeigt eine Fehlermatrix 204 für die Vorhersage des postoperativen Betttyps durch das wie vorstehend erörterte Hybridmodell. Es ist ersichtlich, dass für 29 % der Patienten ein AWR-Bett durch das Hybridmodell vorhergesagt wird und ein AWR-Bett nach der Operation ausreichend ist und dass für 50 % der Patienten ein ITS-Bett durch das Hybridmodell vorhergesagt wird und ein ITS-Bett tatsächlich nach der Operation benötigt wird. Es gibt jedoch auch fehlerhafte Vorhersagen. Denn für 11 % der Patienten wird ein AWR-Bett durch das Hybridmodell vorhergesagt, aber ein ITS-Bett ist tatsächlich erforderlich, und für 10 % der Patienten sagt das Hybridmodell ein ITS-Bett voraus, aber ein AWR-Bett ist nach der Operation ausreichend. Gemäß der vorstehend genannten „Einer-pro‟-Metrik wurde für ca. 1 pro 10 Patienten ein AWR-Bett vorhergesagt, obwohl der Patient letztendlich ein ITS-Bett erhielt, was eine signifikante Verbesserung gegenüber der 1-pro-5-Bewertung der Empfehlung des Klinikarztes und der 1-pro-7-Bewertung der Vorhersage durch das Vorhersagemodell allein ist. Eine solche verbesserte Leistung ist auch in Tabelle 2 gezeigt. Tabelle 2: Vergleich der Leistung von Klinikarzt und Hybridmodellen
    Metrik Empfehlung des Klinikarztes Hybridmodell
    Genauigkeit 0,77 0,79
    Rückruf (Sensitivität)) 0,89 0,75
    Präzision (PPV) 0,64 0,72
  • In alternativen Ausführungsformen des Hybridmodells können beide Schwellenwerte auf den gleichen Wert gesetzt werden und dadurch einen und denselben Schwellenwert darstellen. Auf diese Weise kann die Optimierung im Hinblick auf die Komplexität reduziert werden, da eine Dimension aus dem Lösungsraum entfernt wird. Dann wird jedoch auch die Empfehlung des Klinikarztes ausgeschlossen. In anderen Ausführungsformen kann einer der beiden Schwellenwerte an einem jeweiligen Endpunkt der Wahrscheinlichkeitsskala festgelegt sein. Zum Beispiel kann der untere Schwellenwert auf den unteren Endpunkt der Wahrscheinlichkeitsskala eingestellt werden, während unterschiedliche Werte für den oberen Schwellenwert bewertet werden können. In diesem Fall ist die Ausgabe des Hybridmodells entweder AWR, wenn die Wahrscheinlichkeit > thPA, oder anderenfalls die Empfehlung des Klinikarztes. Ein weiteres Beispiel ist, dass der obere Schwellenwert auf den oberen Endpunkt der Wahrscheinlichkeitsskala eingestellt werden kann, während unterschiedliche Werte für den unteren Schwellenwert bewertet werden können. In diesem Fall ist die Ausgabe des Hybridmodells entweder ITS, wenn die Wahrscheinlichkeit < thIC, oder anderenfalls die Empfehlung des Klinikarztes. Auch hier kann die Optimierung im hinblick auf die Komplexität reduziert werden, da eine Dimension aus dem Lösungsraum entfernt wird. Darüber hinaus können solche Ausführungsformen berücksichtigen, dass die Empfehlung des Klinikarztes an einem Ende der Skala besser sein kann als die des Vorhersagemodells.
  • Unter fortgesetzter Bezugnahme auf die Merkmale, die während des Trainings und der nachfolgenden Verwendung verwendet werden, können solche Merkmale aus den medizinischen Daten extrahiert werden, zum Beispiel unter Verwendung einer univariaten und/oder multivariaten inferentiellen Analyse. Verschiedene Arten von Merkmalen können extrahiert werden. Zum Beispiel können einige Arten von Merkmalen die Operation charakterisieren, während andere Arten von Merkmalen den Patienten charakterisieren können. Beispiele für die erstere Art von Merkmalen sind in der nachstehenden Tabelle 3 angegeben, während Beispiele der letzteren Art von Merkmalen in Tabelle 4 nachstehend angegeben sind. Es wird darauf hingewiesen, dass diese Merkmale als potenziell relevante Merkmale für die Vorhersage des postoperativen Betttyps auf dem Gebiet der Kardiothoraxoperationen betrachtet werden können, aber dass in anderen Bereichen, z. B. in anderen chirurgischen Disziplinen, andere Merkmale von Relevanz sein können. Es wird ferner darauf hingewiesen, dass in der Regel alle Merkmale verfügbar sind, bevor die Operation durchgeführt wird, z. B. an dem Punkt der Operationsplanung, und in der Regel sogar bevor der Patient ins Krankenhaus kommt. Tabelle 3: Merkmale basierend auf chirurgischen Eigenschaften
    Merkmale Beispiele von Werten
    Chirurgen-ID nicht geclustert ID_6791, ID_86
    geclustert - Hierarchisches Clustering - ID_C1, ID_C2
    Chirurgentyp kategorisch Oberärzte vs. Assistenzärzte
    Chirurgische Eingriffe (Px) nicht geclustert CABG, AVR usw.
    geclustert Gemäß:
    - medizinischer Fachgebiete
    - Hierarchisches Clustering - Px_C1, Px_C2
    Durchschn. Px-Zeit pro Chirurgen 183 min, 316 min
    Anzahl von Px kategorisch Einzeln, doppelt, mehrfach (>=3)
    diskret 1, 2, 3, 4, 5, ...
    Dringlichkeit der Operation kategorisch Akut, elektiv
    Postoperativer Betttyp kategorisch ITS, AWR, Normalstation (S)
    Tabelle 4: Merkmale basierend auf Patienteneigenschaften
    Merkmale Beispiele von Werten
    Alter diskret 67 Jahre, 86 Jahre
    kategorisch [18-29], [30-44], [45-69], ...
    Geschlecht kategorisch Männlich vs. weiblich
    BMI kategorisch Untergewicht, normal, Übergewicht, fettleibig
    ASA-Bewertung diskret 1,2,3,4,5
    Medikamentenzahl diskret 1, 2, ..., 22
    kategorisch [1,5], [6-10], [11-15], [16++]
    Kreatininspiegel kategorisch Nierenversagen, schwere Abnahme, moderate Abnahme, milde Abnahme, normale Abnahme
  • 8A und 8B zeigen jeweils ein Beispiel einer grafischen Benutzeroberfläche 600 eines Systems, das das Hybridmodell verwendet, um einen postoperativen Betttyp zu empfehlen. In beiden Figuren umfasst die grafische Benutzeroberfläche 600 verschiedene grafische Elemente, wie ein Element 610, das Informationen eines Patienten, für den eine Operation geplant ist, zeigt, wie den Namen, das Alter, das Geschlecht, die Anzahl der Medikamente usw., und ein Element 620, das Informationen über die bevorstehende Operation zeigt, wie den Eingriffscode, die Eingriffsbeschreibung, die Anzahl der durchzuführenden Eingriffe, den Chirurgen usw. Einige der in diesen Elementen gezeigten Informationen können auch als Merkmalseingabe für das Hybridmodell verwendet werden. Im Element 630 ist eine Ausgabe des Vorhersagemodells gezeigt, die die Wahrscheinlichkeitsskala, die Schwellenwerte des Hybridmodells (0,4 und 0,75) und die Ausgabe des Vorhersagemodells für diesen Patienten und diese Operation zeigt. In dem Beispiel von 8A beträgt dieser Wahrscheinlichkeitswert 0,9, was den oberen Schwellenwert des Hybridmodells von 0,75 überschreitet. Somit kann das Hybridmodell der Empfehlung des Vorhersagemodells folgen, wie in Element 640 dargestellt, nämlich dass ein AWR-Bett für den Benutzer empfohlen wird. In einigen Ausführungsformen kann die grafische Benutzeroberfläche ferner die wichtigsten Prädiktoren für diese Empfehlung angeben, wobei es sich in diesem Beispiel um das Alter des Patienten, den e-GFR (CDK-EPI)-Wert (geschätzte glomeruläre Filtrationsrate) und die Anzahl der während der Operation durchzuführenden Eingriffe handelt. In dem Beispiel von 8B beträgt die Bettenvorhersagewahrscheinlichkeitsbewertung 0,6, was unter dem oberen Schwellenwert von 0,75, aber über dem unteren Schwellenwert von 0,4 liegt. Somit verweist das Hybridmodell auf eine Empfehlung durch einen Klinikarzt. Diese Empfehlung kann zum Beispiel durch das System erhalten werden, indem der Benutzer aufgefordert wird, auf eine Schaltfläche 644 zu klicken, die ein Eingabefeld öffnen kann, in dem die Empfehlung des Klinikarztes eingegeben werden kann oder in dem der Betttyp ausgewählt werden kann, z. B. aus AWR oder ITS als Optionen. In anderen Beispielen kann die Empfehlung des Experten bereits dem System oder dem Hybridmodell zur Verfügung stehen und kann anstelle der Vorhersage des Vorhersagemodells an den Benutzer ausgegeben werden.
  • Es versteht sich, dass jedes in dieser Patentschrift beschriebene Verfahren auf einem Computer als computerimplementiertes Verfahren, als dedizierte Hardware oder als eine Kombination von beiden implementiert werden kann. Wie auch in 9 veranschaulicht, können Anweisungen für einen Computer z. B. in der Form eines ausführbaren Codes, auf einem computerlesbaren Medium 700, z. B. in Form einer Reihe 710 maschinenlesbarer physischer Markierungen und/oder als eine Reihe von Elementen mit unterschiedlichen elektrischen, z. B. magnetischen, oder optischen Eigenschaften oder Werten gespeichert werden. Der ausführbare Code kann auf transitorische oder nichttransitorische Weise gespeichert werden. Beispiele für computerlesbare Medien schließen Speichervorrichtungen, optische Speichervorrichtungen, integrierte Schaltungen, Server, Online-Software usw. ein. 9 zeigt eine Speichervorrichtung 700.
  • Gemäß einer Zusammenfassung der vorliegenden Anmeldung werden ein System und ein Verfahren zum Erzeugen eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps bereitgestellt, der von einem Patienten nach einer Operation verwendet werden soll. Das Vorhersagemodell wird mit Merkmalen, die aus medizinischen Daten extrahiert werden, und unter Verwendung eines postoperativen Betttyps als Vorhersageziel im Training trainiert. Das Vorhersagemodell ist konfiguriert, um eine Wahrscheinlichkeit auf einer Skala auszugeben, die an ihrem unteren Ende eine Vorhersage eines ersten postoperativen Betttyps und an ihrem oberen Ende einer Vorhersage eines zweiten postoperativen Bettes entspricht. Es wird ein Hybridmodell erzeugt, das einen unteren Schwellenwert und einen oberen Schwellenwert auf die Wahrscheinlichkeitsskala anwendet. Liegt die Ausgabewahrscheinlichkeit des Vorhersagemodells zwischen beiden Schwellenwerten, wird eine Expertenauswahl des Betttyps empfohlen, während ansonsten die Vorhersage des Vorhersagemodells ausgegeben wird. Die Werte der Schwellenwerte werden unter Verwendung einer Leistungsmetrik optimiert.
  • Beispiele, Ausführungsformen oder optionale Merkmale, unabhängig davon, ob sie als nicht einschränkend angegeben sind oder nicht, sind nicht als einschränkend für die beanspruchte Erfindung zu verstehen.
  • Es sei darauf hingewiesen, dass die oben genannten Ausführungsformen die Erfindung veranschaulichen und nicht einschränken und dass der Fachmann in der Lage sein wird, viele alternative Ausführungsformen zu entwickeln, ohne vom Schutzumfang der beigefügten Ansprüche abzuweichen. In den Ansprüchen sollen jegliche Bezugszeichen, die in Klammern gesetzt sind, nicht als den Anspruch einschränkend ausgelegt werden. Die Verwendung des Verbs „umfassen“ und seiner Konjugationen schließt die Anwesenheit anderer Elemente oder Stadien als der in einem Anspruch genannten nicht aus. Der Artikel „ein“ oder „eines“ vor einem Element schließt das Vorhandensein einer Vielzahl solcher Elemente nicht aus. Ausdrücke wie „mindestens eines von“, wenn sie einer Liste oder Gruppe von Elementen vorangehen, stellen eine Auswahl aller oder einer beliebigen Teilmenge von Elementen aus der Liste oder Gruppe dar. Zum Beispiel sollte der Ausdruck „mindestens eines von A, B und C“ so verstanden werden, dass er nur A, nur B, nur C, sowohl A als auch B, sowohl A als auch C, sowohl B als auch C oder alle von A, B und C einschließt. Die Erfindung kann mittels Hardware, die mehrere verschiedene Elemente umfasst, und mittels eines geeignet programmierten Computers implementiert werden. In dem Vorrichtungsanspruch, der mehrere Mittel auflistet, können mehrere dieser Mittel durch ein und denselben Hardware-Gegenstand verkörpert werden. Die bloße Tatsache, dass bestimmte Maßnahmen in voneinander unterschiedlichen abhängigen Ansprüchen angegeben sind, weist nicht darauf hin, dass eine Kombination dieser Maßnahmen nicht vorteilhaft verwendet werden kann.

Claims (15)

  1. System (100) zum Erzeugen eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation, umfassend: - eine Eingabeschnittstelle (120) zum Zugreifen auf medizinische Daten, die Datensätze von Operationen umfassen, wobei ein Datensatz einer Operation einen postoperativen Betttyp angibt, der von einem Patienten nach der Operation verwendet wird, wobei der postoperative Betttyp einer von mindestens zwei möglichen Betttypen ist, wobei die medizinischen Daten Daten umfassen, die die Operation und den Patienten charakterisieren; - ein Prozessorsubsystem (140), das konfiguriert ist, um ein Vorhersagemodell zum Vorhersagen des postoperativen Betttyps, der von einem Patienten nach einer Operation verwendet werden soll, zu erzeugen durch: - Trainieren eines Vorhersagemodells mit den medizinischen Daten, wobei das Training den postoperativen Betttyp als Vorhersageziel verwendet, wobei das Vorhersagemodell konfiguriert ist, um eine Wahrscheinlichkeit auf einer Skala (400) auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht; - Erzeugen eines hybriden Vorhersagemodells durch Festlegen eines oberen Schwellenwerts (410) und eines unteren Schwellenwerts (420) innerhalb oder an einem Endpunkt der Skala, wobei das hybride Vorhersagemodell während des Gebrauchs zu Folgendem konfiguriert ist: - wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, Ausgeben des ersten der mindestens zwei möglichen Betttypen als die Vorhersage; - wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, Ausgeben des zweiten der mindestens zwei möglichen Betttypen als die Vorhersage; - wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, Empfehlen oder Verweisen auf eine Expertenauswahl des Betttyps, wobei das Erzeugen des Hybridmodells das Auswählen des oberen Schwellenwerts und des unteren Schwellenwerts umfasst, um eine Leistungsmetrik unter Verwendung des postoperativen Betttyps, der durch die medizinischen Daten als Vorhersageziel angegeben wird, zu optimieren.
  2. System (100) nach Anspruch 1, wobei sich die mindestens zwei postoperativen Betttypen in Bezug auf das dem Patienten bereitgestellte Pflegeniveau unterscheiden.
  3. System (100) nach Anspruch 1 oder 2, wobei die mindestens zwei Betttypen umfassen: - einen Intensivstation- (ITS-) Betttyp und einen Aufwachraum- (AWR-) Betttyp; - einen Intensivstation- (ITS-) Betttyp und einen Normalstation-Betttyp; oder - einen Aufwachraum- (AWR-) Betttyp und einen Normalstation-Betttyp.
  4. System (100) nach Anspruch 2 oder 3, wobei die Leistungsmetrik einen ersten Typ von fehlerhafter Vorhersage, durch die ein Betttyp mit niedrigerem Pflegeniveau vorhergesagt wird, mehr bestraft als einen zweiten Typ von fehlerhafter Vorhersage, durch die ein Betttyp mit höherem Pflegeniveau vorhergesagt wird.
  5. System (100) nach Anspruch 4, wobei die Leistungsmetrik eine Minimierung des Auftretens des ersten Typs fehlerhafter Vorhersage belohnt, während Auftreten des zweiten Typs von fehlerhafter Vorhersage unter einem Akzeptanzschwellenwert gehalten wird.
  6. System (100) nach einem der Ansprüche 1 bis 5, wobei das Auswählen des oberen Schwellenwerts (410) und des unteren Schwellenwerts (420) eines von Folgendem umfasst: - Bewerten unterschiedlicher Kombinationen von Werten für den oberen Schwellenwert und den unteren Schwellenwert; - Auswählen des unteren Schwellenwerts, sodass er gleich dem oberen Schwellenwert ist, und Auswerten unterschiedlicher Werte für sowohl den unteren Schwellenwert als auch den oberen Schwellenwert; - Auswählen des unteren Schwellenwerts an dem unteren Endpunkt der Skala und Auswerten unterschiedlicher Werte für den oberen Schwellenwert; und - Auswählen des oberen Schwellenwerts an dem oberen Endpunkt der Skala und Auswerten unterschiedlicher Werte für den unteren Schwellenwert.
  7. System (100) nach einem der vorstehenden Ansprüche, wobei das Prozessorsubsystem (140) konfiguriert ist zum: - Verwenden einer Merkmalsextraktionstechnik, um einen Satz von Merkmalen in den medizinischen Daten zu identifizieren, wobei der Merkmalssatz prädiktiv für den postoperativen Betttyp ist; und - Trainieren des Vorhersagemodells unter Verwendung des Satzes von Merkmalen als Eingabe.
  8. System (100) nach einem der Ansprüche 1 bis 7, wobei das Prozessorsubsystem (140) ferner konfiguriert ist zum: - Empfangen einer Identifikation einer Teilmenge von Datensätzen in den medizinischen Daten, wobei bei Operationen, die durch die Teilmenge von Datensätzen dargestellt werden, der postoperative Betttyp durch externe Faktoren bestimmt wird, die durch das Vorhersagemodell zu ignorieren sind; - Bestimmen, ob die medizinischen Daten die Teilmenge von Datensätzen ausschließen, um das Vorhersagemodell zu trainieren; - wenn bestimmt wird, dass die medizinischen Daten, die die Teilmenge von Datensätzen ausschließen, für das Training des Vorhersagemodells nicht ausreichen: - Trainieren des Vorhersagemodells mit den medizinischen Daten, einschließlich der Teilmenge von Datensätzen; - wenn der obere Schwellenwert und der untere Schwellenwert ausgewählt werden, um die Leistungsmetrik zu optimieren, Ausschließen der Teilmenge von Datensätzen aus den medizinischen Daten.
  9. System (100) nach Anspruch 8, wobei das Prozessorsubsystem (140) konfiguriert ist, um die Identifikation der Teilmenge von Datensätzen in Form eines Zeitbereichs zu empfangen, in dem, oder eine Zeit nach oder vor dem, eine jeweilige Operation durchgeführt wird.
  10. System (100) nach einem der Ansprüche 1 bis 9, wobei die Leistungsmetrik eine benutzerdefinierbare Metrik ist.
  11. System (100) zum Verwenden eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation, umfassend: - eine Eingabeschnittstelle (120) zum Zugreifen auf: - ein Vorhersagemodell zum Vorhersagen des postoperativen Betttyps, der nach einer Operation vom Patienten verwendet werden soll, wobei das Vorhersagemodell konfiguriert ist, um eine Wahrscheinlichkeit auf einer Skala (400) auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht; - Werte für einen oberen Schwellenwert (410) und einen unteren Schwellenwert (420) innerhalb oder an einem Endpunkt der Skala; - Eingabedaten, die eine geplante Operation des Patienten charakterisieren und/oder den Patienten charakterisieren; - ein Prozessorsubsystem (140), das konfiguriert ist, um das Vorhersagemodell mit den Werten für den oberen Schwellenwert und den unteren Schwellenwert zu verwenden, um einen postoperativen Betttyp zur Verwendung durch einen Patienten nach einer Operation vorherzusagen, durch: - Verwenden der Eingabedaten als Eingabe in das Vorhersagemodell, um eine Wahrscheinlichkeit zu erhalten; - wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, Ausgeben des ersten der mindestens zwei möglichen Betttypen als die Vorhersage; - wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, Ausgeben des zweiten der mindestens zwei möglichen Betttypen als die Vorhersage; und - wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, Empfehlen oder Verweisen auf eine Expertenauswahl des Betttyps.
  12. System (100) nach Anspruch 11, wobei die Expertenauswahl eine Auswahl durch einen Klinikarzt ist.
  13. Computerimplementiertes Verfahren zum Erzeugen eines Vorhersagemodells zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation, umfassend: - Zugreifen auf medizinische Daten, die Datensätze von Operationen umfassen, wobei ein Datensatz einer Operation einen postoperativen Betttyp angibt, der von einem Patienten nach der Operation verwendet wird, wobei der postoperative Betttyp einer von mindestens zwei möglichen Betttypen ist, wobei die medizinischen Daten Daten umfassen, die die Operation und den Patienten charakterisieren; - Erzeugen eines Vorhersagemodells zum Vorhersagen des postoperativen Betttyps, der von dem Patienten nach einer Operation verwendet werden soll, durch: - Trainieren eines Vorhersagemodells mit den medizinischen Daten, wobei das Training den postoperativen Betttyp als Vorhersageziel verwendet, wobei das Vorhersagemodell konfiguriert ist, um eine Wahrscheinlichkeit auf einer Skala auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht; - Erzeugen eines hybriden Vorhersagemodells durch Festlegen eines oberen Schwellenwerts und eines unteren Schwellenwerts innerhalb oder an einem Endpunkt der Skala, wobei das hybride Vorhersagemodell während des Gebrauchs zu Folgendem konfiguriert ist: - wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, Ausgeben des ersten der mindestens zwei möglichen Betttypen als die Vorhersage; - wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, Ausgeben des zweiten der mindestens zwei möglichen Betttypen als die Vorhersage; - wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, Empfehlen oder Verweisen auf eine Expertenauswahl des Betttyps, wobei das Erzeugen des Hybridmodells das Auswählen des oberen Schwellenwerts und des unteren Schwellenwerts umfasst, um eine Leistungsmetrik unter Verwendung des postoperativen Betttyps, der durch die medizinischen Daten als Vorhersageziel angegeben wird, zu optimieren.
  14. Computerimplementiertes Verfahren zum Vorhersagen eines postoperativen Betttyps zur Verwendung durch einen Patienten nach einer Operation, umfassend: - Zugreifen auf: - ein Vorhersagemodell zum Vorhersagen des postoperativen Betttyps, der nach einer Operation vom Patienten verwendet werden soll, wobei das Vorhersagemodell konfiguriert ist, um eine Wahrscheinlichkeit auf einer Skala auszugeben, die an ihrem unteren Ende einer Vorhersage eines ersten der mindestens zwei möglichen Betttypen und an ihrem oberen Ende einer Vorhersage eines zweiten der mindestens zwei möglichen Betttypen entspricht; - Werte für einen oberen Schwellenwert und einen unteren Schwellenwert innerhalb oder an einem Endpunkt der Skala; - Eingabedaten, die eine geplante Operation des Patienten charakterisieren und/oder den Patienten charakterisieren; - Verwenden des Vorhersagemodells mit den Werten für den oberen Schwellenwert und den unteren Schwellenwert, um einen postoperativen Betttyp zur Verwendung durch den Patienten nach einer Operation vorherzusagen, durch: - Verwenden der Eingabedaten als Eingabe in das Vorhersagemodell, um eine Wahrscheinlichkeit zu erhalten; - wenn die Wahrscheinlichkeit unter dem unteren Schwellenwert liegt, Ausgeben des ersten der mindestens zwei möglichen Betttypen als die Vorhersage; - wenn die Wahrscheinlichkeit über dem oberen Schwellenwert liegt, Ausgeben des zweiten der mindestens zwei möglichen Betttypen als die Vorhersage; und - wenn die Wahrscheinlichkeit zwischen dem unteren Schwellenwert und dem oberen Schwellenwert liegt, Empfehlen oder Verweisen auf eine Expertenauswahl des Betttyps.
  15. Transitorisches oder nichttransitorisches computerlesbares Medium (700), das Daten (710) umfasst, die ein Computerprogramm darstellen, wobei das Computerprogramm Anweisungen umfasst, um ein Prozessorsystem zu veranlassen, das Verfahren nach Anspruch 13 oder 14 durchzuführen.
DE102023115629.2A 2022-06-17 2023-06-15 System und verfahren zum vorhersagen eines postoperativen betttyps Pending DE102023115629A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP22179693.1A EP4293679A1 (de) 2022-06-17 2022-06-17 System und verfahren zur vorhersage von postoperativen betttypen
EP22179693 2022-06-17

Publications (1)

Publication Number Publication Date
DE102023115629A1 true DE102023115629A1 (de) 2023-12-28

Family

ID=82115966

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102023115629.2A Pending DE102023115629A1 (de) 2022-06-17 2023-06-15 System und verfahren zum vorhersagen eines postoperativen betttyps

Country Status (3)

Country Link
US (1) US20230411004A1 (de)
EP (1) EP4293679A1 (de)
DE (1) DE102023115629A1 (de)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4186068A1 (de) * 2020-07-23 2023-05-31 Ottawa Heart Institute Research Corporation Verwaltung von gesundheitsversorgungsressourcen

Also Published As

Publication number Publication date
US20230411004A1 (en) 2023-12-21
EP4293679A1 (de) 2023-12-20

Similar Documents

Publication Publication Date Title
DE112018001996T5 (de) Systeme und verfahren zur modellgestützten kohortenauswahl
DE4108310C2 (de) Verarbeitungssystem für eine Wissensbank in einem Expertensystem
DE102016209032B3 (de) Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt
DE112010003251T5 (de) Medizinische Diagnoseunterstützungsvorrichtung, Verfahren zur Steuerung einer medizinischen Diagnoseunterstützungsvorrichtung und Programm
EP3301642B1 (de) Automatisierte bildprüfung in der röntgenbildgebung
DE102012103089A1 (de) System und maschinenlesbarer Datenträger zur Erstellung von Patientenprognosen
DE112012003640T5 (de) Erzeugen eines rhythmischen Passworts und Durchführen einer Authentifizierung auf der Grundlage rhythmischen Passworts
DE102006043172A1 (de) Verfahren zur Auswertung des Verhaltens von Nutzern eines digitalen Bildinformationssysstems
DE112014001122T5 (de) Systeme und Verfahren zum Entwickeln und Verwalten von Onkologie-Behandlungsplänen
DE102020214050A1 (de) Computerimplementiertes Verfahren und Vorrichtung zum Durchführen einer medizinischen Laborwertanalyse
DE112019000045T5 (de) Informationsdienstleistungssystem und Informationsdienstleistungsverfahren
DE102018132508A1 (de) System und Verfahren zur Vorhersage von Gesundheitsuntersuchungen basierend auf semantischen Beziehungen
DE102020206059A1 (de) Computerimplementiertes Verfahren und System zum Trainieren eines Auswertungsalgorithmus, Computerprogramm und elektronisch lesbarer Datenträger
DE10240216A1 (de) Verfahren und Datenbank zum Auffinden von medizinischen Studien
DE102021124256A1 (de) Mobile ki
DE102023115629A1 (de) System und verfahren zum vorhersagen eines postoperativen betttyps
DE202015003281U1 (de) System zur individualisierten Preisgestaltung für die Gesundheitspflege
US20180181899A1 (en) Automated controlled-case studies and root-cause analysis for hospital quality improvement
DE112015000337T5 (de) Entwicklung von Informationen von gesundheitsbezogenen Funktionsabstraktionen aus intraindividueller zeitlicher Varianzheterogenität
DE112022003325T5 (de) Schnittstelle zwischen einer herzpumpen-controller-datenbank und einem krankenhaus
DE102020210709A1 (de) Computersystem und verfahren zur gleichzeitigen verbesserung und codierung von klinischen dokumenten
DE102023115605A1 (de) Vorhersage der operationsdauer
DE102020212318A1 (de) Fallpriorisierung für ein medizinisches System
DE102020212398A1 (de) System, Verfahren und Computerprogramm zur Verwaltung medizinischer Daten
DE102015109853A1 (de) Assistenz- und Entscheidungssystem und Verfahren zur Auswertung von Elektroenzephalogrammen